Ruta AI Engineer Jr: aprende gratis desde cero en 6 semanas
De cero a integrar LLMs en servicios reales (prompts, RAG, herramientas, evaluación y seguridad) con Python y la API de Claude. Con videos gratis en español, explicaciones en palabras simples, retos prácticos, cuestionarios y revisión de un docente.
- Nivel: Principiante
- 6 semanas
- 60 retos
- 31 videos gratis
- 48 preguntas
- Certificado al terminar
El contenido de las rutas está en español.
Temario semana a semana
Semana 1 · Python esencial + Git
Python es un lenguaje de programación con reglas claras, el más usado para trabajar con IA. Aprender lo básico es como aprender a cocinar: una variable es un táper con etiqueta, una lista es la fila de la tienda (con orden) y una función es una receta que repites cuando quieres. Git, por su parte, es el "guardar partida" de tus archivos: si algo se rompe, vuelves al punto anterior.
Mini ejemplo: edad = 25 guarda el número 25 bajo el nombre edad, y print(edad + 1) muestra 26.
Error típico de principiante: subir la clave secreta (.env) a GitHub "porque total es mi repo". Equivocarte aquí es normal; lo importante es aprender a no repetirlo.
Temas de la semana 1
- Entornos virtuales con
uv(ovenv+pip),pyproject.toml, instalar paquetes - Tipos,
str,int,float,bool,None, f-strings - Listas, diccionarios, comprensiones,
sortedconkey - Funciones, parámetros por defecto, type hints,
dataclass - Excepciones:
try/except, lanzar errores propios - Archivos: leer/escribir JSON y CSV;
pandasbásico (read_csv, filtros,groupby,value_counts) requests: GET/POST, códigos de estado, timeouts- Secretos con
.env(python-dotenv) y por qué nunca se suben al repo - Git:
clone,branch,commit,push,pull, Pull Request, resolver un conflicto simple
Cursos: "Python TOTAL con IA" (Federico Garay), días 1 a 6 + sección de APIs, y videos de Python y Git de MoureDev en YouTube.
10 retos · cuestionario de 8 preguntas
Semana 2 · Fundamentos de LLMs y prompt engineering
Un LLM (modelo de lenguaje) es como el autocompletado de tu celular, pero entrenado con muchísimos textos: en vez de adivinar una palabra, escribe párrafos enteros, pedazo a pedazo (tokens). Un prompt es la instrucción que le das; funciona igual que encargarle una tarea a un compañero: si dices "hazlo", te llega algo vago; si explicas contexto, formato y un ejemplo, te llega lo que querías.
Mini ejemplo: "Resume esto" es flojo; "Resume este reclamo en 2 viñetas y dime si es urgente" es claro.
Error típico de principiante: creer que el modelo siempre dice la verdad. Puede inventar datos con total seguridad (alucinar), así que verifica lo importante.
Temas de la semana 2
- Qué es un LLM: predice el siguiente token; por qué puede "alucinar"
- Tokens, ventana de contexto,
max_tokens, costo por token de entrada y de salida - Temperatura y variabilidad de las respuestas
- Roles: system prompt, mensajes
user/assistant - Técnicas: instrucciones claras, dar contexto, ejemplos (few-shot), etiquetas XML, pedir razonamiento antes de la respuesta, formato de salida
- Límites: conocimiento con fecha de corte, matemática poco confiable, no sabe datos internos del banco
- Probar prompts en el Workbench de la Claude Console antes de escribir código
Cursos: "Curso Completo de IA Generativa" (Santiago Hernández), secciones de fundamentos de LLMs y prompt engineering + guía oficial de prompt engineering de Anthropic.
Videos gratis recomendados
10 retos · cuestionario de 8 preguntas
Semana 3 · La API de un LLM desde Python
Una API es el mesero entre tu código y el modelo: tú le pasas el pedido (tus mensajes), él lo lleva a la cocina (el servidor de la IA) y vuelve con el plato (la respuesta). Lo importante es que el mesero no tiene memoria: en cada visita debes repetirle toda la conversación, y cada palabra que envías y recibes se cobra, como un plan de datos.
Mini ejemplo: client.messages.create(model=..., max_tokens=200, messages=[{"role": "user", "content": "Hola"}]) envía un pedido y devuelve la respuesta.
Error típico de principiante: dejar la API key escrita en el código y subirla a GitHub. Guárdala en .env y respira: cuidar tu clave ya te pone por delante de muchos.
Temas de la semana 3
- SDK oficial
anthropic: cliente,messages.create,model,max_tokens,system,messages - Conversaciones de varios turnos: el modelo no recuerda; se reenvía el historial
- Respuesta:
content,stop_reason,usage(tokens de entrada y salida) - Salidas estructuradas: JSON con esquema y validación con Pydantic
- Errores: 400 (petición inválida), 401 (API key), 429 (límite de uso), 5xx/529 (sobrecarga), timeouts; reintentos con backoff
- Costo y registro de uso por llamada
- Streaming de respuestas
- El mismo patrón en otros proveedores (OpenAI, Gemini): mensajes, rol de sistema, tokens y JSON
Cursos: "Curso Completo de IA Generativa" (Santiago Hernández), sección de APIs desde Python (traducir los ejemplos al SDK de Anthropic) + referencia oficial de la API en https://docs.claude.com.
Videos gratis recomendados
10 retos · cuestionario de 8 preguntas
Semana 4 · Embeddings y RAG
Un embedding convierte un texto en una lista de números que representa su significado, como las coordenadas de un lugar en un mapa: frases parecidas quedan cerca. RAG es lo que hace un bibliotecario: primero busca los libros correctos en el estante y recién entonces te ayuda a responder, con la fuente en la mano, en vez de contestar de memoria.
Mini ejemplo: la pregunta "¿cuánto cuesta mantener mi cuenta?" y el fragmento "comisión mensual de S/ 10" tienen palabras distintas pero significado cercano, así que la búsqueda semántica los une.
Error típico de principiante: culpar al modelo cuando la respuesta sale mal, sin revisar primero qué fragmentos recuperó.
Temas de la semana 4
- Embeddings: texto → vector; similitud coseno; búsqueda semántica vs. búsqueda por palabras
- Proveedores de embeddings: Anthropic no ofrece modelo propio y recomienda Voyage AI; alternativa gratuita local con
sentence-transformers - Chunking: dividir documentos por secciones, tamaño y solapamiento
- Bases vectoriales: Chroma (local, en archivo) y PostgreSQL + pgvector
- RAG: recuperar top-k fragmentos → armar el prompt con contexto → responder citando la fuente
- Metadatos (documento, sección, fecha de vigencia) y filtros
- Medir la recuperación antes que la respuesta: hit rate en top-k
Cursos: "Curso Completo: LangChain, LangGraph y Agentes IA con Python" (Santiago Hernández), secciones de embeddings, bases vectoriales y RAG + guía oficial de embeddings en https://docs.claude.com.
10 retos · cuestionario de 8 preguntas
Semana 5 · Tool use, agentes simples y FastAPI
Un modelo solo conversa; con tool use le das "manos". Es como un jefe en la oficina que no sale de su escritorio: pide "consulta el clima" y su asistente (tu código) lo hace y le trae el resultado. Un agente repite ese ciclo (pedir, ejecutar, devolver) hasta resolver la tarea, y FastAPI publica todo como un servicio que otras apps pueden llamar.
Mini ejemplo: el usuario pregunta "¿en qué estado está mi reclamo 123?"; el modelo pide consultar_estado_reclamo(id="123"), tu código lo busca y responde "en revisión".
Error típico de principiante: dejar que el modelo haga las cuentas o acciones por sí solo. Las herramientas lo hacen, con validación.
Temas de la semana 5
- Tool use / function calling: definir herramientas con nombre, descripción y
input_schema(JSON Schema) - El ciclo: el modelo pide una herramienta (
stop_reason == "tool_use") → tu código la ejecuta → devuelvestool_result→ el modelo responde - Agente simple = bucle con límite de iteraciones; el modelo decide qué herramienta usar
- El LLM no hace cálculos ni acciones por sí mismo: las herramientas sí, con validación
- Acciones sensibles (bloquear tarjeta, transferir): confirmación humana, mínimo privilegio
- FastAPI: rutas, modelos Pydantic de request/response, códigos HTTP,
/docs, dependencias, configuración por entorno - Tests con
TestClienty un LLM falso
Cursos: "Curso Completo: LangChain, LangGraph y Agentes IA con Python" (Santiago Hernández), secciones de agentes, herramientas y FastAPI + guía oficial de uso de herramientas en https://docs.claude.com.
Videos gratis recomendados
10 retos · cuestionario de 8 preguntas
Semana 6 · Evaluación, seguridad, observabilidad y trabajo real
Evaluar tu IA es como corregir exámenes con una rúbrica: en vez de "me parece que va bien", cuentas aciertos con un set de pruebas fijo. Seguridad es poner candado a la puerta: un texto escondido puede intentar engañar al modelo (prompt injection) y los datos personales (DNI, tarjeta) se protegen antes de enviarlos. Los logs son la cámara del local: registran qué pasó, sin guardar datos sensibles.
Mini ejemplo: de 10 fraudes reales, tu clasificador detecta 4; su recall de FRAUDE es 40 %, aunque la accuracy global se vea bonita.
Error típico de principiante: probar 2 casos a mano y decir "funciona".
Temas de la semana 6
- Evaluación: set de prueba etiquetado, accuracy, precisión y recall por categoría, matriz de confusión
- Comparar versiones de prompt con números (regresión), no "a ojo"
- LLM-as-judge con rúbrica y cómo validarlo contra juicios humanos
- Seguridad: prompt injection directa e indirecta (dentro de documentos), fuga del system prompt, abuso de herramientas
- Privacidad en banca: PII (DNI, número de tarjeta, CCI, teléfono, correo); enmascarar antes de enviar al LLM y nunca registrar en logs; datos ficticios en desarrollo
- Observabilidad: logs estructurados en JSON con
request_id, tokens, costo, latencia, herramientas usadas; latencia p95 - Flujo de trabajo real: ticket → rama → PR → code review
Cursos: "Curso Completo: LangChain, LangGraph y Agentes IA con Python" (Santiago Hernández), casos empresariales + guía oficial de evaluaciones de Anthropic en https://docs.claude.com.
Videos gratis recomendados
10 retos · cuestionario de 8 preguntas
Proyectos para tu portafolio
Cuando buscas tu primer trabajo, un proyecto propio en GitHub dice mucho más que "me interesa la IA": demuestra que sabes construir algo que funciona, y le da a quien te entrevista algo concreto de qué conversar contigo.
1. Tu compañero de estudio
- Qué construyes: un asistente que responde preguntas sobre tus propios apuntes (PDF o archivos de texto de tus cursos) usando RAG, y que te dice de qué parte de tus apuntes sacó cada respuesta.
- Qué practicas: Python, llamadas a la API de un LLM, embeddings, búsqueda por significado y RAG (semanas 1 a 4).
- Súbele el nivel: publícalo como servicio con FastAPI y agrega un modo "tómame un examen" que te haga preguntas sobre tus apuntes.
2. El termómetro de los comentarios
- Qué construyes: un programa que toma los comentarios de un video de YouTube (copiados a un archivo o descargados con la API oficial) y los clasifica en positivos, negativos, preguntas o spam, con un resumen final de cómo reaccionó la gente.
- Qué practicas: prompts con formato de salida estructurado, la API de un LLM desde Python, manejo de costos y evaluación con un conjunto de comentarios etiquetados a mano (semanas 2 a 3 y semana 6).
- Súbele el nivel: mide qué porcentaje de comentarios clasifica bien comparando con tus etiquetas, y prueba si un comentario con instrucciones escondidas logra engañarlo.
3. ¿Qué veo hoy?
- Qué construyes: un bot que te recomienda series según las que ya te gustaron: compara las sinopsis usando embeddings y le pide al modelo que explique en una frase por qué te podría gustar cada recomendación.
- Qué practicas: embeddings, búsqueda por similitud, tool use y FastAPI (semanas 4 a 5).
- Súbele el nivel: dale una herramienta para consultar una API pública de series y películas, así puede recomendar estrenos que no están en tu lista inicial.
Glosario de AI Engineer Jr en palabras simples
| Palabra | Qué significa |
|---|---|
| Python | Un lenguaje de programación fácil de leer y muy usado en IA, como el idioma común de quienes construyen estas herramientas. |
| Modelo de lenguaje (LLM) | Un programa que aprendió de muchísimos textos y predice qué palabras siguen, como el autocompletado del celular pero mucho más avanzado. |
| Prompt | Las instrucciones que le escribes al modelo, como explicarle bien una tarea a un compañero para que la haga a la primera. |
| Token | Un pedacito de texto (una palabra o parte de ella) con el que el modelo lee y escribe; se usa para medir cuánto texto procesas y cuánto cuesta. |
| Contexto | Todo lo que el modelo puede "ver" en una conversación a la vez, como las páginas que caben sobre tu escritorio mientras estudias. |
| Temperatura | Un ajuste que controla qué tan creativas o predecibles son las respuestas, como elegir entre improvisar o seguir el guion. |
| API | El "mesero" entre programas: tu código hace un pedido al modelo y la API te trae la respuesta. |
| Clave de API (API key) | Una contraseña secreta que permite a tu programa usar el servicio; nunca se comparte, igual que la llave de tu casa. |
| Embedding | Convertir un texto en una lista de números que representa su significado, para que textos parecidos queden "cerca", como ordenar libros por tema. |
| RAG | Buscar primero la información relevante en tus documentos y dársela al modelo antes de responder, como un asistente que revisa tus apuntes antes de contestarte. |
| Base de datos vectorial | Un lugar para guardar embeddings y encontrar rápido los textos más parecidos, como un buscador de tus apuntes por significado. |
| Herramienta (tool) | Una función de tu programa que el modelo puede pedir usar, como consultar el clima o hacer una cuenta. |
| Agente | Una IA que decide qué herramientas usar y en qué orden para cumplir una meta, como un asistente que organiza tus pendientes solo. |
| FastAPI | Una herramienta de Python para publicar tu programa como un servicio al que otras apps pueden enviarle pedidos. |
| Alucinación | Cuando el modelo inventa algo con total seguridad, como un compañero que responde en el examen aunque no sepa la respuesta. |
| Evaluación | Revisar con ejemplos y reglas claras si las respuestas de la IA son buenas, como un profesor que corrige con una rúbrica. |
| Prompt injection | Un truco en el que alguien esconde instrucciones en un texto para engañar al modelo, como una nota falsa que dice "ignora lo que te dijo tu jefe". |
| Datos personales | Información que identifica a una persona, como su nombre, teléfono o dirección; hay que protegerla y no mandarla al modelo sin necesidad. |
| Observabilidad | Registrar lo que pasa dentro de tu sistema (qué se pidió, qué respondió, cuánto tardó) para detectar problemas, como la caja negra de un avión. |
¿Listo para empezar?
Gratis, sin tarjeta y sin experiencia previa. Entra con Google o sin cuenta.
Empezar AI Engineer Jr gratis