Agentic AI for Engineers

Manual práctico y metodológico de ingeniería de software escrito por Dhivya Nagasubramanian, enfocado en tender un puente entre la automatización determinista y los sistemas autónomos dirigidos por metas (goal-driven systems). Empleando Python y las versiones contemporáneas de las principales herramientas del sector (como LangChain y CrewAI), el texto está dirigido a ingenieros de software, profesionales de DevOps, ingenieros de datos y líderes técnicos de nivel intermedio que no poseen un trasfondo matemático en ciencia de datos pero necesitan diseñar, evaluar y mantener agentes de IA fiables en producción.

El contenido introduce los fundamentos de la agencia artificial y los modelos Transformer antes de adentrarse en los bloques constitutivos de los sistemas agenticos: patrones de diseño arquitectónicos, bucles de razonamiento y acción (patrón ReAct), gestión de entornos, estados y memoria contextual, y técnicas avanzadas de prompt engineering. Explica cómo conectar modelos de lenguaje con herramientas externas (`tool use`), orquestar flujos de trabajo multiagente mediante CrewAI y estructurar cadenas de ejecución con LangChain. Da una importancia central a los aspectos críticos de ingeniería en producción: diseño de barreras de seguridad (guardrails), alineación, mitigación de riesgos de bucle infinito, validación de esquemas y evaluación de predictibilidad ante entradas complejas del entorno.

En la parte práctica, se guía al lector en el desarrollo paso a paso en Python de su primer agente inteligente autónomo provisto de herramientas locales y memoria dinámica, progresando posteriormente hacia la coordinación de sistemas multiagente distribuidos para la resolución colaborativa de problemas complejos. Su principal mérito radica en tratar la inteligencia artificial desde la perspectiva de la disciplina de la ingeniería de software y la robustez de sistemas. Deja de lado el preentrenamiento de redes neuronales y las derivaciones matemáticas profundas, priorizando la arquitectura y la observabilidad. Conviene tener fluidez con Python orientado a objetos y nociones básicas sobre consumo de APIs de LLMs.