Este curso intensivo de Agentes de IA cambió por completo mi visión: dejé de pensar en modelos de lenguaje que responden preguntas y comencé a concebir agentes que perciben, deciden y actúan en el mundo real usando herramientas, memoria y orquestación. La teoría se volvió práctica en el proyecto final donde desarrollé Mukti Scholar, un sistema multiagente listo para producción que transforma cualquier tema de investigación en una revisión bibliográfica de alta calidad de extremo a extremo.
Mi recorrido de aprendizaje Día 1 entendí que los agentes no son simples chatbots, sino componentes autónomos con roles, objetivos y acceso a herramientas. Aprendí que los sistemas reales surgen al componer muchos agentes pequeños de responsabilidad única en lugar de depender de un solo prompt gigante. Día 2 consolidó esto con herramientas y MCP, mostrando cómo los agentes ejecutan acciones mediante OpenAPI, parseadores de PDF, funciones personalizadas e incluso agentes usados como herramientas, ideas que implementé en búsqueda, clustering, formato de citas y generación de PDF en mi proyecto. Día 3 transformó mi enfoque sobre el estado: en lugar de prompts sin estado ahora diseño sistemas con estado por sesión, bancos de memoria a largo plazo y recuperación semántica sobre embeddings para que un agente recuerde temas, preferencias y ejecuciones previas. Día 4 puso foco en la calidad del agente mediante logging, trazabilidad, métricas y evaluación, lo que llevé a un sistema de observabilidad que mide cobertura, coherencia, calidad de redacción y detección de vacíos, no solo si el código se ejecutó. Día 5 cerró el ciclo con pensamiento prototipo a producción, protocolos A2A y despliegue en plataformas cloud, lo que me empujó a diseñar Mukti Scholar como un servicio escalable que otros agentes pueden invocar en lugar de ser un experimento aislado en un notebook.
Dos conceptos me marcaron especialmente: el patrón orquestador para coordinar subagentes especializados con contratos claros, que facilita diseñar sistemas complejos manteniendo cada componente simple y testeable, y los patrones multiagente secuencial, paralelo y en bucle como palancas prácticas para latencia, robustez y corrección. Al alternar patrones, por ejemplo paralelizando búsqueda y resumen, convertí prototipos lentos en sistemas responsivos. También conecté profundamente con la ingeniería de contexto y RAG como diseño de sistema: usar resúmenes en lugar de PDFs completos, clustering temático para moldear contexto y recuperación por secciones me dio una hoja de ruta concreta para escalar agentes en flujos de trabajo largos. Finalmente, la insistencia en observabilidad y evaluación resonó porque se parece a los sistemas de datos en producción: ahora concibo a los agentes como servicios IA que deben exponer métricas, trazas y puntuaciones de calidad para poder depurarlos, ajustarlos y confiar en ellos.
De envoltorio teórico a proyecto final: Mukti Scholar Mi proyecto Mukti Scholar es un sistema autónomo multiagente que convierte un tema de investigación en una revisión bibliográfica lista para publicación en menos de dos minutos, orientado a democratizar accesos a flujos de trabajo de investigación de alta calidad. Arquitectónicamente utiliza diez agentes especialistas más un orquestador, organizados en tres etapas: Comprensión y Descubrimiento del Tema, Análisis y Síntesis, y Vacíos, Redacción y Salida. Cada etapa incorpora patrones, herramientas, memoria, observabilidad y despliegue aprendidos en el curso. Logros técnicos clave incluyen búsqueda y resumen en paralelo sobre Google Scholar, arXiv y Semantic Scholar, recuperación de PDFs con reintentos mediante bucles para tolerancia a fallos y clustering temático basado en embeddings con análisis comparativo entre métodos, datasets y hallazgos para detectar patrones y contradicciones. Además diseñé un escritor RAG que toma información del vector store para ensamblar una revisión estructurada y un agente determinista de citas que formatea referencias en APA, Harvard o IEEE, produciendo un PDF final junto a artefactos suplementarios como diagramas de clusters y resúmenes de vacíos.
Qué me enseñó construir el capstone Construir Mukti Scholar convirtió los conceptos del curso en memoria muscular. Aprendí a traducir requisitos en un grafo de agentes concreto, mapeando las lecciones de cada día a agentes, servicios de memoria, módulos de observabilidad y pasos de despliegue. Verifiqué por qué la separación de responsabilidades y los agentes de única función facilitan depurar, testear e iterar componentes aislados como detección de vacíos o clustering. También aprendí a gestionar trade offs de ingeniería: cuándo preferir lógica determinista frente a razonamiento LLM, cómo simular herramientas versus integrar servicios reales, y cómo diseñar métricas de evaluación que reflejen necesidades reales de investigadores como cobertura y calidad de vacíos. Trabajar el protocolo A2A y preparar configuraciones para despliegue en entornos cloud me dio la confianza para llevar un experimento de notebook a un servicio escalable y llamable.
En Q2BSTUDIO aplicamos estos aprendizajes para ofrecer soluciones integrales en software a medida y proyectos de inteligencia artificial para empresas. Somos una empresa de desarrollo de software y aplicaciones a medida con especialización en inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios de inteligencia de negocio y automatización de procesos. Diseñamos agentes IA y plataformas que integran memoria, observabilidad y despliegue para convertir prototipos en servicios confiables y escalables. Si buscas implementar soluciones de IA en tu organización puedes conocer nuestros servicios de inteligencia artificial con un enfoque práctico y empresarial visitando servicios de inteligencia artificial y explorar proyectos de desarrollo y aplicaciones a medida en desarrollo de aplicaciones a medida.
Palabras clave que guían nuestro trabajo incluyen aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi. En Q2BSTUDIO combinamos experiencia en ingeniería de software, análisis de datos y seguridad para construir soluciones que no solo generan respuestas sino que recuerdan, se evalúan y escalan en producción.
Si te interesa transformar flujos de trabajo de investigación, atención al cliente o analítica avanzada con agentes IA y arquitecturas multiagente, en Q2BSTUDIO podemos asesorarte en la definición, prototipado y despliegue de soluciones robustas y seguras que aporten valor tangible desde la primera iteración.
