Agentic AI desde cero para Backend y Cloud Developers
De llamar a un LLM por primera vez a desplegar un sistema multi-agente en AWS Bedrock. Una ruta incremental de 6 labs en Python pensada para devs que ya escriben software pero todavía ven al LLM como 'la web de ChatGPT'.
Para: Backend y Cloud Developers experimentados que quieren construir aplicaciones con IA en producción, sin saltar directo a frameworks complejos antes de entender qué resuelven.
Qué vas a construir
Una progresión que parte de una llamada HTTP a un LLM y termina con un sistema multi-agente desplegado en AWS Bedrock + AgentCore Runtime, observable y con IAM. El caso de uso recurrente para practicar: un sistema agentic que genera contenido técnico cloud (research → write → review → social copy).
Por qué este path
La mayoría de tutoriales de “Agentic AI” te tiran al fondo de la piscina con CrewAI o LangGraph desde el día uno. El problema es que cuando algo se rompe, no entiendes qué falló: ¿el modelo? ¿el framework? ¿tu código? Esta ruta hace lo opuesto. Cada lab agrega exactamente una capa nueva sobre la anterior, así que cuando llegas al Lab 6 entiendes por qué existe cada pieza:
API de modelo
→ agente simple sin framework
→ agente con tools
→ multi-agent con CrewAI
→ cambio de proveedores
→ despliegue en AWS con Bedrock + AgentCoreCómo seguirlo
- Sigue el orden propuesto. Cada lab declara prerequisites; saltarlos te obliga a regresar.
- Termina cada lab antes de empezar el siguiente. El framework de progreso del sitio te muestra los pasos completados; al final de cada lab deberías tener todos los checkboxes marcados.
- El Lab 6 incurre en costos. Es el único de la serie con costo real de AWS (estimado ~$0.50 si destruyes los recursos al terminar). Los Labs 1–5 corren gratis con free tier de proveedores y/o local.
Stack que vas a usar
- Lenguaje: Python 3.10+ (uniforme en los 6 labs).
- Modelo en Lab 1–4: Llama 3.3 70B vía Groq (free tier, OpenAI-compatible).
- Framework de orquestación: CrewAI desde el Lab 4.
- Cloud destino: Amazon Bedrock + AgentCore Runtime en el Lab 6.
Después de este path
Cuando termines, los próximos caminos naturales son:
- Profundizar en observabilidad de agentes: traces, evaluación, hallucination detection.
- Comparar CrewAI con LangGraph y LlamaIndex sobre el mismo caso.
- Llevar el sistema a un caso de negocio real (pipeline de contenido para
luisguisado.cloud, automatización de tareas internas, asistente especializado, etc.).
Labs en este path
- 01~25 minLlama a un LLM desde Python por primera vez
Tu primera llamada a un LLM desde Python. Usas Groq con free tier y el SDK de OpenAI, que es el formato estándar que casi todos los proveedores hablan hoy.
- 02~25 minTu primer agente sin framework: rol, objetivo e instrucciones
Construyes una clase Python que encapsula el rol, el objetivo y las instrucciones de un AI Agent. Sin frameworks. Entiendes qué compone un agente antes de que un framework lo haga invisible.
- 03~40 minAgente con tools: del chatbot al agente que actúa
Le das al agente del Lab 2 la capacidad de leer y escribir archivos. El modelo decide cuándo invocar cada tool, tu código las ejecuta. Aprendes el loop de tool calling y la lista blanca como superficie de seguridad.
- 04~75 minMulti-agente con CrewAI: investigador, redactor, revisor
Tres agentes con roles distintos (investigador, redactor, revisor) coordinados por CrewAI. Aprendes qué resuelve un framework de orquestación cuando ya entiendes a mano lo que automatiza.
- 05~60 minCambiar el proveedor del modelo: OpenAI, Anthropic, Bedrock, Ollama
Corre el mismo crew con cuatro backends de modelo distintos cambiando solo una variable de entorno. Comparas costo, latencia, privacidad y fricción de setup. Confirmas que el agente es independiente del proveedor.
- 06~120 minLlevar el sistema a AWS: Bedrock + AgentCore Runtime
Despliega el crew a AWS con Bedrock como backend de modelos y AgentCore Runtime como entorno de ejecución serverless. Cierras la serie pasando de demo local a sistema operable en cloud, con IAM, logs en CloudWatch y endpoint propio.