Los casos prácticos son el laboratorio de esta sección: en vez de explicar un concepto, resolvemos un problema real de principio a fin, con código que puedes copiar y ejecutar paso a paso. Aquí las ideas de las otras series se ponen a trabajar.
Menos teoría, más teclado
La diferencia con el resto de las series es simple: aquí no explicamos un concepto, resolvemos un problema. Cada caso agarra una herramienta popular del ecosistema y la pone a trabajar en algo concreto, con el código completo y las salidas que deberías ver al ejecutarlo. La idea es que abras un editor al lado y lo sigas a mano.
Cómo aprovecharlos
- El código está pensado para correr en un cuaderno (Google Colab o Jupyter) o en un entorno local con Python.
- Cada bloque es autocontenido: instala, importa, ejecuta.
- No hace falta memorizar; la gracia es experimentar: cambia un parámetro, rompe algo, vuelve a correr.
Nota: estos ejemplos usan librerías de Python (con modelos y dependencias pesadas) que no corren dentro del navegador. Ejecútalos en Colab o en tu máquina.
Los casos de este módulo
Van de lo más simple a lo más completo, cada uno apoyándose en el anterior:
- Clasificar texto con Hugging Face — usar un Transformer preentrenado para analizar texto en pocas líneas, sin entrenar nada.
- Llamar a un LLM con LangChain — conectar Claude, encadenar pasos con LCEL y forzar salidas estructuradas.
- Agentes tipados con pydantic-ai — la validación de Pydantic aplicada a los LLM: salidas garantizadas y herramientas con un decorador.
- Un flujo de agentes a mano — el bucle de un agente con el SDK de Anthropic, sin frameworks, para ver el motor por dentro.
- Orquestar un flujo con pydantic-graph — construir un proceso paso a paso como un grafo de estados, la base de los agentes modernos.
Para llevar
Los casos prácticos cierran el círculo: toman lo aprendido en las series conceptuales y lo convierten en código que resuelve un problema real. La mejor forma de afianzar una idea es ejecutarla, romperla y arreglarla. Abre un cuaderno y experimenta.