Construcción de un agente de IA razonador con LlamaIndex: ReAct y Function Agent en Python
Taller para desarrolladores de nivel intermedio que quieren construir paso a paso en Python un agente razonador en LlamaIndex, comparar ReActAgent y FunctionAgent, aprender diseño de herramientas, depuración, guardrails y, al final, ensamblar el listado completo de un agente funcional.
Curso práctico tipo taller que muestra cómo diseñar, implementar y ejecutar desde cero un agente de IA razonador utilizando la biblioteca LlamaIndex. El participante recorrerá el proceso completo: desde la elección de la arquitectura del agente, pasando por la definición de herramientas en Python, el diseño de instrucciones del sistema, la gestión de memoria y estado, hasta las pruebas, el diagnóstico de errores y el ensamblaje de una solución completa end-to-end. El curso contrapone deliberadamente dos enfoques respaldados por la documentación actual de LlamaIndex: FunctionAgent, preferido para modelos con function/tool calling nativo, y ReActAgent, útil cuando queremos un ciclo explícito reason-act o trabajamos con modelos sin function calling nativo. El taller se basa en patrones actuales de la documentación de LlamaIndex, donde los agentes se construyen con el paquete workflow, las herramientas pueden ser funciones normales de Python o QueryEngineTool, y el contexto arquitectónico más amplio se sitúa en Workflows orientados a eventos. Además del código, el curso explica por qué determinadas decisiones de diseño son correctas, qué errores aparecen con más frecuencia y cómo evitarlos en la práctica de producción.
Que aprenderas
- Explicarás las diferencias entre ReActAgent y FunctionAgent y elegirás el tipo de agente adecuado según las capacidades del modelo LLM.
- Construirás en Python un agente funcional de LlamaIndex basado en tus propias funciones-herramienta y en firmas y docstrings correctamente descritos.
- Diseñarás la instrucción del sistema, las descripciones de las herramientas y el contrato de entrada/salida para que el agente elija con mayor frecuencia las acciones correctas.
- Añadirás estado de conversación y contexto de ejecución usando mecanismos de workflow y aprenderás a controlar el desarrollo del razonamiento multietapa.
- Diagnosticarás los errores más comunes: mala selección de herramienta, argumentos alucinados, bucles del agente, prompts demasiado amplios y descripciones de funciones poco claras.
- Compararás artefactos completos before/after: herramientas, prompts y recorridos de decisión del agente mal diseñados y bien diseñados.
- Integrarás herramientas funcionales con herramientas basadas en QueryEngineTool para que el agente pueda usar tanto la lógica de la aplicación como la capa de conocimiento.
- Realizarás pruebas manuales y por escenarios del agente, añadirás registro de eventos y prepararás una checklist de calidad antes del despliegue.
- Al final del curso ensamblarás un listado completo y funcional de todo el agente junto con una explicación de cada sección del código y de las razones detrás de la arquitectura.
Requisitos
Conocimiento de Python a nivel intermedio, fundamentos del trabajo con APIs de modelos LLM, capacidad para ejecutar proyectos en virtualenv o uv, conocimiento básico de JSON y tipado de funciones. Será útil tener experiencia con prompt engineering y conocimientos básicos de RAG, pero el curso también guía paso a paso por las decisiones arquitectónicas. El participante debe tener configurado un entorno Python 3.10+ y una clave API del proveedor de modelo elegido.
Programa del curso
- Cómo se ve hoy la API de agentes en LlamaIndex: `llama_index.core.agent.workflow` sin adivinar la arquitectura
- ReActAgent vs FunctionAgent en una sola tarea: comparación del flujo reasoning -> tool -> answer
- Por qué FunctionAgent suele ser la primera opción para modelos con function calling, y ReActAgent queda como plan B
- Entorno de taller: Python 3.10+, instalación de `llama-index`, proveedor LLM y bootstrap mínimo del proyecto
- Quiz: selección del tipo de agente según el modelo, las herramientas y la forma de control del flujo
- La primera herramienta funcional a partir de una función de Python: tipos, docstring y devolución de datos sin caos
- `FunctionTool` y la inferencia automática del esquema: qué toma LlamaIndex de la firma y qué no adivina
- Débil vs buen descripción de una herramienta: ejemplos completos de nombres, argumentos y docstrings que cambian las decisiones del agente
- Los errores más comunes en las herramientas: efectos secundarios ocultos, campos obligatorios implícitos, alcance de responsabilidad demasiado amplio
- Diseño de un mini conjunto de herramientas para un agente operativo: cálculo, validación, búsqueda y fallback
- Quiz: reconocimiento de herramientas mal diseñadas y su mejora
- El `FunctionAgent` mínimo con dos tools: primera ejecución end-to-end en Python
- Prompt del sistema que controla al agente en lugar de ser un deseo: reglas, anti-patrones y correcciones
- Cómo forzar el uso correcto de las herramientas: instrucciones de decisión, cuándo responder por cuenta propia y cuándo llamar a una herramienta
- Gestión de errores en llamadas a funciones: validación de argumentos, excepciones y mensajes de retorno para el modelo
- Streaming y observación del recorrido del agente: qué registrar para ver las decisiones del modelo, y no solo la respuesta final
- Taller comparativo before/after: el mismo agente antes del refactor y después del refactor del prompt y de las herramientas
- Quiz: ¿está este FunctionAgent listo para ser usado por el usuario?
- Un `ReActAgent` minimal con las mismas herramientas: qué cambia respecto a FunctionAgent
- Leer las huellas de Reasoning/Action/Observation: cómo diagnosticar un razonamiento erróneo paso a paso
- Bucles, overthinking y acciones siguientes erróneas: guardrails para ReActAgent
- Cuándo ReActAgent puede ser mejor que FunctionAgent: modelos sin function calling y escenarios con planificación explícita
- Ejercicio comparativo: la misma tarea resuelta por FunctionAgent y ReActAgent con análisis de la calidad de la respuesta
- Quiz: elección de la estrategia de agentes basada en los registros y los requisitos del proyecto
- Sesión del agente y `Context`: cómo almacenar el estado de la conversación sin pegar el historial a mano
- Añadir `QueryEngineTool` al agente: cuándo una herramienta debe calcular y cuándo debe consultar el índice
- Combinando herramientas funcionales y herramientas de conocimiento en un solo agente sin conflictos de decisión
- Los errores más frecuentes en estado y memoria: fuga de contexto, exceso de historial, dependencias implícitas entre pasos
- Introducción a Workflows y la orquestación basada en eventos: por qué conviene conocer esta API incluso con un agente simple
- Quiz: selección de la herramienta según los datos, el estado y el tipo de consulta del usuario
- Proyecto final: agente para resolver tareas multietapa usando herramientas y una fuente de conocimiento
- Implementación end-to-end: estructura de archivos, configuración de modelos, definiciones de herramientas e inicialización del agente
- Pruebas de escenarios del agente: entradas completas del usuario, acciones esperadas de las herramientas y criterios de aprobación
- Checklist de producción: observabilidad, timeouts, validación, fallbacks y control del coste de las llamadas
- Listado completo de todo el agente con comentario línea por línea: por qué cada sección del código tiene exactamente ese aspecto
- Cuestionario final: diagnóstico de errores en el agente terminado y plan de desarrollo posterior
Preguntas frecuentes
Aprenderás desde cero a construir un agente de IA razonador en Python utilizando LlamaIndex: desde la elección de la arquitectura, pasando por la definición de herramientas y prompts del sistema, hasta la gestión de memoria, estado, depuración y la ejecución de una solución completa end-to-end.
Porque ambos enfoques son importantes en la práctica. La documentación actual de LlamaIndex indica que conviene preferir FunctionAgent para modelos que soportan function calling nativo, mientras que ReActAgent sigue siendo muy útil cuando importa una mayor universalidad del modelo y un flujo de acción explícito. Así, el curso ayuda a entender no solo cómo construir un agente, sino también cuándo elegir cada enfoque.
Sí. El mercado se está moviendo rápidamente hacia sistemas agénticos: Gartner pronosticó que para finales de 2026 el 40% de las aplicaciones enterprise incluirá agentes de IA especializados, mientras que en 2025 era menos del 5%. Esto hace que la habilidad práctica de construir agentes con herramientas, memoria y control de flujo sea cada vez más valiosa.
Para programadores de Python, ingenieros de IA/ML, personas que construyen aplicaciones LLM y profesionales que quieren pasar de simples chatbots a agentes que ejecutan tareas usando herramientas, lógica de razonamiento y control de estado.
No. El curso guía paso a paso por los elementos más importantes del ecosistema necesarios para construir un agente. Sin embargo, sí será útil tener conocimientos básicos de Python y una comprensión general de cómo funcionan los modelos de lenguaje.
Es un curso tipo taller, orientado a la implementación y no a la teoría. En lugar de una visión general, obtendrás un proceso de diseño, decisiones arquitectónicas concretas, trabajo con herramientas en Python, memoria y estado del agente, así como métodos para diagnosticar errores en una solución real.
- 8 horas
- Intermedio
- Certificado al terminar
- Acceso inmediato tras la compra