Cómo profundizar en el tema

Lleva los ejercicios a un runtime real

Continúa con el launchable de NemoClaw en Brev utilizado en el Módulo 3. Si no puedes usar Brev, la alternativa es una implementación local compatible. Para cualquiera de las dos opciones, elige un endpoint de modelo y decide cómo conservar las sesiones y los archivos del workspace.

• Alternativa local. Consulta los requisitos actuales de NemoClaw antes de instalar el stack en tu propio host, ya que los requisitos y las interfaces evolucionan. El mínimo documentado es de 4 vCPU, 8 GB de RAM y 20 GB de espacio libre en disco. La GPU es opcional si usas inferencia alojada. Para inferencia local, comprueba también los requisitos de hardware del modelo seleccionado.
• build.nvidia.com ofrece endpoints de modelos. Este curso usa la ruta de modelo que configures. Para una implementación independiente, configura baseURL con https://integrate.api.nvidia.com/v1 y proporciona una clave de la API de NVIDIA. Comprueba la interfaz del modelo elegido, el acceso de la cuenta y la cuota según las condiciones vigentes del servicio.
• NemoClaw applications es la galería complementaria del launchable que ejecutaste. Los playbooks de NVIDIA para DGX Spark recorren agentes NemoClaw completos de extremo a extremo, incluidos un resumen diario de noticias, un agente de desarrollo de software, un revisor de presentaciones y un negociador de calendario. Inspecciona la política y los requisitos de runtime de cada playbook antes de adaptar el agente que operaste en el Módulo 3.
• Aloja el modelo con NIM cuando deba ejecutarse en tus instalaciones o en tu VPC. NVIDIA Inference Microservices reúne el modelo, el tokenizador y un servidor HTTP compatible con OpenAI en un contenedor. Los agentes Persona, Tooled y ReAct de los Módulos 1 y 2 pueden usar un endpoint NIM compatible después de verificar su modelo y su compatibilidad con llamadas a herramientas y salidas estructuradas.
• Compara los frameworks por el trabajo explícito que hacen. LangGraph ofrece máquinas de estados tipadas; deepagents implementa la forma de planificador, sistema de archivos virtual y subagentes del Módulo 2c; CrewAI y AutoGen organizan flotas por roles. Compara cómo cada framework representa el estado, las herramientas, la recuperación, la delegación, la persistencia y la política del runtime.

El artefacto del navegador es una superficie de agente transferible

Cada página del curso es una lección y una aplicación pequeña. La interfaz expone estado, controles, resultados intermedios y puntos de aprobación; JavaScript ejecuta la orquestación local. Esta combinación funciona cuando la audiencia dispone de un navegador, pero no de un entorno de desarrollo preparado. El formato permite explicar un sistema de forma interactiva, controlar un flujo de trabajo dinámico o proporcionar una interfaz enfocada para scripts generales sobre datos cargados y servicios permitidos.

Algunos productos ya ofrecen este formato directamente. Anthropic describe los artefactos activos de Cowork como páginas HTML interactivas y persistentes que pueden actualizarse desde aplicaciones conectadas y archivos locales. La versión preliminar de OpenAI Apps SDK permite que una aplicación respaldada por MCP defina en conjunto el comportamiento del chat y la interfaz interactiva. Una página estática, un artefacto alojado y una aplicación dentro del chat utilizan contratos de host distintos, pero todos pueden presentar el mismo flujo de trabajo como estado inspeccionable y acciones acotadas.

Incorpora tus propios datos

El agente de indexación del Módulo 2b utilizó un corpus pequeño dentro de la página. Una implementación en producción exige más trabajo y más consideraciones; las referencias siguientes presentan rutas posibles.

• NeMo Retriever proporciona componentes de recuperación que amplían la búsqueda por similitud coseno en memoria del Módulo 2b. La búsqueda dispersa por palabras clave y la búsqueda vectorial densa se ejecutan en paralelo y sus puntuaciones se combinan. Un reclasificador reordena los candidatos por relevancia, y las primitivas de fragmentación configurables permiten controlar cómo se dividen los documentos antes de indexarlos. Combínalo con embeddings servidos por NIM y elige dónde alojar el stack de recuperación y sus datos.
• NVIDIA AI Blueprints proporcionan implementaciones de referencia para distintos flujos de trabajo. Compara sus requisitos y arquitectura con el planificador, las herramientas y la memoria del Módulo 2c antes de adaptar una.
• NeMo Data Curator ofrece herramientas de preparación de corpus, como deduplicación y filtrado. Evalúa la limpieza con tus tareas de recuperación; no garantiza que todas las respuestas mejoren.
• NeMo Guardrails añade filtros programables de entrada y salida, políticas de temas y comprobaciones de hechos en la capa de aplicación, por encima del modelo. Complementa la contención del kernel sin reemplazarla: ambas capas detectan clases de fallos diferentes y deben funcionar juntas.

Continúa con la ruta de aprendizaje de IA agéntica de NVIDIA

Este curso es el complemento práctico de la Lección 6 de la Agentic AI Learning Path de NVIDIA, How to Build a Safer Autonomous Agent using OpenClaw. La ruta completa comienza con la creación de un primer agente y termina con el trabajo de seguridad que este curso estudia en profundidad. En medio, avanza a través de la recuperación, la evaluación, la personalización de modelos y agentes profundos que delegan y conservan la memoria. Cada lección empareja un concepto que conociste aquí con el lugar donde la ruta lo desarrolla más a fondo.

Lecturas complementarias

• What Is Agentic AI? Presenta el razonamiento y la planificación iterativa que permiten resolver problemas de varias etapas de forma autónoma.
• Deep Agents glossary. Define planificación, delegación a subagentes, memoria en el sistema de archivos y habilidades: los cuatro elementos que combina el Módulo 2c.
• Traditional RAG vs. agentic RAG compara la recuperación fija con un agente que elige los pasos de recuperación. Evalúa la calidad, el coste y los fallos en tu tarea.
• Run autonomous agents more safely with NVIDIA OpenShell. Profundiza en la contención a nivel del kernel que estudiaste en los Módulos 3 y 4.
• Build a secure always-on local AI agent with NemoClaw. Muestra la instalación en DGX Spark y cómo el stack reúne OpenClaw, OpenShell, políticas e inferencia local.
• What OpenClaw agents mean for every organization. Explica cuándo conviene usar un agente persistente en infraestructura propia en lugar de una llamada aislada al modelo.

Conecta el ciclo, el flujo de trabajo, el runtime y la política

La ruta del modelo del navegador y el runtime del agente persistente se configuran por separado. Pueden usar modelos distintos. La parte reutilizable es la orquestación que los rodea, cuyo comportamiento debe probarse con el modelo elegido.

• El bucle. El Módulo 1 convirtió una única llamada de chat en un agente: colocó la llamada dentro de un bucle que ejecuta una herramienta, devuelve el resultado y repite hasta obtener la respuesta final. Esta es la capa de ejecución que proporciona un runtime como OpenClaw o un framework como LangGraph.
• El flujo de trabajo. El Módulo 2 comparó pipelines fijos, recuperación y ramas de investigación. Evalúa la selección de contexto y la redacción del prompt con la misma tarea y las mismas pruebas.
• El runtime. El Módulo 3 llevó estos flujos de trabajo a OpenClaw, donde las sesiones del gateway, los archivos del espacio de trabajo, las habilidades y las tareas programadas persisten más allá de una llamada del navegador.
• La contención. El Módulo 4 examinó restricciones de archivos, acceso de red y operaciones de procesos. Su efecto depende de la política activa y de su aplicación; el uso dañino de capacidades permitidas sigue siendo posible.

Estas capas pueden conservarse al actualizar el modelo. Antes de confiar en que se comporten igual, vuelve a probar los argumentos de las herramientas, los formatos de salida, los límites de contexto, la cancelación y los resultados de las tareas en el endpoint de sustitución.

Cuando un agente falla repetidamente, examina sus entradas, las respuestas del modelo, los resultados de las herramientas y las restricciones del runtime para localizar la causa. Elige la corrección a partir de esas pruebas. Las consideraciones de implementación siguientes plantean otras preguntas que conviene comprobar.

Qué comprobar antes de implementar

• Mide la productividad en el trabajo que pretendes automatizar. El ensayo aleatorizado de METR de principios de 2025 con desarrolladores experimentados de código abierto encontró una ralentización considerable al usar un agente de programación, aunque esperaban trabajar más rápido y después afirmaron haberlo hecho. El resultado describe las herramientas, los desarrolladores y el trabajo estudiados en aquel momento. Contrasta las previsiones con mediciones de tu propia tarea y de las herramientas actuales.

• Mide el valor de las llamadas adicionales al modelo. Chen et al. (2024) estudiaron la votación y el filtrado de respuestas obtenidas mediante llamadas repetidas. En las tareas estudiadas, añadir llamadas podía mejorar los resultados y después empeorarlos. Ese hallazgo no determina la mejor arquitectura de agentes para tu tarea. Mide si una llamada o un agente adicional corrige un fallo concreto y si su beneficio justifica su coste.

• Prueba las comprobaciones de la aplicación y los permisos del entorno. Las solicitudes que pasan las comprobaciones de la aplicación aún pueden causar daños. Evalúa tanto el tratamiento de instrucciones no fiables como las capacidades disponibles para el agente.

  Usa controles de ejecución independientes cuando un flujo pueda leer datos sensibles, cambiar archivos o comunicarse con el exterior. Verifica que esos controles se apliquen a cada ruta de ejecución.

• Comprueba la autoridad administrativa por separado. La comprobación de lectura del Módulo 4a prueba métodos seleccionados con el token actual. La autoridad de escritura depende de su alcance y de la configuración del gateway. Examina esos permisos y protege la credencial; una lectura exitosa no demuestra control sobre el agente.

Finaliza el curso

Comprobando tu progreso verificado en el curso.