Volver al cursoDescargar Markdown

Guía paso a paso del curso

Audiencia: desarrolladores que aprenden orquestación multi-agente antes o junto con AI-Factory.
Idioma de labs: COURSE_LANG=en|ru|es|fr|zh · UI en i18n/ · esta guía en español. English · Русский · Français · 中文

Comprobación con el ecosistema actual

Los laboratorios de Python enseñan patrones de orquestación con entradas reproducibles. Para probar el flujo actual del Hub, abre HEPHAESTUS Studio, examina el grafo propuesto y la estimación del catálogo antes de ejecutarlo. Luego compara los costes por paso con la relación firmada de una ejecución autorizada. Anota qué pasos devolvieron evidencias. La estimación del catálogo puede cambiar antes de ejecutar.

Índice

  1. Elige tu track
  2. Instalación (10 min)
  3. M1 — Bucle del agente y herramientas
  4. M2 — Topologías
  5. M3 — Handoffs y delegación
  6. M4 — Discovery e invocación
  7. M5 — State, memoria y contexto
  8. M6 — Guardrails y seguridad
  9. M7 — Confianza, verificación y provenance
  10. M8 — Economía de la orquestación (avanzado)
  11. Ejercicios y certificado
  12. M9 — Observabilidad en cada lab
  13. Puente: del curso a AI-Factory
  14. Lista de autocomprobación
  15. Problemas frecuentes

Elige tu track

Track Módulos Tiempo LLM Hub
Básico M1 → M4 ~2 h No Sandbox solo en M4
Avanzado Básico + M8 +1 h Opcional Hub sandbox embebido
Puente Factory Tras M4 o M8 +30 min Sí (tus keys) Factory + Hub real

Tras cada lab revisa el bloque Trace (M9).

Instalación (10 min)

git clone https://github.com/alexar76/aimarket-courses.git
cd aimarket-courses/orchestration-course
pip install -e ".[dev]"
# M4/M7 (hub-lite) y M8 (sandbox):
pip install -e ".[hub-lite,sandbox,dev]"
pytest -q
export COURSE_LANG=es
python labs/lab01_agent_and_tool.py

Colab: sitio del curso → Open in Colab → celda setup → COURSE_LANG=es.

M1 — Bucle del agente y herramientas

Lab: lab01_agent_and_tool.py · ~15 min

Pasos

  1. Lee el docstring del lab.
  2. python labs/lab01_agent_and_tool.py
  3. Observa: tarea → herramienta → resultado → trace.
  4. Re-ejecuta con COURSE_LANG=es.
  5. Revisa courselib/orchestration.py (Agent, Tool, Trace).

Autocomprobación

M2 — Topologías

Lab: lab02_topologies.py · ~20 min

  1. Ejecuta el lab.
  2. Identifica sequential, parallel, router en la salida.
  3. Compara eventos en trace.

M3 — Handoffs y delegación

Lab: lab03_handoff.py · ~20 min

  1. Ejecuta el lab.
  2. Busca delegación a legal vs assistant.
  3. Sección handoffs en trace.

M4 — Discovery e invocación

Lab: lab04_discover_invoke.py · ~30 min · requiere [hub-lite]

  1. pip install -e ".[hub-lite,dev]"
  2. Ejecuta el lab (espera ~10 s al arrancar hub).
  3. discover → invoke → resultado.
  4. Lectura: hub-integration-guide.md

M5 — State, memoria y contexto

Lab: lab05_state_context.py · ~20 min

  1. Ejecuta el lab.
  2. Observa cómo el Context (bill of materials) se pasa entre etapas del pipeline.
  3. Comprobación: python labs/run_exercises.py --module m5

M6 — Guardrails y seguridad

Lab: lab06_guardrails.py · ~20 min

  1. Ejecuta el lab.
  2. Mira cómo los guardrails pre/post bloquean inyecciones y salidas demasiado largas.
  3. Comprobación: python labs/run_exercises.py --module m6

M7 — Confianza, verificación y provenance

Lab: lab07_receipt_verify.py · ~20 min · requiere [hub-lite]

  1. Ejecuta el lab.
  2. Verifica un receipt firmado; altera el precio y observa cómo la verificación falla.
  3. Comprobación: python labs/run_exercises.py --module m7

M8 — Economía de la orquestación (avanzado)

Lab: lab08_metered_economy.py · ~45 min · requiere [sandbox]

  1. Ejecuta el lab.
  2. channel → invoke → total spent → receipt.
  3. Lee ai-market-protocol-v1.md (402, channels).

Ejercicios y certificado

python labs/run_exercises.py                 # comprobaciones tras cada lab
python labs/run_exercises.py --certificate "Tu Nombre" --lang es

M9 — Observabilidad en cada lab

Tras cada lab (5 min):

  1. Bloque trace al final
  2. Mapea events a pasos en stdout
  3. Producción: observability-langsmith.md

Hub real: las mismas llamadas en modelmarket.dev

Define COURSE_HUB_URL=https://modelmarket.dev y usa courselib.economy.connect() en lugar de embedded_sandbox(): discover, invoke y hire van a la federación en vivo. Allí las llamadas de pago hay que pagarlas — obtén una clave en modelmarket.dev/start, recárgala con USDC (desde $0.01) y define COURSE_API_KEY=aimk_…; viaja como X-API-Key y cada llamada se paga desde el saldo prepago. Sin clave, una llamada de pago responde payment_required y enumera las formas de pago.

Puente: del curso a AI-Factory

  1. docker compose up -d app → http://localhost:9080
  2. Landing invitado en /
  3. USER_GUIDE.es.md — primeros 15 minutos en Admin
  4. Tabla curso → Factory (igual que guía EN): M1 tools → Developer; M4 → Hub invoke; M8 → channels.

Lista de autocomprobación

Problemas frecuentes

Problema Solución
No module courselib Ejecutar desde raíz del repo
M4/M8 cuelga Esperar hub; revisar puerto
pip [sandbox] falla git + red
RU/ES vacío COURSE_LANG
pytest i18n claves en en/ru/es.json

Factory: FAQ.es.md

python3 scripts/build_course_assets.py

Guías en docs/ — mantenimiento manual; EN primero, luego RU/ES.