La Guía del Autoestopista para la IA Agentiva: De los Fundamentos a los Sistemas

Resumen

La Guía del Autoestopista para la IA Agentiva es una referencia práctica integral para construir sistemas autónomos de inteligencia artificial. El libro abarca toda la pila, desde primeros principios hasta el despliegue en producción, organizado en torno a una tesis central: construir sistemas agentivos excelentes requiere comprender cada capa del pipeline, no solo una. El libro comienza con el sustrato de LLM —arquitectura transformer, sistemas de GPU, entrenamiento y ajuste fino (SFT, LoRA, MoE), compresión de modelos y optimización de inferencia— tratados como fundamentos esenciales, no como el foco principal. Luego desarrolla la capa de alineación y razonamiento: aprendizaje por refuerzo a partir de retroalimentación humana (RLHF), PPO, DPO y sus variantes, GRPO, modelado de recompensas y RL para modelos de razonamiento a gran escala, incluyendo cadena de pensamiento y escalado en tiempo de prueba. La segunda mitad está dedicada propiamente a la IA agentiva. Los temas incluyen entrenamiento agentivo y RL basado en trayectorias, generación aumentada por recuperación (RAG y RAG Agentivo), sistemas de memoria (en contexto, externa, episódica y semántica), diseño de arneses de agente y gestión de contexto, y una taxonomía de patrones de diseño de agentes. La coordinación entre agentes se cubre en profundidad: el Protocolo de Contexto de Modelo (MCP), habilidades de agente y uso de herramientas, el protocolo de comunicación Agente a Agente (A2A) y arquitecturas multiagente que abarcan topologías centralizadas, descentralizadas y jerárquicas. El libro concluye con marcos de desarrollo de agentes, diseño de interfaz de usuario agentiva, metodología de evaluación para tareas agentivas y despliegue en producción. Cada capítulo combina fundamentos teóricos rigurosos con guías de implementación, ejemplos de código y referencias a la literatura primaria.

English

The Hitchhiker's Guide to Agentic AI is a comprehensive practitioner's reference for building autonomous AI systems. The book covers the full stack from first principles to production deployment, organized around a central thesis: building great agentic systems requires understanding every layer of the pipeline, not just one. The book opens with the LLM substrate -- transformer architecture, GPU systems, training and fine-tuning (SFT,LoRA, MoE), model compression, and inference optimization -- treated as essential foundations rather than the primary focus. It then develops the alignment and reasoning layer: reinforcement learning from human feedback (RLHF), PPO, DPO and its variants, GRPO, reward modeling, and RL for large reasoning models including chain-of-thought and test-time scaling. The second half is devoted to agentic AI proper. Topics include agentic training and trajectory-based RL, retrieval-augmented generation (RAG and Agentic RAG), memory systems (in-context, external, episodic, and semantic), agent harness design and context management, and a taxonomy of agent design patterns. Inter-agent coordination is covered in depth: the Model Context Protocol (MCP), agent skills and tool use, the Agent-to-Agent (A2A) communication protocol, and multi-agent architectures spanning centralized, decentralized, and hierarchical topologies. The book concludes with agent development frameworks, agentic UI design, evaluation methodology for agentic tasks, and production deployment. Each chapter pairs rigorous theoretical foundations with implementation guidance, code examples, and references to the primary literature.