Desarrollo de asistentes de IA con RAG, agentes y MCP

El objetivo del curso es introducir los fundamentos de la IA generativa aplicada al desarrollo de asistentes virtuales inteligentes. El alumno se familiarizará con los modelos de lenguaje (LLM) y con las técnicas que permiten construir soluciones útiles y verificables sobre datos propios:Retrieval-Augmented Generation (RAG), almacenamiento vectorial, herramientas y agentes.

Mediante un caso práctico de soporte para una tienda con datos simulados, se desarrollarán aplicaciones que combinan documentos de políticas con datos actuales de pedidos, productos y envíos. El recorrido comienza con un RAG visible en Python —documentos, fragmentación,embeddings, recuperación, citas y abstención— y continúa con su persistencia y búsqueda vectorial en InterSystems IRIS.

También se abordará el diseño de agentes con AI Hub capaces de coordinar RAG y herramientas de solo lectura sometidas a políticas de autorización, así como la publicación de esas capacidades mediante un catálogo MCP mínimo. Se trabajará la evaluación reproducible de recuperación, citas de evidencias documentales y abstención para distinguir una respuesta plausible de una respuesta que aporta evidencia suficiente.

Al finalizar, el alumno comprenderá los conceptos clave de LLM, RAG, búsqueda vectorial,herramientas, agentes y MCP, y contará con una base práctica para diseñar y construir sus propios asistentes virtuales sobre InterSystems IRIS y AI Hub.

El curso se realiza online y consiste en 8 horas efectivas de formación teórica y práctica, repartidas en varios días, del siguiente modo:

Fecha	Actividad	Duración
Días 1 y 2	Teoría y práctica. Guiada por instructor.	Sesiones de 3 horas/día.
Días 3 a 8 (*)	Práctica. Proyecto individual.	6 días, (tiempo efectivo estimado: 4 horas).	A través de un proyecto individual el alumno podrá poner en práctica los conocimientos adquiridos.
Día 9	Exposición de proyectos y conclusiones. Guiada por instructor	Sesión de 2 horas	Conclusiones. Exposición de los proyectos, dudas y aprendizajes.

^{(*) Durante los días de práctica individual los alumnos podrán consultar dudas con el formador por email.}

Cada alumno deberá disponer de un ordenador portátil propio, con permisos de administración para poder instalar el software. Deberá disponer de una instalación de Docker y una cuenta de GitHub para poder acceder a la aplicación de ejemplo del curso.

Al inicio se entregará el repositorio reproducible del curso, con Docker Compose, InterSystems IRIS con AI Hub, datos sintéticos, laboratorios, notebooks, pruebas automatizadas y una plantilla para el proyecto individual. La documentación del curso está en castellano. Una vez superados los criterios de evaluación, se entregará a cada alumno su insignia digital acreditativa de la formación.

Para realizar este curso se requieren conocimientos básicos de programación en Python, utilizado para desarrollar los primeros ejemplos, aunque no es necesario un conocimiento avanzado del lenguaje. No es necesario conocer ObjectScript antes de empezar.

Se recomienda disponer de conocimientos básicos de SQL y APIs HTTP para profundizar en los laboratorios de búsqueda vectorial y herramientas, aunque no son requisitos previos. Para preparar el equipo se utilizarán Python 3.11, 3.12 o 3.13 y Visual Studio Code con las extensiones Python, Jupyter e InterSystems ObjectScript.

Para que pueda considerarse que este curso ha sido completado con éxito, el alumno debe cumplir una asistencia superior al 85% del tiempo dedicado al curso y ha de terminar con éxito las prácticas o proyectos planteados por el instructor*.

El proyecto se valorará por la claridad del problema y la propuesta, la reproducibilidad de la exploración, la evidencia o pruebas mostradas, la reflexión sobre límites y seguridad, y la forma de comunicar el aprendizaje. Se valora una solución pequeña, verificable y bien explicada; no una interfaz sofisticada ni añadir tecnología innecesaria

^{* En todos los cursos en formato de impartición on-line, para facilitar la interacción con el instructor, se debe disponer de cámara incorporada o externa, que deberá estar siempre activa durante las partes teóricas y de resolución de dudas que lleve a cabo el instructor. El cumplimiento de este requisito sirve también para la confirmación de asistencia.}

Programa del Curso

Introducción a LLM ¿Qué es la IA generativa? ¿Qué es un LLM y cómo funciona? Tokens, ventana de contexto, evolución y límites Cuándo utilizar prompting, RAG, una consulta estructurada, una herramienta, un agente o fine-tuning.

Fine tuning y RAG Arquitectura y propósito de cada enfoque Documentos Markdown, metadatos y procedencia Construcción de un RAG visible: fragmentos, embeddings, recuperación y respuesta basada en evidencia

Diseño de RAG Datos de contexto y chunking Generación de embeddings y modelos de embedding Almacenamiento vectorial persistente en InterSystems IRIS Búsquedas vectorial SQL: similitud coseno, producto vectorial e índices HNSW Extracción del contexto, citas comprobables, umbrales, abstención y evaluación reproducible

Agentes Inteligentes ¿Qué es un agente y cómo coordina conocimiento y acciones? Proveedor de LLM, sesiones, ToolSets, políticas y trazas en AI Hub Herramientas de solo lectura para consultar pedidos, productos y envíos actuales Introducción a MCP: host, cliente, servidor y catálogo de herramientas Identidad, permisos, validación, transporte y auditoría

Conclusiones y proyecto Factores que influyen para que una solución no fracase: evidencia, vigencia, permisos y límites Repaso de casos de uso y decisiones de diseño Proyecto individual: demostración, prueba observable, límites y aprendizajes

InterSystems se reserva el derecho de cancelar o reprogramar una clase al menos 10 días laborables antes de la fecha de inicio anunciada. Normalmente cancelaremos una clase si hay menos de cinco inscritos. En caso de cancelación por parte de InterSystems, reembolsaremos cualquier pago realizado por el curso cancelado.

La matrícula es totalmente reembolsable si el inscrito lo notifica a InterSystems al menos 10 días laborables antes de la fecha de inicio anunciada. En caso de cancelación posterior, se le abonará el importe correspondiente.