Repositorio hermano de Programming-Logic-Agentic-AI-Development, Probability-Statistics-Agentic-AI-Core y Antigravity-Nano-Research-Multiagentic-Core.
El fin de este curso es U3: construir y desplegar sistemas multiagente de producción. Todo lo anterior es fundamento, no destino:
- U0 (matemática) no enseña matemática por sí misma — muestra cómo esas herramientas (álgebra lineal, cálculo, probabilidad, información) se ensamblan hoy dentro de los sistemas de IA reales que el resto del curso construye y despliega.
- U1-U2 (ML clásico, IA aplicada) ya no son el punto de llegada que fueron en la IA de hace una década. Entrenar un árbol de decisión, ajustar hiperparámetros, elegir entre optimización bayesiana o grid search: son tareas que hoy un agente puede orquestar y decidir por sí mismo — un sistema multiagente moderno usa modelos clásicos como una herramienta más dentro de su Harness (ver U1), no como el producto final del ingeniero. U1-U2 dan el vocabulario y el criterio de decisión que ese agente necesita para tomar esas mismas decisiones — se aprenden porque hay que saber evaluarlas, no porque construir un clasificador sea ya el trabajo central de quien diseña sistemas de IA en 2026.
- U3 (Sistemas Multi-Agente) es donde el curso llega a su tema real: no
un modelo aislado, sino varios agentes (o un agente con herramientas y
memoria persistente) coordinados para resolver tareas — el 80% de la
práctica ejecutable del curso vive aquí (337 celdas de código real en
notebooks/practica_u3/, más que el resto de las unidades juntas). - U4 mira hacia adelante: qué pasa cuando el propio agente cambia su comportamiento con el tiempo, en vez de ejecutar una política fija.
Cubre los fundamentos genéricos de IA/ML/Sistemas Multi-Agente que antes vivían mezclados con contenido de nanotecnología en Antigravity-Nano. Antigravity-Nano depende de este repo como prerequisito curricular para sus propias unidades aplicadas.
Ver docs/superpowers/specs/ para el diseño completo de esta separación.
El proyecto usa su propio entorno conda sys_agents, con Python 3.11 —
independiente del ia_nano de Antigravity-Nano-Research-Multiagentic-Core.
Cada repo evoluciona sus propias dependencias (este repo es genérico de
IA/ML/Sistemas Multi-Agente; Antigravity-Nano es específico de
nanotecnología), así que no comparten entorno pese a ser repos hermanos.
conda env create -f environment.ymlo, si el entorno ya existe:
conda env update -f environment.ymlconda activate sys_agentspip install -e ".[dev]"pytest tests/ -v --tb=shortPúblico objetivo: este curso no es para quien está aprendiendo bases de matemáticas por primera vez (a diferencia de LP, U1-U3 de primer semestre). Está pensado para quien ya sabe álgebra lineal, cálculo multivariable y probabilidad y quiere aprender a construir sistemas multiagente de calidad — aplicables después a nanotecnología (Antigravity-Nano) o a cualquier otro dominio.
El contenido pedagógico en lecciones/ cubre 5 unidades (U0-U4). U0-U3 son
práctica estandarizada (fundamentos y patrones ya consolidados en la
industria); U4 es Línea de Investigación (contenido de frontera, sin el
mismo nivel de estandarización de producción que U0-U3).
| Unidad | Título | Tipo |
|---|---|---|
| U0 | Fundamentos Matemáticos | Práctica estandarizada |
| U1 | ML Fundamentals | Práctica estandarizada |
| U2 | IA Aplicada Genérica | Práctica estandarizada |
| U3 | Sistemas Multi-Agente (teoría + práctica) | Práctica estandarizada |
| U4 | Sistemas Agénticos Adaptativos | Línea de Investigación |
La práctica de U3 vive en notebooks/practica_u3/ (8 notebooks, ver
sección "Notebooks de Práctica" de lecciones/UNIDAD_3_SISTEMAS_MULTI_AGENTE.md)
e instala con pip install -e ".[practica-u3]".
El orden es estrictamente secuencial (U0→U4), pero dos capas de información quedaban solo en prosa dispersa: dónde cambia el registro (nivel de formalismo esperado del lector) y qué vocabulario/conceptos concretos reaparecen explícitamente de una unidad a otra.
graph LR
U0["U0: Fundamentos Matemáticos<br/>(nivel: posgrado — EMALCA)"]
U1["U1: ML Fundamentals<br/>(nivel: ingeniería de software, desde cero)"]
U2["U2: IA Aplicada Genérica"]
U3["U3: Sistemas Multi-Agente"]
U4["U4: Sistemas Adaptativos<br/>(Línea de Investigación)"]
U0 -->|"⚠️ cambio de registro<br/>(ver nota de cierre en U0)"| U1
U1 --> U2 --> U3 --> U4
U0 -."Causalidad / DAG causal<br/>(Cap. 5)".-> U3
U1 -."Harness: Tools, Memory, Guardrails".-> U3
U1 -."Harness: Memory".-> U4
U1 -."Anatomía del Agente".-> U2
style U0 fill:#e8d5f5,stroke:#8855aa
style U1 fill:#ffe0e0,stroke:#cc6666
style U4 fill:#fff4cc,stroke:#ccaa33
- U0→U1 es la única transición con cambio de nivel de audiencia (de formalismo matemático de posgrado a ingeniería de software introductoria) — reconocido explícitamente en la sección "Antes de continuar: un cambio deliberado de registro" al cierre de U0, para que el lector re-calibre expectativas en vez de sentir un salto sin explicación.
- Harness (Modelo + Harness: Tools, Memory, Guardrails — definido en U1) es el hilo conductor más largo del curso: reaparece explícitamente al organizar los 3 vectores de ataque de la sección de Seguridad en U3 (tool misuse ataca Tools, memory poisoning ataca Memory), y otra vez en U4 al discutir por qué un agente que aprende agrava el riesgo de memory poisoning sobre su propio componente Memory.
- Causalidad / DAG causal (Capítulo 5 de U0) es la segunda conexión diferida más larga: se retoma explícitamente en la fase de Evaluación de U3, para distinguir causa de correlación al depurar fallos en un sistema multiagente.
src/multiagent_core/ # Agentes Python (ver docs/superpowers/specs/)
tests/ # Suite de tests (pytest)
lecciones/ # Contenido pedagógico en Markdown (Sub-proyecto 3)
notebooks/ # Notebooks generados desde lecciones/ (no editar a mano)
docs/superpowers/ # Specs de diseño de este repo