Principios para construir agentes cognitivos de AI - Mario Campos Soberanis

Contenido del curso

Escenario Expert

Escenario Tekiti

Ignites

Cursos Empresas Blog Live Conf Eventos Precios

0:0022:09

Principios para construir agentes cognitivos de AI - Mario Campos Soberanis

Platzi Conf México 2025

Clase 17 de 23

Clase 17 / 23

Recursos

La inteligencia artificial está transformando radicalmente nuestra forma de vida y trabajo. Los agentes cognitivos representan un avance significativo en esta revolución tecnológica, marcando un antes y después en cómo interactuamos con los sistemas inteligentes. La evolución desde los modelos de lenguaje (LLMs) hasta los agentes cognitivos está abriendo nuevas posibilidades que todo profesional del desarrollo debe conocer y aprovechar.

¿Cuál es la diferencia entre un LLM y un agente cognitivo?

Un LLM funciona como la capa cognitiva que procesa y genera texto, pero un agente va más allá: debe ser capaz de actuar e interactuar con el mundo real. Los agentes cognitivos integran:

Capacidad de percepción del entorno.
Procesamiento de información.
Habilidad para ejecutar acciones concretas.
Interacción con APIs y bases de datos.

¿Cómo ha evolucionado la inteligencia artificial hasta los agentes cognitivos?

La evolución ha seguido varios pasos fundamentales:

Sistemas expertos basados en reglas lógicas.
Modelos estadísticos.
Representaciones vectoriales.
Redes neuronales con embeddings.
Arquitecturas transformer.

Esta progresión ha sido impulsada por figuras clave como Joshua Bengio, Geoffrey Hinton y Yann LeCun, quienes han contribuido significativamente desde la academia y la industria.

¿Qué capacidades tienen los agentes cognitivos actuales?

Los agentes cognitivos modernos presentan características destacables:

Capacidad de razonamiento y planificación, aunque limitada a aproximadamente 13-14 pasos.
Habilidad para interactuar con sistemas operativos y aplicaciones.
Posibilidad de trabajar con sensores digitales y grafos de conocimiento.
Capacidad para colaborar con otros agentes (inteligencia artificial agéntica).

¿Qué necesitamos para crear agentes cognitivos efectivos?

Los componentes esenciales incluyen:

Un modelo fundacional robusto.
Arquitectura de almacenamiento.
Sistema de planificación y ejecución.
Protocolos de interoperabilidad.
Diseño de acciones específicas.
Desarrollo de prompts efectivos.

¿Cómo podemos prepararnos para el futuro de los agentes cognitivos?

El momento de empezar a trabajar con agentes cognitivos es ahora. Las áreas clave de enfoque incluyen:

Desarrollo de memoria y contexto a largo plazo.
Implementación de interoperabilidad multiagente.
Familiarización con nuevas herramientas como Copilot, Cursor y Lambda test.
Comprensión de protocolos MCP y Agent to Agent.

¿Qué herramientas están disponibles para desarrolladores?

Las herramientas actuales incluyen:

Frameworks para construcción de agentes.
Plataformas de desarrollo automatizado.
Generadores de APIs.
Sistemas de testing inteligente.
Herramientas de interoperabilidad.

La inteligencia artificial y los agentes cognitivos están transformando el panorama tecnológico actual. Comprender y dominar estas tecnologías es fundamental para mantenerse competitivo en el campo del desarrollo. Te invitamos a compartir tus experiencias y opiniones sobre cómo estás implementando estas tecnologías en tu trabajo diario.

Resumen

¿Cuál es la diferencia entre un LLM y un agente cognitivo?

Un LLM funciona como la capa cognitiva que procesa y genera texto, pero un agente va más allá: debe ser capaz de actuar e interactuar con el mundo real. Los agentes cognitivos integran:

Capacidad de percepción del entorno.
Procesamiento de información.
Habilidad para ejecutar acciones concretas.
Interacción con APIs y bases de datos.

¿Cómo ha evolucionado la inteligencia artificial hasta los agentes cognitivos?

La evolución ha seguido varios pasos fundamentales:

Sistemas expertos basados en reglas lógicas.
Modelos estadísticos.
Representaciones vectoriales.
Redes neuronales con embeddings.
Arquitecturas transformer.

Esta progresión ha sido impulsada por figuras clave como Joshua Bengio, Geoffrey Hinton y Yann LeCun, quienes han contribuido significativamente desde la academia y la industria.

¿Qué capacidades tienen los agentes cognitivos actuales?

Los agentes cognitivos modernos presentan características destacables:

Capacidad de razonamiento y planificación, aunque limitada a aproximadamente 13-14 pasos.
Habilidad para interactuar con sistemas operativos y aplicaciones.
Posibilidad de trabajar con sensores digitales y grafos de conocimiento.
Capacidad para colaborar con otros agentes (inteligencia artificial agéntica).

¿Qué necesitamos para crear agentes cognitivos efectivos?

Los componentes esenciales incluyen:

Un modelo fundacional robusto.
Arquitectura de almacenamiento.
Sistema de planificación y ejecución.
Protocolos de interoperabilidad.
Diseño de acciones específicas.
Desarrollo de prompts efectivos.

¿Cómo podemos prepararnos para el futuro de los agentes cognitivos?

El momento de empezar a trabajar con agentes cognitivos es ahora. Las áreas clave de enfoque incluyen:

Desarrollo de memoria y contexto a largo plazo.
Implementación de interoperabilidad multiagente.
Familiarización con nuevas herramientas como Copilot, Cursor y Lambda test.
Comprensión de protocolos MCP y Agent to Agent.

¿Qué herramientas están disponibles para desarrolladores?

Las herramientas actuales incluyen:

Frameworks para construcción de agentes.
Plataformas de desarrollo automatizado.
Generadores de APIs.
Sistemas de testing inteligente.
Herramientas de interoperabilidad.

Comentarios (2)2 comentarios

Mateo Montoya Henao

Hace un año

🧠 Principios para construir agentes cognitivos de AI

(Inspirado en Mario Campos Soberanis)

1️⃣ Propósito claro y contexto definido

Antes de construir, define:
- Qué problema resuelve el agente.
- En qué entorno opera (digital, físico, híbrido).
- Qué datos y herramientas tendrá disponibles.
Un agente sin propósito claro se dispersa y pierde efectividad.

2️⃣ Arquitectura modular

Separar en módulos cognitivos:
- Percepción: entrada de datos (texto, voz, sensores, APIs).
- Razonamiento: planificación, inferencia, toma de decisiones.
- Acción: ejecución de tareas en el entorno.
- Memoria: almacenamiento y recuperación de experiencias pasadas.
Esto facilita escalabilidad y mantenimiento.

3️⃣ Memoria y aprendizaje continuo

Memoria a corto plazo: contexto de la conversación o tarea actual.
Memoria a largo plazo: conocimiento acumulado y experiencias previas.
Aprendizaje incremental: mejorar con cada interacción, sin olvidar lo aprendido.

4️⃣ Capacidad de razonamiento y planificación

No solo responder, sino planificar pasos para alcanzar un objetivo.
Uso de chain-of-thought (razonamiento intermedio) y planners para tareas complejas.
Integrar herramientas externas (calculadoras, buscadores, APIs) para ampliar capacidades.

5️⃣ Interacción multimodal

Combinar texto, voz, imágenes, video o datos sensoriales.
Ejemplo: un agente agrícola que recibe imágenes de cultivos, datos climáticos y consultas por voz.

6️⃣ Gobernanza y seguridad

Definir límites de acción: qué puede y qué no puede hacer el agente.
Mecanismos de auditoría y trazabilidad de decisiones.
Protección de datos y cumplimiento normativo.

7️⃣ Evaluación y mejora continua

Métricas clave:
- Precisión en las respuestas.
- Tiempo de resolución.
- Satisfacción del usuario.
Ciclo de mejora: observar → evaluar → ajustar.

8️⃣ Colaboración con humanos

Diseñar para asistir, no reemplazar.
Capacidad de explicar sus decisiones (AI explicable).
Escalar a un humano cuando la tarea exceda sus capacidades.

💡 Frase clave (estilo Mario Campos Soberanis): “Un agente cognitivo no es solo un modelo de lenguaje: es un sistema vivo que percibe, razona, actúa y aprende.”

Javier Ramos

L afrase final es demoledora, " o nos ponemos en primera fila y actuamos o nos van a pasar por encima como con una aplanadora" lo bueno estamos en la comunidad adecuada

Escenario Expert

Estado de Platzi

Cómo estar en el 10% de la humanidad - Freddy Vega

Cómo entrar a la industria de la robótica Felipe Chávez Cortés

La estructura social post AI Rodolfo Gonzalez + Freddy

De estudiante a fundador, emprendiendo con propósito - Marlene Garayzar

El camino del vibecoder Cvander

El negocio (y el imperio) de los podcastsNicole Chapaval + Paulina Se Regalan Dudas

Entrenamiento del primer modelo de IA fundacional de Latinoamérica

Transformación digital del Real Madrid con tecnología e IA

Cómo la tecnología salvó mi futuro (y puede salvar el tuyo) - Sebastián Filoramo

Escenario Tekiti

Detectando cancer con AI-Julian Rios

La hiper ambición que necesita la era de AI -Paola Santana

Guía técnica para hablar de AI con no-técnicos Silvia Ariza

Datos e IA en el sector primario: agricultura y ganadería - Mar Ariza

From Observation to Action - Rita Hill New Relic

Dos años de lecciones de hacer software con LLMs - Juan Pablo Rojas

Principios para construir agentes cognitivos de AI - Mario Campos Soberanis

Ignites

Cómo combinar tus pasiones- Fisico Gamer

La Ignorancia me cambió la Vida - Francisco Mujica

Cómo Sobreviví a 3 Layoffs en 3 Años- Kevin J. Zea Alvarado

Materiales e Inteligencia Artificial: Revelando un Mundo Oculto - Carlos Rondón

Infraestructura de IA en Latam, la nueva frontera para desarrolladores - Angel Cisneros, CEO de Saptiva

Personalización: personas y código - Diego Halffter

Principios para construir agentes cognitivos de AI - Mario Campos Soberanis

Progreso del curso

Escenario Expert

Escenario Tekiti

Ignites

Recursos

Recursos