Saltar al contenido principal

Ejercicios Prácticos

Ejercicios progresivos para dominar el desarrollo de agentes de IA. Cada nivel construye sobre el anterior, desde conceptos básicos hasta sistemas complejos multi-agente.

🟢 Nivel 1: Fundamentos (Principiante)​

Ejercicios básicos para entender los conceptos core de agentes y Tool Use.

Ejercicio 1.1: Tu Primera Tool​

🎯 Objetivo: Crear una tool simple que el agente pueda usar para responder preguntas básicas sobre el clima.

📋 Requisitos:

  • Haber completado el setup del entorno
  • Entender el patrón Tool Use básico
  • Conocimientos de TypeScript básicos

🔧 Tarea: Implementa un agente que pueda responder preguntas como:

  • "¿Qué temperatura hace hoy?"
  • "¿Va a llover mañana?"
  • "¿Hace frío en Madrid?"

🛠️ Especificaciones:

  • Crea una tool llamada get_weather que tome como parámetro location (string)
  • La tool debe devolver datos simulados de clima (temperatura, condiciones, humedad)
  • El agente debe usar la tool automáticamente cuando se le pregunte sobre el clima
  • Maneja al menos 5 ciudades diferentes

✨ Pistas:

  • Usa datos hardcodeados para simular una API del clima
  • Define la tool con un JSON Schema simple
  • El agente debe detectar automáticamente cuándo usar la tool

✅ Checklist de Validación:

  • El agente responde correctamente a preguntas de clima sin tool
  • El agente usa la tool cuando se le pregunta sobre el clima
  • La tool maneja al menos 3 ciudades diferentes
  • Los datos de respuesta incluyen temperatura y condiciones
  • No hay errores de sintaxis o ejecución

Ejercicio 1.2: Agente Matemático​

🎯 Objetivo: Construir un agente que pueda resolver operaciones matemáticas básicas usando tools.

📋 Requisitos:

  • Tool Use funcionando
  • Manejo básico de parámetros
  • TypeScript con validación de tipos

🔧 Tarea: Crea un agente calculadora que pueda:

  • Sumar dos números
  • Restar dos números
  • Multiplicar dos números
  • Dividir dos números (con manejo de división por cero)

🛠️ Especificaciones:

  • Implementa 4 tools separadas: add, subtract, multiply, divide
  • Cada tool toma dos parámetros numéricos: a y b
  • La tool divide debe devolver error si b es 0
  • El agente debe elegir automáticamente qué tool usar basado en la pregunta del usuario

✨ Pistas:

  • Usa Zod para validar que los parámetros sean números
  • Define cada operación como una tool independiente
  • El prompt del agente debe incluir instrucciones claras sobre cuándo usar cada tool

✅ Checklist de Validación:

  • El agente identifica correctamente qué operación realizar
  • Todas las operaciones matemáticas funcionan correctamente
  • La división por cero está manejada con un mensaje de error claro
  • Los parámetros se validan correctamente antes de ejecutar
  • El agente explica el resultado de forma natural

Ejercicio 1.3: Agente de Lista de Tareas (Simple)​

🎯 Objetivo: Extender el agente de tareas básico con operaciones CRUD completas.

📋 Requisitos:

  • Conocimiento del Agente de Tareas
  • Manejo de arrays y objetos en TypeScript
  • Persistencia básica de datos

🔧 Tarea: Mejora el agente de tareas para que pueda:

  • Crear nuevas tareas
  • Listar todas las tareas
  • Marcar tareas como completadas
  • Eliminar tareas completadas

🛠️ Especificaciones:

  • Usa un archivo JSON para persistir las tareas
  • Implementa 4 tools: create_task, list_tasks, complete_task, delete_completed
  • Cada tarea tiene: id (único), título, descripción, estado (pending/completed), fecha de creación
  • El agente debe mantener el estado entre conversaciones

✨ Pistas:

  • Usa fs/promises para leer/escribir el archivo JSON
  • Genera IDs únicos con crypto.randomUUID() o uuid
  • Mantén el estado consistente entre llamadas

✅ Checklist de Validación:

  • Se pueden crear tareas con título y descripción
  • Listar tareas muestra todas las tareas con su estado
  • Completar tareas cambia su estado correctamente
  • Eliminar tareas completadas las remueve del archivo
  • Los datos persisten entre reinicios del programa

🟡 Nivel 2: Intermedio (Medio)​

Ejercicios que introducen conceptos avanzados como memoria y razonamiento multi-paso.

Ejercicio 2.1: Agente con Memoria Conversacional​

🎯 Objetivo: Implementar un agente que recuerde el contexto de conversaciones anteriores.

📋 Requisitos:

  • Nivel 1 completado
  • Entendimiento de arrays y objetos
  • Manejo de estado en aplicaciones

🔧 Tarea: Crea un agente que pueda recordar información personal del usuario:

  • Recordar el nombre del usuario
  • Recordar preferencias (ej: comida favorita, color preferido)
  • Recordar hechos importantes mencionados anteriormente
  • Corregir información cuando el usuario la actualiza

🛠️ Especificaciones:

  • Implementa tools para: remember_fact, recall_fact, update_fact, forget_fact
  • Usa un sistema de memoria basado en clave-valor
  • El agente debe usar la memoria para personalizar respuestas
  • Persiste la memoria entre sesiones

✨ Pistas:

  • Usa un Map o objeto simple para almacenar los hechos
  • Las claves pueden ser: "user_name", "favorite_food", "last_topic", etc.
  • Incluye timestamps para saber cuándo se recordó cada hecho

✅ Checklist de Validación:

  • El agente recuerda el nombre del usuario en conversaciones posteriores
  • Puede recordar múltiples hechos sobre el usuario
  • Actualiza información cuando se le corrige
  • Olvida información cuando se le pide
  • Usa la información recordada para personalizar respuestas

Ejercicio 2.2: Agente de Investigación Web (Simulado)​

🎯 Objetivo: Construir un agente que pueda "investigar" temas usando tools simuladas de búsqueda web.

📋 Requisitos:

  • Tool chaining básico
  • Razonamiento secuencial
  • Manejo de arrays de resultados

🔧 Tarea: Implementa un agente investigador que pueda:

  • Buscar información sobre un tema
  • Encontrar fuentes relacionadas
  • Resumir la información encontrada
  • Presentar conclusiones

🛠️ Especificaciones:

  • Crea tools: search_topic, find_related_sources, summarize_info
  • search_topic devuelve resultados simulados de búsqueda
  • El agente debe encadenar tools automáticamente para investigar un tema completo
  • Implementa al menos 5 temas con datos simulados

✨ Pistas:

  • Crea una base de datos simulada con información sobre varios temas
  • La tool search_topic filtra esta base de datos
  • find_related_sources puede devolver URLs o referencias simuladas
  • summarize_info combina múltiples resultados

✅ Checklist de Validación:

  • El agente puede investigar un tema desde cero
  • Usa múltiples tools en secuencia automáticamente
  • Combina información de diferentes fuentes
  • Proporciona resúmenes coherentes
  • Maneja temas no encontrados con mensajes apropiados

Ejercicio 2.3: Agente de Compras con Carrito​

🎯 Objetivo: Crear un agente que maneje un carrito de compras inteligente con recomendaciones.

📋 Requisitos:

  • Manejo complejo de estado
  • Lógica condicional en tools
  • Validación de business rules

🔧 Tarea: Construye un agente de e-commerce que pueda:

  • Mostrar catálogo de productos
  • Agregar productos al carrito
  • Calcular totales con descuentos
  • Recomendar productos relacionados
  • Procesar checkout simple

🛠️ Especificaciones:

  • Implementa tools: browse_catalog, add_to_cart, view_cart, apply_discount, checkout
  • Mantén estado del carrito entre interacciones
  • Implementa lógica de descuentos (ej: 10% descuento en compras > $50)
  • Recomienda productos basándose en el historial del carrito

✨ Pistas:

  • Define un catálogo de productos con precios, categorías, etc.
  • El carrito es un array de items con cantidades
  • Los descuentos pueden aplicarse automáticamente basados en reglas
  • Las recomendaciones pueden ser productos de la misma categoría

✅ Checklist de Validación:

  • El catálogo muestra productos organizados por categorías
  • Se pueden agregar múltiples productos al carrito
  • Los totales se calculan correctamente con descuentos
  • Las recomendaciones son relevantes al contenido del carrito
  • El checkout valida que haya items en el carrito

🟠 Nivel 3: Avanzado (Experto)​

Ejercicios que requieren patrones complejos y pensamiento sistémico.

Ejercicio 3.1: Plan-Execute-Synthesize Pattern​

🎯 Objetivo: Implementar el patrón avanzado Plan-Execute-Synthesize para resolver problemas complejos.

📋 Requisitos:

  • Nivel 2 completado
  • Entendimiento de planificación
  • Manejo de tareas paralelas

🔧 Tarea: Crea un agente que planifique y ejecute proyectos de desarrollo de software:

  • Analizar requisitos
  • Crear plan de tareas
  • Ejecutar tareas en paralelo cuando sea posible
  • Sintetizar resultados en una entrega final

🛠️ Especificaciones:

  • Implementa el patrón PES: Plan → Execute → Synthesize
  • Tools: analyze_requirements, create_plan, execute_task, synthesize_results
  • Maneja dependencias entre tareas
  • Ejecuta hasta 3 tareas en paralelo

✨ Pistas:

  • El plan es un array de tareas con dependencias
  • execute_task puede simular ejecución con delays aleatorios
  • La síntesis combina resultados de todas las tareas completadas
  • Incluye manejo de fallos en tareas individuales

✅ Checklist de Validación:

  • El agente crea planes realistas para proyectos complejos
  • Respeta dependencias entre tareas
  • Puede ejecutar tareas en paralelo
  • Sintetiza resultados de múltiples tareas
  • Maneja fallos gracefully

Ejercicio 3.2: Sistema Multi-Agente​

🎯 Objetivo: Construir un sistema donde múltiples agentes especializados colaboren para resolver problemas.

📋 Requisitos:

  • Arquitectura de agentes compleja
  • Comunicación inter-agente
  • Coordinación de tareas

🔧 Tarea: Implementa un equipo de agentes para desarrollo de software:

  • Product Manager Agent: Define requisitos y prioridades
  • Developer Agent: Implementa features
  • QA Agent: Revisa y testa código
  • Coordinator Agent: Orquesta el trabajo del equipo

🛠️ Especificaciones:

  • Cada agente tiene herramientas especializadas
  • Los agentes pueden delegar tareas entre ellos
  • Implementa un sistema de mensajes para comunicación
  • El coordinator maneja el flujo de trabajo completo

✨ Pistas:

  • Usa un bus de mensajes simple para comunicación inter-agente
  • Cada agente tiene un rol y contexto específicos
  • El coordinator conoce las capacidades de cada agente
  • Implementa timeouts y reintentos para comunicación

✅ Checklist de Validación:

  • Cada agente tiene herramientas especializadas funcionando
  • Los agentes pueden comunicarse entre ellos
  • El coordinator delega tareas apropiadamente
  • El sistema completo puede resolver problemas complejos
  • Maneja fallos en agentes individuales

Ejercicio 3.3: Agente con Auto-Mejora​

🎯 Objetivo: Crear un agente que aprende de sus errores y mejora su rendimiento con el tiempo.

📋 Requisitos:

  • Logging avanzado
  • Análisis de patrones
  • Sistema de feedback

🔧 Tarea: Construye un agente que:

  • Registra todas sus acciones y resultados
  • Analiza sus errores comunes
  • Adapta su comportamiento basado en el historial
  • Mejora automáticamente sus prompts y estrategias

🛠️ Especificaciones:

  • Implementa logging detallado de todas las interacciones
  • Crea tools para analyze_performance, identify_patterns, optimize_strategy
  • El agente mantiene métricas de éxito/error
  • Puede ajustar sus prompts basado en análisis de fallos

✨ Pistas:

  • Registra cada tool call con resultado y tiempo de ejecución
  • Analiza patrones en los errores más comunes
  • Implementa un sistema de "lecciones aprendidas"
  • Los ajustes pueden ser cambios en prompts o lógica de decisión

✅ Checklist de Validación:

  • El agente registra todas sus acciones detalladamente
  • Puede identificar patrones en sus errores
  • Adapta su comportamiento basado en análisis
  • Muestra mejora en rendimiento con el tiempo
  • Maneja casos edge mejor después de aprender

🏆 Consejos Generales para Todos los Niveles​

Mejores Prácticas​

  1. Empieza Simple: Implementa la funcionalidad core antes de optimizaciones
  2. Testea Incrementalmente: Verifica cada tool individualmente antes de integrar
  3. Logging Es Tu Amigo: Añade logs detallados para debugging
  4. Maneja Errores Gracefully: Tu agente debe ser robusto ante inputs inesperados
  5. Itera y Mejora: Los primeros intentos fallarán - aprende de ellos

Debugging Común​

  • El agente no usa tools: Verifica que las tool definitions estén correctas
  • Parámetros inválidos: Asegúrate de que el schema JSON coincida con lo que espera el LLM
  • Loops infinitos: Implementa límites de iteraciones y timeouts
  • Estado inconsistente: Usa validación estricta al leer/escribir estado

Recursos Adicionales​

¿Has completado algún ejercicio? ¡Comparte tu experiencia en los issues del repositorio! 🚀