Hoy hay mucho revuelo sobre Claude Code. Este curso corto, creado con Anthropic, es la mejor manera de aprender a usarlo bien. ¡Por favor, disfrútalo!

Nuevo curso: NeMo Agent Toolkit de Nvidia: Haciendo que los agentes sean fiables, impartido por @Pr_Brian de @NVIDIA. Muchos equipos tienen dificultades para convertir las demos de agentes en sistemas fiables y listos para producción. Este curso corto te enseña a reforzar flujos de trabajo agentes para convertirlos 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 usando un framework como LangGraph o CrewAI, NAT proporciona bloques de construcción para la observabilidad, la evaluación y el despliegue que convierten pruebas de concepto en sistemas listos para producción. NAT facilita la resolución de problemas y optimización del rendimiento del agente con trazas de ejecución, evaluaciones sistemáticas e integración CI/CD. Habilidades que adquirirás: - Construir flujos de trabajo de agentes basados en configuración con APIs REST y código mínimo - Añadir observabilidad con trazado para visualizar el razonamiento de agentes y depurar cuellos de botella en el rendimiento - Crear evaluaciones sistemáticas utilizando conjuntos de datos de referencia para medir y mejorar la fiabilidad de los agentes - Desplegar sistemas multiagente con autenticación, limitación de velocidad e interfaces web profesionales - Orquestar agentes de diferentes frameworks para colaborar en tareas complejas ¡Únete y aprende cómo convertir las demostraciones de agentes en sistemas fiables!

Compartiendo una receta divertida para construir un agente altamente autónomo, moderadamente capaz y muy poco fiable usando el paquete AISUITE de código abierto en el que Rohit Prasad y yo hemos estado trabajando. Con unas pocas líneas de código, puedes darle una herramienta a un LLM Frontier (como acceso a disco o búsqueda web), enviarle una tarea de alto nivel (como crear un juego de serpientes y guardar como archivo HTML, o realizar una investigación profunda), y dejar que el LLM se despliegue para ver qué hace. Ejemplo en la imagen. Advertencia: No es así como se construyen los agentes prácticos hoy en día, ya que la mayoría necesita mucho más andamiaje (consulta mi curso de IA Agente para saber más), pero sigue siendo interesante experimentar. Resumen más extenso aquí: