Lecciones · Programación · principiante · Tech With Tim

Construye un agente de IA desde cero en Python: tutorial para principiantes

El vídeo «Build an AI Agent From Scratch in Python - Tutorial for Beginners» de Tech With Tim convertido en 9 lecciones, con la idea explicada, el código de la pantalla, pasos para probar en la terminal de práctica, problemas de práctica con soluciones y un test que te lleva al momento exacto.

9lecciones
17fragmentos de código
24ejercicios
31preguntas
34min de vídeo
Abrir las lecciones →Ahora todas las lecciones son gratis

También en: English · Türkçe

El vídeo está en inglés. En el reproductor de YouTube, activa los subtítulos y elige Traducir automáticamente → Español.

Build an AI Agent From Scratch in Python - Tutorial for Beginners, video by Tech With Tim▶ 34:19 · Tech With Tim
123456789
0:009 lecciones a lo largo de todo el vídeo34:19

Sabrás

  • Crea un entorno virtual de Python e instala las dependencias de LangChain desde un archivo de requisitos
  • Conecta un modelo de chat de OpenAI o Anthropic usando claves de API guardadas en un archivo .env
  • Define un esquema de Pydantic y un parser para que el LLM devuelva una salida estructurada y predecible
  • Crea un agente que usa herramientas con un AgentExecutor y ejecútalo a partir de lo que escribe el usuario
  • Envuelve una búsqueda en DuckDuckGo, una consulta a Wikipedia y una función personalizada de Python como herramientas del agente
  • Gestiona los errores de parseo y guarda los resultados estructurados del agente en un archivo de texto

Conviene saber antes

  • Python 3.10 o más reciente instalado, con sintaxis básica de Python como clases y funciones
  • Comodidad para ejecutar comandos en la terminal y usar un editor de código como VS Code
  • Comprensión básica de qué es una API de LLM y cómo llamarla
  • Una cuenta de OpenAI o Anthropic con una clave de API

Temario

9 lecciones y un proyecto final

  1. 1

    Demostración del asistente de investigación terminado

    0:00–1:352 min de vídeo

    Aquí ves el asistente de investigación con IA terminado ejecutándose desde la terminal: escribes un tema, el agente busca en Wikipedia, guarda un resumen en un archivo e imprime un informe estructurado. Esta lección muestra lo que hace el agente terminado para que conozcas la meta antes de construirlo.

    4 pasos de construcción3 ejercicios4 preguntas
  2. 2

    Crear la carpeta del proyecto y el entorno virtual

    1:35–6:555 min de vídeo

    Vas a crear una carpeta para el proyecto, enumerar los paquetes de Python que necesita el agente en un archivo requirements.txt y configurar un entorno virtual (venv) aislado en el que instalarlos. Al final, tu terminal mostrará el prefijo (venv) y los paquetes estarán instalados.

    5 de código5 pasos de construcción3 ejercicios3 preguntas
  3. 3

    Elegir un LLM y cargar las claves de API

    6:55–12:306 min de vídeo

    Vas a configurar main.py para crear un modelo de lenguaje (el de OpenAI o el Claude de Anthropic), guardar tu clave de API secreta de forma segura en un archivo .env y hacer una primera llamada de prueba. El capítulo muestra cómo se conecta cada pieza para que tu agente pueda hablar con un modelo de IA.

    2 de código5 pasos de construcción3 ejercicios3 preguntas
  4. 4

    Definir un esquema de Pydantic y una plantilla de prompt

    12:30–16:404 min de vídeo

    Vas a definir una clase de Pydantic que describe la forma de la respuesta que quieres obtener del LLM, y crear una plantilla de prompt que indique al modelo que siga esa forma. Juntas hacen que la salida del modelo sea lo bastante predecible como para que tu código la use como un objeto normal de Python.

    1 de código4 pasos de construcción3 ejercicios3 preguntas
  5. 5

    Crear el agente con herramientas de llamada y el ejecutor

    16:40–20:574 min de vídeo

    Vas a completar las instrucciones de formato del prompt con partial(), construir un agente de llamada a herramientas con create_tool_calling_agent y ejecutarlo mediante un AgentExecutor para obtener una respuesta sin procesar. Este es el punto en el que las piezas anteriores (LLM, parser, prompt) se convierten en un agente que funciona.

    1 de código5 pasos de construcción2 ejercicios4 preguntas
  6. 6

    Parsing agent output and handling errors

    20:57–23:373 min de vídeo

    You will pull the text out of the agent's raw response, turn it into a typed Python object with a parser, and wrap that step in try/except so a bad model reply produces a readable error instead of a crash. You will then read fields like topic straight off the result.

    2 de código3 pasos de construcción4 ejercicios3 preguntas
  7. 7

    Giving your agent a search tool (DuckDuckGo)

    23:37–28:535 min de vídeo

    You will learn what a tool is for an AI agent and how to wrap a free DuckDuckGo search as a named, described Tool the agent can call. You will then hand that tool to the agent and ask it a question that needs live web search.

    2 de código4 pasos de construcción2 ejercicios4 preguntas
  8. 8

    Añadir la herramienta de Wikipedia a tu agente

    28:53–30:552 min de vídeo

    Aprenderás a crear una herramienta de Wikipedia con WikipediaAPIWrapper y WikipediaQueryRun, a configurar cuánto devuelve y a añadirla a la lista de tools del agente. También verás cómo el agente elige entre la herramienta de búsqueda y la de Wikipedia.

    2 de código5 pasos de construcción2 ejercicios3 preguntas
  9. 9

    Escribir una herramienta personalizada para guardar en un archivo

    30:55–34:193 min de vídeo

    Aprenderás que cualquier función normal de Python puede convertirse en una herramienta que un agente puede llamar, con tipos en sus parámetros y envolviéndola con un nombre y una descripción. Después le darás al agente la nueva herramienta de guardado y lo verás investigar un tema y escribir el resultado en un archivo.

    2 de código5 pasos de construcción2 ejercicios4 preguntas

Proyecto final

Construye tu propio agente asistente de investigación

Construye desde cero un asistente de investigación para la terminal. Recibe un tema, usa una herramienta de búsqueda web, una herramienta de Wikipedia y una herramienta personalizada para guardar en un archivo, e imprime un informe estructurado. Esto reúne la configuración del entorno, la conexión con el LLM, el análisis con Pydantic, las herramientas y el manejo de errores del curso.

Vista previa gratis · La lección 1 completa

Demostración del asistente de investigación terminado

Aquí ves el asistente de investigación con IA terminado ejecutándose desde la terminal: escribes un tema, el agente busca en Wikipedia, guarda un resumen en un archivo e imprime un informe estructurado. Esta lección muestra lo que hace el agente terminado para que conozcas la meta antes de construirlo.

0:00 hasta 1:35 en el vídeo

Terminal de práctica

Escribe los comandos de la lección, rompe cosas y descubre por qué.

Bloc de notas

Dibuja y escribe junto al vídeo.

La idea

Este capítulo es una vista previa. Tech With Tim muestra el proyecto terminado antes de construirlo, para que sepas hacia dónde vas. El proyecto es un asistente de investigación: un programa que recibe una pregunta tuya, va a buscar información y te devuelve una respuesta organizada.

El programa empieza preguntando: What should I research? Escribes una petición en lenguaje sencillo, por ejemplo: Tell me about LangChain and its applications and save it to a file. La petición no nombra ninguna herramienta. El agente tiene que decidir por sí mismo qué herramientas usar.

Mientras trabaja, la terminal muestra los pasos del agente. La línea Entering new AgentExecutor chain... indica que el agente ha empezado. Después imprime Invoking: wikipedia con una consulta, lo que significa que ha elegido la herramienta de Wikipedia y le ha dado un término de búsqueda, como LangChain framework. Más tarde llama a saveTextToFile para escribir el resultado en el disco. También puedes desactivar esta vista paso a paso si solo quieres la respuesta final.

La salida final es estructurada. Tiene un Topic (tema), un Summary (resumen), las Sources (fuentes) que usó y las Tools Used (herramientas usadas). El video también muestra que aparece en la carpeta del proyecto un archivo llamado research_output.txt. Contiene el texto de la investigación, una marca de tiempo y el contenido, así que el resultado queda guardado para más adelante.

La idea clave es esta: un agente es un modelo de lenguaje (como Claude o GPT) que puede llamar a las herramientas que le das, leer sus resultados y seguir avanzando hasta tener una respuesta. La demo es pequeña, pero el mismo patrón puede servir para muchas más herramientas.

Puntos clave

  • El agente toma una petición en lenguaje sencillo y decide por sí mismo qué herramientas usar. 0:26
  • Invoking: wikipedia muestra al agente llamando a una herramienta con una consulta de búsqueda. 0:48
  • La respuesta final es estructurada: Topic, Summary, Sources y Tools Used. 1:06
  • El agente también guarda su resultado en un archivo de texto con una marca de tiempo, usando una herramienta personalizada saveTextToFile. 1:12
  • Una herramienta es una función que le das al modelo; el modelo decide cuándo y cómo llamarla. 1:30

Palabras clave

Agente de IA
Un modelo de lenguaje que puede llamar a herramientas, leer sus resultados y seguir avanzando hasta tener una respuesta.
Herramienta
Una función que le das al modelo, como una búsqueda en Wikipedia o una función para guardar en un archivo.
Modelo de lenguaje
La IA (por ejemplo Claude o GPT) que entiende tu petición y decide qué hacer.
Consulta
El texto de búsqueda que el agente envía a una herramienta, como LangChain framework.

Construye a la vez en la terminal de práctica

  1. Abre una terminal en la carpeta de tu proyecto (la carpeta que contiene main.py) y ejecuta el programa con python main.py. 
    $ python main.py
What should I research?
    Deberías ver: El programa te pregunta qué quieres investigar y espera tu texto.
  2. Escribe una petición de investigación y pulsa Enter. Pide que se guarde un archivo para que se use la herramienta de guardado. Deberías ver: El agente empieza a trabajar e imprime su primer paso.
  3. Fíjate en la línea Invoking que nombra una herramienta, como wikipedia, y lee la consulta que envía. Deberías ver: Puedes ver qué herramienta eligió el agente y qué buscó.
  4. Cuando la cadena termina, lee el informe estructurado: Topic, Summary, Sources y Tools Used. Deberías ver: Obtienes un informe claro y aparece un archivo research_output.txt en la carpeta de tu proyecto.

Práctica

Explica Solución comprobada

Con tus propias palabras, explica qué hace un agente de IA que una respuesta de un chatbot normal no hace.

Pista

Piensa en las herramientas: ¿qué puede hacer el agente por sí mismo que un modelo que responde desde su memoria no puede?

Solución
  1. Un modelo normal responde con lo que ya sabe.
  2. Un agente puede llamar a herramientas (como una búsqueda en Wikipedia o una función para guardar un archivo) durante su trabajo.
  3. Lee los resultados de las herramientas y decide el siguiente paso hasta poder dar una respuesta final.

Un agente puede llamar a herramientas como buscar en Wikipedia o guardar un archivo, leer los resultados y decidir qué hacer después, mientras que un chatbot normal solo responde con su propio conocimiento.

Explica Solución comprobada

En la terminal aparece esta línea: Invoking: `wikipedia` with `{'query': 'Alan Turing'}`. ¿Qué herramienta eligió el agente y qué buscó?

Pista

La palabra después de Invoking es la herramienta. La consulta es el texto que le envía a esa herramienta.

Solución
  1. Invoking significa que el agente está llamando a una herramienta.
  2. El nombre que aparece justo después de Invoking es wikipedia, así que esa es la herramienta.
  3. El valor de la consulta es Alan Turing, así que ese es el término de búsqueda.

Eligió la herramienta wikipedia y buscó Alan Turing.

Explica Solución comprobada

Escribes: Tell me about black holes and save it to a file. La petición no nombra ninguna herramienta. ¿Qué dos herramientas de la demo necesitaría el agente y por qué?

Pista

Una herramienta busca información. La otra guarda el resultado.

Solución
  1. Encontrar datos sobre los agujeros negros necesita una herramienta de búsqueda: wikipedia.
  2. Guardar el resultado en un archivo necesita la herramienta saveTextToFile.
  3. El agente lo decide por sí mismo a partir de la petición; tú no nombras las herramientas.

wikipedia (para buscar información sobre los agujeros negros) y saveTextToFile (para guardar el resultado en un archivo).

En tu bloc de notas

Dibuja un diagrama sencillo en cajas: Tú (pregunta) -> Agente (modelo de lenguaje) -> Herramientas (Wikipedia, guardar archivo) -> Informe final. Etiqueta las flechas con lo que pasa por cada una.

Test

  1. ¿Qué muestra la línea 'Invoking: wikipedia with {query: LangChain framework}'?

    1. El agente ha terminado y está cerrando el programa
    2. El agente eligió la herramienta de Wikipedia y le envió una consulta de búsqueda
    3. El archivo research_output.txt ha sido borrado
    4. El modelo de lenguaje se ha bloqueado
    Mostrar la respuesta

    B. El agente eligió la herramienta de Wikipedia y le envió una consulta de búsqueda · Invoking significa que el agente llamó a una herramienta. Aquí llamó a wikipedia con la consulta LangChain framework.

    0:53 ver el momento

  2. ¿Cuál de estas cosas forma parte de la salida estructurada final en la demo?

    1. A Topic, Summary, Sources y Tools Used
    2. Una lista de versiones de paquetes de Python
    3. El código fuente de main.py
    4. Una gráfica de los tiempos de respuesta
    Mostrar la respuesta

    A. A Topic, Summary, Sources y Tools Used · El informe final tiene un Topic (tema), un Summary (resumen), las Sources (fuentes) que utilizó y las Tools Used (herramientas utilizadas).

    1:06 ver el momento

  3. ¿Dónde termina la investigación guardada?

    1. Solo en el historial de la terminal, que después se pierde
    2. En un archivo de texto, research_output.txt, en la carpeta del proyecto
    3. En un servidor remoto propiedad del autor del vídeo
    4. Solo en la memoria del intérprete de Python
    Mostrar la respuesta

    B. En un archivo de texto, research_output.txt, en la carpeta del proyecto · La herramienta saveTextToFile escribe el contenido, con la marca de tiempo incluida, en research_output.txt, dentro de la carpeta del proyecto.

    1:12 ver el momento

  4. En esta lección, ¿qué es una herramienta?

    1. Una función que le das al modelo y que el modelo elige cuándo llamar
    2. Un botón de la terminal que tú pulsas manualmente
    3. Un tipo de mensaje de error de Python
    4. El archivo de texto donde se guarda la respuesta
    Mostrar la respuesta

    A. Una función que le das al modelo y que el modelo elige cuándo llamar · Una herramienta es una función que el agente puede llamar, como una búsqueda en Wikipedia o guardar en un archivo. El modelo decide cuándo y cómo usarla.

    1:30 ver el momento

Abrir la lección 1, con el vídeo →

Hecho por Beyond a partir del vídeo «Build an AI Agent From Scratch in Python - Tutorial for Beginners» de Tech With Tim. El vídeo se reproduce en el propio reproductor de YouTube. Míralo en YouTube · Todas las lecciones