Currículo abierto · edición verificadaContribuir en GitHub
LLM EngineerClub
BuscarENClub Quiz

RUTA DE APRENDIZAJE

Ruta profesional de LLM Engineering

No necesitas completar todo para obtener valor. Empieza por el diagnóstico, repara las competencias débiles y conserva evidencia de cada hito.

Hacer diagnósticoVer plan académico
01

MÓDULO 1 · 0.5 ECTS

Fundamentos de LLMs y APIs

15–18 horas

Transformer, tokenización, generación, modelos actuales y clientes multi-proveedor.

Evidencia de salida

Cliente multi-proveedor con tokens, latencia, errores y metadatos observables.

Prerrequisitos

Ninguno

Contenido12 recursos
  1. Módulo I — Fundamentos de LLMs y APIs (0,5 ECTS)Mapa del módulo · 3 min
  2. Arquitectura Transformer: encoder, decoder y atención multi-cabezaLección · 10 min
  3. Tokenización: BPE, WordPiece y comparativa entre modelosLección · 8 min
  4. Parámetros de generación: temperature, top_p, top_k y penaltiesLección · 8 min
  5. Panorámica actual: GPT-5.6, Claude 5, Gemini 3.x, Llama 4 y MistralLección · 9 min
  6. Servicios de IA en AWS: Bedrock, SageMaker JumpStart y Amazon QLección · 6 min
  7. Lab 01 — Primera llamada a OpenAI con Responses APILaboratorio · 20 min
  8. Lab 02 — Primera llamada a la API de Anthropic (Claude)Laboratorio · 20 min
  9. Lab 03 — Tokenización comparada con tiktokenLaboratorio · 20 min
  10. Lab 04 — Barrido de temperature y top_p sobre un mismo promptLaboratorio · 20 min
  11. Lab 05 — Inferencia multi-modelo con Amazon Bedrock Converse APILaboratorio · 20 min
  12. Ejercicios — Módulo IEjercicios · 3 min
02

MÓDULO 2 · 1.5 ECTS

Prompt engineering avanzado

38–45 horas

Prompts como software: tools, structured outputs, evaluación, versionado y mitigación.

Evidencia de salida

Pipeline de evaluación de prompts con dataset, A/B y regresión en CI.

Prerrequisitos

Fundamentos

Contenido16 recursos
  1. Módulo II — Prompt engineering avanzado (1,5 ECTS)Mapa del módulo · 3 min
  2. 01 — Técnicas base: zero-shot, few-shot, chain-of-thought y self-consistencyLección · 8 min
  3. 02 — Prompts de sistema, roles y delimitación de contextoLección · 6 min
  4. 03 — Function calling / tool use en OpenAI y AnthropicLección · 6 min
  5. 04 — Structured outputs: JSON mode, response_format, Pydantic e InstructorLección · 6 min
  6. 05 — Evaluación de prompts: datasets de test, LLM-as-judge y A/B testingLección · 7 min
  7. 06 — Versionado y gestión de promptsLección · 5 min
  8. 07 — Sesgos y alucinaciones: detectar, medir y mitigarLección · 7 min
  9. Lab 01 — Comparar zero-shot y few-shot sobre los mismos casosLaboratorio · 20 min
  10. Lab 02 — Razonamiento privado y self-consistency con voto mayoritarioLaboratorio · 20 min
  11. Lab 03 — Bucle completo de function calling con OpenAI Responses APILaboratorio · 20 min
  12. Lab 04 — Bucle completo de tool use con Anthropic Messages APILaboratorio · 20 min
  13. Lab 05 — Structured Outputs nativo e Instructor con PydanticLaboratorio · 20 min
  14. Lab 06 — Pipeline reproducible de evaluación de prompts sobre un datasetLaboratorio · 20 min
  15. Lab 07 — Comparación estadística pareada de dos promptsLaboratorio · 20 min
  16. Ejercicios — Módulo IIEjercicios · 3 min
03

MÓDULO 3 · 2 ECTS

RAG systems y evaluación

50–60 horas

Ingesta, embeddings, vector stores, chunking, reranking, grounding y RAGAS.

Evidencia de salida

Aplicación RAG con citas, abstención y evaluación automatizada.

Prerrequisitos

Fundamentos · Prompt systems

Contenido23 recursos
  1. Módulo 3 — RAG systems y evaluación (2 ECTS · 55 h)Mapa del módulo · 3 min
  2. 01 — Arquitectura RAG: ingestion, embedding, indexado y retrievalLección · 6 min
  3. 02 — Embeddings y bases de datos vectorialesLección · 7 min
  4. 03 — Estrategias de chunkingLección · 6 min
  5. 04 — Reranking: cross-encoders, Cohere Rerank y ColBERTLección · 5 min
  6. 05 — RAG avanzado: HyDE, multi-query, Self-RAG y CRAGLección · 6 min
  7. 06 — Amazon Bedrock Knowledge Bases: RAG gestionado en AWSLección · 5 min
  8. 07 — Evaluación de RAG con RAGASLección · 6 min
  9. 08 — Alucinaciones en RAG: diagnóstico y mitigaciónLección · 6 min
  10. Lab 01 — Similitud semántica con embeddings localesLaboratorio · 20 min
  11. Lab 02 — RAG mínimo con retrieval, contexto con IDs y generación opcionalLaboratorio · 20 min
  12. Lab 03 — Comparar chunking con una métrica de retrievalLaboratorio · 20 min
  13. Lab 04 — Recuperación en dos etapas: candidatos baratos y reranking precisoLaboratorio · 20 min
  14. Lab 05 — RAG avanzado con multi-query, HyDE y Reciprocal Rank FusionLaboratorio · 20 min
  15. Lab 06 — Evaluación por capas: retrieval determinista y RAGAS 0.4.xLaboratorio · 20 min
  16. Ejercicios — Módulo IIIEjercicios · 4 min
  17. Proyecto del módulo — NebulaOps Knowledge AssistantProyecto · 2 min
  18. Facturación y pagosRecurso · 3 min
  19. Handbook de operacionesRecurso · 3 min
  20. Preguntas frecuentesRecurso · 2 min
  21. Producto, planes y límitesRecurso · 3 min
  22. Runbook de incidentesRecurso · 3 min
  23. Seguridad de cuentasRecurso · 3 min
04

MÓDULO 4 · 2 ECTS

AI Agents y orquestación

50–60 horas

Patrones agentic, LangGraph, MCP, tool use, multi-agente, memoria y evaluación.

Evidencia de salida

Sistema multi-agente con servidor MCP, trazas y recuperación de fallos.

Prerrequisitos

Fundamentos · Prompt systems

Contenido18 recursos
  1. Módulo IV — AI Agents y orquestación (2 ECTS)Mapa del módulo · 3 min
  2. 01 — Patrones de agentes: ReAct, plan-execute, reflection, self-critiqueLección · 7 min
  3. 02 — LangGraph: grafos de estado, ciclos, condicionales y checkpointsLección · 7 min
  4. 03 — Model Context Protocol (MCP): arquitectura y desarrollo de servidoresLección · 6 min
  5. 04 — Tool use avanzado: diseño de herramientas, manejo de errores, idempotenciaLección · 6 min
  6. 05 — Sistemas multi-agente: coordinación, supervisores, comunicaciónLección · 6 min
  7. 06 — Memoria de agentes: trabajo, episódica y semánticaLección · 5 min
  8. 07 — Agents for Amazon BedrockLección · 5 min
  9. 08 — Evaluación de agentes: resultado, trayectoria, coste y seguridadLección · 5 min
  10. 09 — Alignment y fine-tuning: SFT, RLHF, RLAIF y Constitutional AILección · 6 min
  11. Lab 01 — Bucle ReAct desde cero, con tools tipadas y límite de pasosLaboratorio · 20 min
  12. Lab 02 — Primer grafo de estado con LangGraph 1.2.x, totalmente offlineLaboratorio · 20 min
  13. Lab 03 — Ciclo acotado y aristas condicionales en LangGraphLaboratorio · 20 min
  14. Lab 04 — Threads, checkpoints e historial con InMemorySaverLaboratorio · 20 min
  15. Lab 05 — Servidor MCP 2.x de notas, pequeño pero completoLaboratorio · 20 min
  16. Lab 06 — Supervisor multi-agente con handoffs explícitos en LangGraphLaboratorio · 20 min
  17. Lab 07 — Memoria de trabajo, episódica y semántica con aislamiento y olvidoLaboratorio · 20 min
  18. Ejercicios — Módulo IVEjercicios · 3 min
05

MÓDULO 5 · 2 ECTS

LLMOps, producción y Responsible AI

50–60 horas

Observabilidad, eval continua, costes, despliegue, seguridad, safety y gobierno.

Evidencia de salida

Sistema desplegado con SLOs, costes, evals y runbook operativo.

Prerrequisitos

RAG · Agentes

Contenido19 recursos
  1. Módulo V — LLMOps, producción y Responsible AI (2 ECTS)Mapa del módulo · 3 min
  2. Observabilidad LLM: trazas, spans, métricas y alertasLección · 7 min
  3. Evaluación continua: pipelines de eval y regression testing en CILección · 7 min
  4. Optimización de costes: caching semántico, model routing y batchingLección · 7 min
  5. Docker para LLMs: contenedores, multi-stage builds y optimización de imágenesLección · 6 min
  6. Despliegue de LLMs open-source: vLLM, Ollama y Triton Inference ServerLección · 6 min
  7. 06 — Despliegue y monitorización en AWSLección · 6 min
  8. 07 — Responsible AI: de principios a controles mediblesLección · 5 min
  9. 08 — Seguridad y governance de sistemas LLMLección · 5 min
  10. 09 — Safety en producción: políticas, guardrails y respuestaLección · 5 min
  11. Lab 01 — Trazas manuales JSONL sin framework ni datos sensiblesLaboratorio · 20 min
  12. Lab 02 — La misma cadena instrumentada con LangSmithLaboratorio · 20 min
  13. Lab 03 — Cache semántico con aislamiento, versionado, TTL y umbral calibrableLaboratorio · 20 min
  14. Lab 04 — Model routing auditable entre GPT-5.6 Luna, Terra y SolLaboratorio · 20 min
  15. Lab 05 — Gate de regresión determinista para CILaboratorio · 20 min
  16. Lab 06 — Descubrimiento e inferencia local con la API nativa de OllamaLaboratorio · 20 min
  17. Lab 07 — Prompt injection: medir ataques y aplicar controles por capasLaboratorio · 20 min
  18. Ejercicios — Módulo VEjercicios · 3 min
  19. Lab Docker — API LLMOps endurecida y observableRecurso · 2 min
06

MÓDULO 6 · 2 ECTS

Capstone de producción

47–57 horas

Proyecto integral, portfolio técnico, despliegue, defensa y preparación final.

Evidencia de salida

Sistema defendible en entrevista con arquitectura, métricas, costes y demo.

Prerrequisitos

RAG · Agentes · LLMOps

Contenido11 recursos
  1. Módulo VI — Proyecto final / Capstone (2 ECTS)Mapa del módulo · 6 min
  2. Propuestas de proyectoProyecto · 8 min
  3. Guía del pipeline RAG del capstoneProyecto · 6 min
  4. Guía del agente autónomoProyecto · 6 min
  5. Guía de despliegue en cloudProyecto · 7 min
  6. Guía LLMOps del capstoneProyecto · 5 min
  7. Plantilla de análisis de costesProyecto · 4 min
  8. Guía de demo y defensa técnicaProyecto · 5 min
  9. Checklist final del capstoneProyecto · 5 min
  10. Documento de arquitectura — [Nombre del proyecto]Proyecto · 5 min
  11. Plantilla de ADR (Architecture Decision Record)Proyecto · 3 min

MAPA DE COMPETENCIAS

Qué debes poder demostrar

Una competencia solo cuenta cuando existe un artefacto revisable. Estas son las ocho señales que componen el pasaporte profesional.

01

Fundamentos y modelos

Explicar transformers, tokenización, inferencia y selección de modelos con sus trade-offs.

Evidencia

Comparativa ejecutable y decisión de modelo sustentada por una evaluación.

02

Prompt systems

Tratar prompts, esquemas y tools como contratos versionados y evaluables.

Evidencia

Dataset de regresión y pipeline A/B con criterios explícitos.

03

RAG y retrieval

Diseñar ingesta, chunking, búsqueda, reranking, grounding y evaluación de RAG.

Evidencia

RAG medido con casos respondibles y no respondibles, citas y métricas de retrieval.

04

Agentes y MCP

Construir grafos, herramientas, memoria y recuperación de errores sin perder control.

Evidencia

Agente con tres herramientas, trazas, idempotencia y casos negativos.

05

Evaluación

Separar calidad de modelo, retrieval y aplicación mediante evals reproducibles.

Evidencia

Suite de regresión con baseline, rúbrica, muestras fallidas y criterio de aceptación.

06

LLMOps

Observar latencia, coste, calidad, seguridad y cambios de distribución en producción.

Evidencia

Dashboard operativo, alertas y runbook de incidente.

07

Safety y governance

Modelar amenazas, limitar herramientas y aplicar privacidad, guardrails y auditoría.

Evidencia

Threat model, prueba de prompt injection y controles verificables.

08

Arquitectura de producto

Tomar decisiones de build vs buy, coste, fiabilidad y experiencia de usuario.

Evidencia

ADRs, análisis de costes y defensa técnica del capstone.

Cómo funciona tu progreso

Las marcas se guardan en localStorage y se comparten entre ES y EN mediante la ruta canónica del recurso. Puedes exportarlas cuando quieras. La web nunca necesita una cuenta.

Ver privacidad y exportación