Periodo intersemestral · enero 2027
11/01/2027 al 22/01/2027
Lunes a viernes, de 10:00 a 13:00, hora de Ciudad de México.
En línea · 30 horas
Edición en pantallaAgentes de IA y Skills
Selecciona la edición y las fechas del curso en el carrito.
Ediciones del curso
Consulta las fechas y los horarios de cada edición. La selección para inscribirte se realiza en el carrito.
El temario, los docentes, las tarifas y el programa PDF mostrados abajo corresponden a Periodo intersemestral · enero 2027. Consultar otra edición no modifica tu carrito.
Presentación del Curso
La inteligencia artificial está pasando de los chats a los agentes: sistemas capaces de leer archivos, consultar información, ejecutar código y completar tareas con supervisión humana.
Este curso-taller práctico de 30 horas, en modalidad en línea, está diseñado para dar el salto de usuario a creador. Aprenderás a escribir Skills que enseñan a un agente a trabajar y a construir agentes que usan herramientas y se conectan a datos mediante Model Context Protocol (MCP), con criterios de seguridad y uso responsable.
Cada sesión combina una explicación breve con laboratorio guiado. Se contempla una ruta de programación en Python y una ruta alternativa sin código para quienes no programan.
Objetivo general
Diseñar, construir, evaluar y documentar agentes de inteligencia artificial y Skills reutilizables que automaticen tareas reales del entorno académico, laboral o personal, aplicando estándares abiertos y criterios de uso responsable, y presentar el resultado como un proyecto de portafolio profesional.
Proyecto final
Desarrollar un agente funcional que resuelva un problema real e incluya:
• Al menos una skill propia y dos herramientas o un servidor MCP.
• Repositorio público en GitHub con código, skills y README.
• Al menos 10 casos de prueba con resultados documentados.
• Ficha de uso responsable con riesgos identificados y medidas de mitigación.
• Video demostrativo de máximo 3 minutos.
• Presentación en vivo de 5 minutos en la sesión final.
El proyecto podrá realizarse individualmente o en equipos de hasta tres personas.
Ejemplos de proyectos
Asistente de investigación, agente para adaptar un CV a una vacante, procesamiento de datos de laboratorio, tutor de programación, asistente de soporte técnico u organizador personal con confirmación del usuario.
Perfil de egreso
El participante podrá explicar los fundamentos y limitaciones de los modelos de lenguaje y agentes; trabajar con Linux, Python, Git y GitHub; diseñar y publicar Skills; construir agentes conectados a herramientas y servicios mediante MCP; evaluar su calidad, seguridad y costo; y presentar sus proyectos en un portafolio profesional.
Responsable académico
Mtro. José Antonio Torres Galván.
¿A quién está dirigido?
Estudiantes de licenciatura y posgrado de cualquier área, especialmente ciencias, ingeniería, computación, biomedicina y administración; recién egresados, docentes, investigadores, personal administrativo y público en general interesado en la inteligencia artificial aplicada.
No es necesario ser programador. Se recomienda disposición para aprender los fundamentos de Python y la terminal. El curso contempla material de nivelación previo y una ruta alternativa sin código.
Requisitos
• Contar con computadora portátil propia.
• Contar con correo electrónico.
• Crear una cuenta gratuita de GitHub antes del inicio.
• Manejo básico de computadora.
• Experiencia como usuario de algún asistente de IA, como ChatGPT, Claude, Gemini u otro.
• Deseable: nociones de programación en cualquier lenguaje.
Se proporcionará material de nivelación de Python y terminal de Linux antes del inicio. Se contemplan dos horas opcionales de nivelación en línea, adicionales a las 30 horas del curso.
Estructura Académica
Duración total: 30 horas.
| Módulo | Descripción | Duración | Instructor |
|---|---|---|---|
| 1. Fundamentos: de chatbots a agentes de IA | Introducción al funcionamiento de los modelos de lenguaje (LLM), las diferencias entre chatbot, flujo de trabajo automatizado y agente, y los patrones básicos de diseño de agentes. Preparación del entorno de trabajo. Objetivo: Comprender la arquitectura de un agente de IA —modelo, instrucciones, herramientas, memoria y ciclo de acción— y contar con un entorno funcional para desarrollarlo. Contenido: • Funcionamiento de un LLM: tokens, ventana de contexto, temperatura y limitaciones. • Ingeniería de instrucciones: rol, contexto, ejemplos y salidas estructuradas en JSON. • Chatbot, flujo de trabajo y agente; patrones de encadenamiento, enrutamiento, razonar-actuar y orquestador-trabajadores. • Asistentes con capacidades agénticas, agentes de código en terminal, SDK de agentes y plataformas sin código. • Terminal de Linux, Python 3 con entornos virtuales, Git y GitHub. • Manejo seguro de claves de API. • Primera llamada a la API de un modelo desde Python y uso de modelos abiertos locales. Entregable: Repositorio en GitHub con el entorno configurado, un script en Python que consulte a un modelo y devuelva una respuesta estructurada en JSON, y un README con instrucciones de ejecución. Bibliografía: • Russell, S. y Norvig, P. (2021). Artificial Intelligence: A Modern Approach, 4.ª ed. Pearson. • Alammar, J. y Grootendorst, M. (2024). Hands-On Large Language Models. O'Reilly Media. • Anthropic (2024). Building effective agents. • Shotts, W. (2019). The Linux Command Line, 2.ª ed. No Starch Press. • Chacon, S. y Straub, B. (2014). Pro Git, 2.ª ed. Apress. |
6 horas | Aaron Lopez Mendoza |
| 2. Skills: enséñale a un agente a hacer tu trabajo | Estudio del estándar abierto Agent Skills: carpetas con un archivo SKILL.md que contiene metadatos e instrucciones y puede incluir scripts, plantillas y documentos de referencia. Diseño, prueba y control de versiones de skills propias. Objetivo: Diseñar, documentar y probar Skills reutilizables que empaqueten conocimiento y flujos de trabajo para tareas concretas y funcionen en distintos agentes compatibles. Contenido: • Diferencias entre una skill, un prompt, un archivo AGENTS.md y una herramienta o servidor MCP. • Anatomía de una skill: encabezado YAML, instrucciones en Markdown y carpetas opcionales. • Divulgación progresiva: descubrimiento, activación y ejecución. • Redacción de descripciones para activar una skill en el momento adecuado. • Skills con scripts de Python o Bash para tareas deterministas. • Uso de skills en distintos clientes compatibles. • Casos de prueba, comparación de resultados con y sin skill y control de versiones. • Laboratorio: skill para generar un CV profesional y skill para reportes institucionales. Entregable: Dos skills propias publicadas en GitHub, con al menos cinco casos de prueba documentados para cada una. Bibliografía: • Agent Skills (2025). Especificación del formato Agent Skills. • Anthropic (2025). Documentación de Agent Skills. • Huyen, C. (2025). AI Engineering: Building Applications with Foundation Models. O'Reilly Media. |
8 horas | Aaron Lopez Mendoza |
| 3. Construcción de agentes: herramientas, MCP y automatización | Construcción de agentes en Python que razonan, invocan herramientas y se conectan a servicios externos mediante Model Context Protocol (MCP). Comparación de una implementación desde cero con un SDK de agentes y una ruta equivalente sin código. Objetivo: Programar un agente funcional capaz de planear, usar herramientas, conectarse a fuentes de datos externas y completar tareas de varios pasos. Contenido: • Uso de herramientas: esquemas, ejecución de funciones y retorno de resultados al modelo. • Ciclo del agente: planear, actuar y observar; condiciones de paro y límites de iteraciones y costo. • MCP: arquitectura cliente-servidor, servidores existentes y creación de un servidor sencillo en Python. • Memoria y contexto: historial, resúmenes y recuperación desde documentos propios, con RAG básico. • Implementación con un SDK de agentes y comparación con la versión desde cero. • Sistemas multiagente básicos: orquestador y subagentes especializados. • Ruta sin código: automatización equivalente en una plataforma visual, por ejemplo n8n. Entregable: Agente en Python con al menos dos herramientas y conexión a un servidor MCP, acompañado de un video demostrativo de máximo tres minutos. Bibliografía: • Model Context Protocol (2025). Documentación oficial y especificación. • Hugging Face (2025). AI Agents Course. • Weng, L. (2023). LLM Powered Autonomous Agents. • Sweigart, A. (2019). Automate the Boring Stuff with Python, 2.ª ed. No Starch Press. |
8 horas | Aaron Lopez Mendoza |
| 4. Uso responsable, evaluación y proyecto final de portafolio | Riesgos, seguridad, evaluación, costos e implicaciones éticas de los agentes. Despliegue sencillo y acompañamiento para convertir el proyecto final en una pieza de portafolio profesional. Objetivo: Evaluar, asegurar y documentar un agente de IA y presentarlo como proyecto de portafolio con criterios de uso responsable. Contenido: • Alucinaciones, inyección de instrucciones, fuga de datos y permisos excesivos. • Supervisión humana: confirmaciones antes de acciones sensibles, entornos aislados y registro de acciones. • Evaluación: conjuntos de pruebas, criterios de éxito, modelos como evaluadores, costo y latencia. • Privacidad, derechos de autor y honestidad académica. • Despliegue básico con Streamlit, Gradio o un bot de mensajería. • README profesional, video demostrativo y presentación del proyecto en CV, LinkedIn y entrevistas. • Asesoría de proyectos y sesión final de demostraciones. Entregable: Proyecto final completo y ficha de uso responsable del agente. Bibliografía: • OWASP Foundation (2025). OWASP Top 10 for Large Language Model Applications. • NIST (2023). Artificial Intelligence Risk Management Framework, AI RMF 1.0. • UNESCO (2023). Guía para el uso de IA generativa en educación e investigación. |
8 horas | Aaron Lopez Mendoza |
Requisitos de acreditación
• Entregar las actividades de cada módulo.
• Presentar y aprobar el proyecto final.
Ponderación de la evaluación:
• Asistencia: 10%.
• Actividades por módulo: 40%.
• Proyecto final aplicado: 50%.
La calificación final se expresa en escala de 0 a 10.
Quienes acrediten recibirán constancia con valor curricular por 30 horas. Quienes cumplan con la asistencia pero no acrediten recibirán constancia de participación.
Fechas Clave e Inversión
- Edición: Periodo intersemestral · enero 2027
- Periodo: 11/01/2027 — 22/01/2027
- Horario: Lunes a viernes, de 10:00 a 13:00, hora de Ciudad de México.
- Modalidad: En línea
- Apertura de inscripciones: 03/11/2026 00:00
- Cierre de inscripciones: 11/01/2027 10:00
- Mínimo para abrir el grupo: 5 participantes
- Cupo máximo: 50
Las horas de inscripción corresponden a Ciudad de México.
Costos de Inscripción
| Categoría de participante | Costo (MXN) |
|---|---|
| Comunidad UNAM | $900.00 |
| Exalumnos | $1100.00 |
| Público en general | $1300.00 |
Becas
Información correspondiente a la edición Periodo intersemestral · enero 2027.
Se otorgarán becas completas de hasta el 10% del cupo máximo autorizado por curso para cada uno de los siguientes sectores:
• Personal afiliado a la AAPAUNAM.
• Personal afiliado al STUNAM.
• Alumnado.
Para un grupo con cupo máximo de 50 personas, podrán otorgarse hasta 5 becas por sector, sumando un máximo de 15 becas completas.
Si requieres una beca, solicita información en educacion-continua@ifc.unam.mx . Incluye tu nombre, el curso y la edición que te interesan.
Equipo docente
Aaron Lopez Mendoza
Cuenta con más de tres años de experiencia en desarrollo de software y bases de datos, y formación sólida en desarrollo full-stack con Python, Django, JavaScript y HTML/CSS. Tiene experiencia en el diseño e implementación de bases de datos relacionales, incluyendo modelado de esquemas, integridad referencial y consultas SQL.