LLM Engineering

La carrera de LLM Engineering es la carrera especializada para equipos técnicos que construyen aplicaciones basadas en modelos de lenguaje en contextos empresariales. A diferencia de la carrera genérica de AI Engineering, que parte de Python desde cero y cubre el ecosistema completo, LLM Engineering asume una base técnica sólida y se concentra exclusivamente en las competencias críticas para diseñar, desplegar y operar aplicaciones LLM en producción: prompt engineering profesional, RAG corporativo, agentes autónomos, sistemas multi-agente, protocolo MCP, modelos locales y MLOps aplicado a LLM.

A lo largo de varios cursos certificados, aprenderás a consumir con criterio las dos APIs comerciales de referencia (OpenAI y Anthropic), a orquestar cadenas y flujos complejos con LangChain y LangGraph, a coordinar equipos de agentes con CrewAI, a estandarizar la conexión con herramientas externas mediante MCP, a ejecutar modelos de código abierto en local con Ollama y LM Studio, y a aplicar prácticas MLOps específicas para monitorizar prompts, evaluar respuestas y gestionar versiones de modelos. El precio de la carrera completa es de 147 EUR.

Esta carrera está diseñada para:

• Equipos de ingeniería de banca, seguros, consultoras y gran empresa que deben construir asistentes internos, copilotos y agentes con LLM sobre datos corporativos.
• Desarrolladores senior con experiencia previa en Python que quieren especializarse como LLM Engineers en una carrera enfocada y sin relleno de fundamentos.
• Arquitectos de software que necesitan diseñar sistemas LLM con RAG, agentes y conectores MCP a escala empresarial.
• Ingenieros de ML y científicos de datos que amplían su perfil hacia el desarrollo de aplicaciones LLM y la puesta en producción.
• Tech leads y responsables de IA que evalúan proveedores, frameworks e infraestructura para la estrategia LLM de la organización.

La carrera se organiza con un enfoque aplicado y orientado a producción:

1. Prompt Engineering: diseño profesional de prompts, técnicas avanzadas, gestión con registries y evaluación sistemática.
2. OpenAI: generación de texto, structured outputs, function calling, RAG con vector stores, procesamiento multimedia y Agents SDK.
3. Anthropic Claude API: razonamiento avanzado, ventanas de contexto extensas, tool use y enfoque en seguridad de la plataforma Claude.
4. LangChain: cadenas, herramientas, RAG corporativo y memoria conversacional como base de aplicaciones LLM.
5. LangGraph: agentes basados en grafos con estados, ciclos, checkpoints y flujos complejos de decisión.
6. CrewAI: sistemas multi-agente con roles, objetivos y herramientas diferenciadas que colaboran para resolver tareas.
7. MCP: Model Context Protocol, servidores y clientes para conectar agentes con herramientas y datos corporativos.
8. Ollama: ejecución y gestión de modelos de código abierto en local para privacidad, latencia y coste controlado.
9. LM Studio: exploración y despliegue de modelos locales con interfaz gráfica y API compatible con OpenAI.
10. MLOps: pipelines CI/CD, monitorización, evaluación, versionado y operación de aplicaciones LLM en producción.

Al completar esta carrera, serás capaz de:

• Diseñar prompts profesionales con técnicas avanzadas y evaluarlos de forma sistemática.
• Consumir las APIs de OpenAI y Anthropic seleccionando el proveedor y modelo adecuado para cada caso.
• Construir sistemas RAG corporativos completos sobre documentación interna con LangChain.
• Orquestar agentes autónomos con LangGraph y flujos complejos basados en grafos con estados y ciclos.
• Diseñar sistemas multi-agente con CrewAI definiendo roles, objetivos y coordinación.
• Implementar servidores y clientes MCP para conectar agentes con APIs internas, bases de datos y sistemas corporativos.
• Ejecutar y gestionar modelos de código abierto en local con Ollama y LM Studio para escenarios sensibles.
• Aplicar MLOps a aplicaciones LLM: pipelines de evaluación, monitorización de calidad, versionado y despliegue controlado.
• Tomar decisiones arquitectónicas fundamentadas sobre modelos, frameworks, privacidad y coste en proyectos LLM.

• Python 3.13 con uv y Ruff.
• APIs: OpenAI (GPT-4.1, o3, GPT-4o), Anthropic Claude 3.7 Sonnet/Opus, Mistral Large 2, Gemini 2.5, AWS Bedrock, Azure OpenAI.
• Frameworks: LangChain 0.3, LangGraph 0.4, LlamaIndex 0.12, CrewAI 0.80.
• MCP: SDK oficial Python/TypeScript.
• Modelos locales: Ollama, LM Studio, vLLM, Llama 3.3, Mistral Small 3, Phi-4, Qwen 2.5.
• Vector stores: Qdrant 1.13, ChromaDB 0.6, pgvector, Pinecone, Weaviate.
• Embeddings: OpenAI text-embedding-3, BGE, E5, Cohere v3.
• Evaluación: RAGAS, Promptfoo, Helicone, Langfuse.
• MLOps LLM: Langfuse, Helicone, Phoenix, BentoML, MLflow 2.x, AWS Bedrock guardrails.
• Observabilidad: OpenTelemetry, Datadog LLM Observability, Arize Phoenix.