Memoria en agentes LLM: Cómo combinar contexto corto y almacenamiento externo para mantener coherencia.
Tool Use con LLMs: Cómo los agentes interactúan con el mundo real
Tool Use permite que un LLM deje de ser un sistema pasivo y pueda interactuar con APIs, bases de datos, servicios externos y herramientas. Mediante Function Calling, el modelo decide cuándo necesita una herramienta, genera la llamada y utiliza el resultado para responder mejor. Su éxito depende de definir herramientas claras, validar parámetros y gestionar errores correctamente. Más que añadir funciones, se trata de diseñar un sistema fiable que permita al agente actuar sobre información y sistemas del mundo real.
Planning con Agentes LLM: Descomposición de tareas
Planning: Planificación estática vs dinámica, re-planificación, Planner-Writer, y cómo descomponer objetivos complejos en pasos ejecutables
Reflection con LLMs: Auto-corrección y mejora iterativa
Patrón Reflection para LLMs: Generator-Critic, bucles de feedback, condiciones de parada. Cuándo usarlo, anti-patrones y ejemplos.
Paralelización con LLMs: Ejecución concurrente en sistemas agénticos
Paralelización para LLMs: RunnableParallel, fan-out/fan-in, map-reduce. Cuándo usarlo, anti-patrones y ejemplos reales.
Routing con LLMs: Toma de decisiones dinámicas en sistemas agénticos
Routing para sistemas con LLMs: cómo clasificar inputs y dirigirlos al flujo correcto con LLM-based, embedding-based, rule-based y ML routing.
Prompt Chaining: Cuando un solo prompt no alcanza
Prompt Chaining descompone tareas complejas en pasos secuenciales para evitar instruction neglect, contextual drift y error propagation. Guía práctica con código Python, patrones de producción y Context Engineering.