Instrucciones para un razonamiento y planificación efectivos de modelos de lenguaje grande (LLM)

Resumen

Go beyond basic chatbots and learn to engineer sophisticated AI agents. Learn advanced prompting techniques that power modern AI.

You'll master Chain-of-Thought, ReAct, and feedback loops to build systems that can reason, plan, and solve complex problems. Through hands-on exercises, you will transform generic AI into specialized, reliable tools, culminating in building a multi-agent travel planner from scratch.

Programa

• Introducción a la Generación de Instrucciones para un Razonamiento y Planificación Efectivos en Modelos de Lenguaje a Gran Escala (LLM)
Introduce los conceptos básicos de la IA Agente, la estructura del curso, los requisitos previos y el entorno de aprendizaje.
• El Papel de la Generación de Instrucciones en la IA Agente con Python y OpenAI
Aprende qué son los Agentes de IA y cómo funcionan. Entiende el papel crucial que juega la generación de instrucciones en guiarlos para razonar, planificar y actuar para lograr objetivos.
• Generación de Instrucciones Basada en Roles
Explica la teoría de usar roles o personalidades para controlar el tono, estilo y expertise del resultado de un LLM.
• Implementación de la Generación de Instrucciones Basada en Roles con Python
Ofrece práctica práctica en el desarrollo iterativo de una instrucción basada en roles para crear una personalidad de figura histórica creíble.
• Instrucciones de Cadena de Pensamiento y Actuación
Explica los marcos conceptuales para la Cadena de Pensamiento (CoT) para el razonamiento guiado y Actuar (Reason+Act) para habilitar a los agentes a planificar y tomar acciones.
• Aplicación de Instrucciones CoT y ReACT con Python
Ofrece práctica práctica implementando tanto las instrucciones CoT como ReAct para resolver un problema de análisis minorista.
• Refinamiento de Instrucciones de Generación
Explica la teoría de refinar sistemáticamente las instrucciones de generación modificando componentes como Rol, Tarea, Contexto, Ejemplos y Formato de Salida.
• Aplicación del Refinamiento de Instrucciones de Generación con Python
Ofrece práctica práctica refinando iterativamente una instrucción para transformar un analizador de recetas genérico en un consultor dietético preciso que produzca JSON estructurado.
• Encadenamiento de Instrucciones para Razonamiento Agente
Explica el marco conceptual para construir flujos de trabajo de IA de múltiples pasos vinculando la salida de una instrucción con la entrada de la siguiente, y la importancia de la validación.
• Encadenamiento de Instrucciones con Python
Ofrece práctica práctica implementando una cadena de instrucciones de tres etapas con verificaciones de puerta basadas en Pydantic para automatizar un proceso de triaje de reclamos de seguros.
• Bucles de Retroalimentación en Modelos de Lenguaje a Gran Escala
Explica el marco conceptual para construir sistemas de auto-mejora donde un agente use la retroalimentación de sus propias acciones para refinar iterativamente su resultado.
• Implementación de Bucles de Retroalimentación en LLM con Python
Ofrece práctica práctica construyendo un bucle de retroalimentación automatizado donde una IA genera código Python, lo prueba con un conjunto de pruebas unitarias, y usa los resultados de las pruebas como retroalimentación para depurarse.
• ¡Felicitaciones!
Revisión del curso
• Proyecto: Planificador de Viajes de AgentsVille: Un Sistema de Asistente de Viajes Multi-Agente
En este proyecto, construirás un sistema de asistente de viajes agente, el "Planificador de Viajes de AgentsVille".

---

Impartido por

Brian Cruz

---

Materias

Computer Science