Jefe: ensambla el sistema
Un modelo a secas acaba de fallar tres peticiones reales. ¿Puedes equipar la capacidad correcta en cada una para que tenga éxito?
La idea que hay dentro
Una petición llega a un modelo a secas y falla. Equipa retrieval, un tool o un trim de contexto, a veces un pipeline de dos pasos, hasta que el asistente pase de FALLA a ÉXITO.
Después de esta lección
Puedes ensamblar un asistente que funcione para una tarea equipando un modelo congelado con las capacidades correctas (retrieval, tools, trim de contexto), y encadenarlas en un pipeline cuando un solo paso no basta.
Adónde lleva
Ya sabes ensamblar asistentes útiles. Ahora: ¿cómo corren estos sistemas en la práctica, como agentes?
Dentro de esta lección
Ese es el escenario real de la lección, en pausa. Reclama tu pase para operarlo.
Mira cómo funciona la IA de verdad, de principio a fin.
Esta lección es solo una parada del arco completo. Desbloquéalo todo y consérvalo de por vida.
Lo que obtienes
- El camino principal de 34 lecciones, una ruta que sí se termina, de una palabra a los agentes
- Rutas por objetivo para usar IA en el trabajo y construir funciones con IA
- Labs de jefe que te hacen aplicar un acto entero, no solo reconocerlo
- Repaso espaciado que trae cada idea de vuelta antes de que la olvides
- Memoria del curso: cada término definido, con enlaces a donde aparece por primera vez
- Una tarjeta de capacidades para compartir cuando termines el camino principal
- Acceso de por vida en cualquier dispositivo, con todas las lecciones futuras incluidas
No son videos para mirar. Predices, operas la máquina y luego lo demuestras. Por eso se queda.
99 lecciones y retos interactivos. Sin videos, sin código.
Pase de lanzamiento gratis: acceso de por vida, sin tarjeta
¿Nuevo por aquí? Las primeras lecciones son gratis para probar. Empieza con la lección 0.1
Qué muestra esta lección
Una petición llega a un modelo a secas y falla. Equipa retrieval, un tool o un trim de contexto, a veces un pipeline de dos pasos, hasta que el asistente pase de FALLA a ÉXITO.
La pregunta con la que abre
Un modelo a secas acaba de fallar tres peticiones reales. ¿Puedes equipar la capacidad correcta en cada una para que tenga éxito?
El recorrido, en palabras de la propia lección
- No elegiste un arreglo. Ensamblaste el sistema correcto para cada petición.
- Ensamblado. El modelo a secas ahora tiene éxito. Manda la siguiente petición.
- Una petición llegó a un modelo a secas y falló. Equipa la capacidad que lo arregla.
- Una capacidad no bastaba: retrieval encuentra la página correcta, pero darle al modelo el documento entero se seguiría ojeando. Recortar solo a la línea que coincide es la segunda etapa. Ese es el punto de un sistema, encadenas capacidades, no eliges un único interruptor.
- Convertiste un modelo a secas en un asistente que funciona, una petición a la vez.
- Un modelo a secas está congelado y sin estado (5.1). Lo haces útil ensamblando un sistema a su alrededor: retrieval para anclarlo en una fuente real (5.2), un tool para actuar sobre el mundo (5.3), un trim para que los datos no se ojeen de paso (5.4), memoria para llevar notas de una sesión a otra, y la honestidad de decirlo cuando ninguna capacidad alcanza la respuesta. La habilidad es conectar el pipeline correcto para la petición.
- Ninguno de estos se arregló con un modelo más grande. Cada petición falló porque al modelo le faltaba acceso (un número en vivo que no podía traer, un dato que nunca leyó, una sección que ojeó de paso). Las capacidades que equipaste, retrieval, tools, trim, le pasan al mismo modelo congelado la pieza que faltaba. Los asistentes reales son exactamente esto: un predictor envuelto en un sistema que le da el contexto correcto y le deja actuar.
- Y esta mesa es la versión pequeña. Los sistemas reales tienen más slots: eligen a qué modelo llamar, añaden evals que puntúan las respuestas antes de enviarlas y ponen barreras de seguridad alrededor de las acciones arriesgadas. Esa capa es el Acto 7.
- Un colega dice: mejor pega toda nuestra wiki en el chatbot cada vez, ¿para qué molestarse con retrieval? ¿Qué le respondes?
- Costo y deterioro. Acabas de armar la alternativa: recupera solo lo que la pregunta necesita, mantén el modelo congelado y deja que los tools traigan los datos en vivo. Pegarlo todo paga cada token en cada mensaje y entierra la respuesta en el montón.
La idea clave
Ensamblaste un asistente que funciona para cada tarea, no eligiendo un único arreglo, sino conectando las capacidades correctas en un sistema alrededor de un modelo congelado.
Qué puedes hacer después de esta lección
Puedes ensamblar un asistente que funcione para una tarea equipando un modelo congelado con las capacidades correctas (retrieval, tools, trim de contexto), y encadenarlas en un pipeline cuando un solo paso no basta.
Adónde lleva: Ya sabes ensamblar asistentes útiles. Ahora: ¿cómo corren estos sistemas en la práctica, como agentes?
Este es el resumen escrito. La lección en sí es interactiva: arriba predices, arrastras y operas el mecanismo, y la revelación te responde.