Proyecto final: arregla un asistente de IA roto
Aquí tienes un asistente en producción que falla de cinco formas. ¿Puedes repararlo?
La idea que hay dentro
Diagnostica la traza y aplica cada arreglo que aprendiste hasta que esté sano.
Después de esta lección
Puedes diagnosticar una feature de LLM que falla a partir de su traza y aplicar los arreglos correctos: recortar contexto, agregar retrieval, restringir la salida, poner permisos y exigir evals.
Adónde lleva
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
Diagnostica la traza y aplica cada arreglo que aprendiste hasta que esté sano.
La pregunta con la que abre
Aquí tienes un asistente en producción que falla de cinco formas. ¿Puedes repararlo?
El recorrido, en palabras de la propia lección
- Un asistente en producción está fallando. Sondea cada componente para encontrar el roto.
- Intenta un arreglo. Un componente sano no arregla una falla que empieza aguas arriba.
- Arregla el componente en la raíz. Mira cómo el arreglo fluye aguas abajo.
- Todas las raíces encontradas y arregladas. Una última compuerta antes de publicarlo.
- Tres fallas más, mismo tablero. Sondea, encuentra cada raíz, arréglalas tú.
- 12/12 casos pasan. Este asistente está listo para la siguiente compuerta.
- Última compuerta: demuestra que los arreglos aguantan. Corre el set de evals antes de publicar.
- Encontraste cinco fallas y arreglaste cada una en la fuente.
- Números de ejecución inventados, lo que importa es la forma del trade-off.
- Todo lo que está aguas abajo solo arrastra su señal mala.
- Toca un componente aguas abajo y mira cómo nada cambia.
- Hay tres fallas más en cola. Carga cada una y arréglala en el tablero de arriba, sin pistas.
- Cuatro raíces encontradas y arregladas. Queda una compuerta antes de publicar este asistente.
- Los mismos cinco movimientos, distinta raíz. La ubicaste y la arreglaste en la fuente.
- Un componente sano no puede arreglar una falla aguas arriba.
- Cinco fallas, todas arregladas en la raíz: una respuesta con base, context magro, un tool con compuerta, JSON parseable, y una compuerta de evals para cada cambio.
- Eso es el curso entero en un loop de reparación. Leíste el flujo de la señal para ubicar la falla, y buscaste el arreglo correcto en la fuente:
- Las features de LLM reales fallan de las mismas pocas formas, y un síntoma en la salida casi siempre empieza aguas arriba. Sigue la señal hasta la etapa rota, y arréglala ahí: fundamenta la respuesta con retrieval, recorta el context, acota los tools, restringe la salida, y pon una compuerta de evals al cambio. Nada de eso es magia, son los mismos pocos movimientos cada vez.
- Tu empresa quiere lanzar un bot de soporte el próximo mes. Por lo que acabas de arreglar, ¿cuáles son las tres primeras cosas que exigirías antes del lanzamiento?
- Retrieval sobre los documentos reales (no la memoria del modelo), un eval set construido con tickets reales y una compuerta que debe pasar, y cuotas y monitoreo para que veas las fallas y los costos antes que tus clientes.
- Cuatro arreglos aplicados. La quinta falla es más silenciosa: nada revisa este asistente antes de publicar cambios.
- Aprendido construyendo intuición, no memorizando. Sin código, sin videos.
La idea clave
Reparaste un asistente realista de punta a punta: traza, contexto, retrieval, JSON, permisos, evals.
Qué puedes hacer después de esta lección
Puedes diagnosticar una feature de LLM que falla a partir de su traza y aplicar los arreglos correctos: recortar contexto, agregar retrieval, restringir la salida, poner permisos y exigir evals.
Este es el resumen escrito. La lección en sí es interactiva: arriba predices, arrastras y operas el mecanismo, y la revelación te responde.