Nuevo curso: Nvidia's NeMo Agent Toolkit: Haciendo que los Agentes sean Fiables, impartido por @Pr_Brian de @NVIDIA. Muchos equipos luchan por convertir las demostraciones de agentes en sistemas fiables que estén listos para producción. Este breve curso te enseña a fortalecer flujos de trabajo agénticos en sistemas fiables utilizando el NeMo Agent Toolkit (NAT) de código abierto de Nvidia. Ya sea que hayas construido tu agente en Python puro o utilizando un marco como LangGraph o CrewAI, NAT proporciona bloques de construcción para la observabilidad, evaluación y despliegue que convierten pruebas de concepto en sistemas listos para producción. NAT facilita la solución de problemas y la optimización del rendimiento del agente con trazas de ejecución, evaluaciones sistemáticas e integración de CI/CD. Habilidades que adquirirás: - Construir flujos de trabajo de agentes impulsados por configuración con APIs REST y código mínimo - Añadir observabilidad con trazas para visualizar el razonamiento del agente y depurar cuellos de botella en el rendimiento - Crear evaluaciones sistemáticas utilizando conjuntos de datos de referencia para medir y mejorar la fiabilidad del agente - Desplegar sistemas multi-agente con autenticación, limitación de tasa e interfaces web profesionales - Orquestar agentes de diferentes marcos para colaborar en tareas complejas ¡Únete y aprende a convertir las demostraciones de agentes en sistemas fiables!

Compartiendo una receta divertida para construir un agente altamente autónomo, moderadamente capaz y muy poco fiable utilizando el paquete de código abierto aisuite en el que Rohit Prasad y yo hemos estado trabajando. Con unas pocas líneas de código, puedes darle a un LLM de frontera una herramienta (como acceso al disco o búsqueda en la web), indicarle una tarea de alto nivel (como crear un juego de serpiente y guardarlo como un archivo HTML, o realizar una investigación profunda) y dejar que el LLM actúe y ver qué hace. Ejemplo en la imagen. Advertencia: Esta no es la forma en que se construyen los agentes prácticos hoy en día, ya que la mayoría necesita mucha más estructura (consulta mi curso de AI Agente para aprender más), pero sigue siendo interesante experimentar con ello. Escritura más extensa aquí:

Nuevo curso: Construcción de Agentes de Codificación con Ejecución de Herramientas, impartido por @tereza_tizkova y @FraZuppichini de @e2b. La mayoría de los agentes de IA están limitados a llamadas de función predefinidas. Este breve curso te enseña a construir agentes que escriben y ejecutan código para realizar tareas, accediendo a ecosistemas completos de lenguajes de programación en lugar de estar restringidos a un conjunto fijo de herramientas. Aprenderás a ejecutar código generado por agentes de forma segura en entornos de nube aislados que protegen tus sistemas de operaciones dañinas. Habilidades que adquirirás: - Construir agentes que escriben y ejecutan código, gestionan archivos y manejan errores de forma autónoma a través de bucles de retroalimentación - Ejecutar código de agentes de forma segura en sandboxes de nube E2B y entender las compensaciones entre ejecución local, en contenedores y en la nube - Crear un agente analista de datos que explora y visualiza datos con Pandas - Crear un agente de pila completa que construye aplicaciones web completas de Next.js Únete y construye agentes que codifican su camino a través de tareas complejas: