Miguel Ángel Fernández Gutiérrez
Soy Miguel Ángel, Machine Learning Engineer e investigador aplicado con formación en Ingeniería Informática y Matemáticas. Trabajo en la intersección entre computación, inteligencia artificial y sistemas del mundo real, utilizando Python tanto como herramienta de ingeniería como medio para entender ideas complejas.
Mi trabajo abarca todo el ciclo de vida de sistemas inteligentes: desde prototipado rápido y experimentación hasta servicios de ML en producción, pipelines de datos y APIs escalables. Estoy especialmente interesado en modelos de lenguaje aplicados, plataformas de ML y en construir sistemas fiables, medibles y mantenibles en el tiempo.
Fuera del entorno profesional, utilizo proyectos personales como espacio para experimentar, aprender y desarrollar sistemas end-to-end, a menudo en la intersección entre tecnología, personas y restricciones del mundo real. Estos proyectos incluyen herramientas de comunicación basadas en IA, aplicaciones en tiempo real, utilidades para desarrolladores, iniciativas educativas y trabajo en computación y lógica.
Me motiva la curiosidad y los problemas que se sitúan en la frontera entre teoría y práctica. Ya sea construyendo sistemas de ML, explorando la computabilidad o creando herramientas con impacto social, busco transformar ideas complejas en soluciones claras, útiles y relevantes.
Puedes ver más sobre mi trabajo y proyectos en mianfg.me
Sesión
LangGraph permite construir agentes controlables y mantenibles, pero su verdadero potencial aparece cuando lo combinamos con sistemas de conocimiento y recuperación de información.
En este taller práctico construiremos paso a paso un agente utilizando Python y LangGraph, empezando desde un grafo básico hasta llegar a un sistema capaz de consultar conocimiento externo (RAG) y evolucionar con el uso.
A lo largo de la sesión, los asistentes aprenderán a modelar estado, definir nodos y controlar el flujo de ejecución. Sobre esta base, añadiremos un sistema de recuperación híbrido que permitirá al agente acceder a información relevante en tiempo real.
Finalmente, exploraremos cómo introducir mecanismos de “aprendizaje” en el agente, permitiéndole almacenar nuevo conocimiento y reutilizarlo en futuras interacciones.
Al final del taller, los asistentes:
- Entenderán cómo construir agentes con LangGraph desde cero
- Sabrán integrar RAG de forma estructurada (más allá de ejemplos simples)
- Verán cómo diseñar agentes que evolucionan mediante conocimiento persistente
- Tendrán una base sólida para construir sistemas reales en producción
Este taller está orientado a desarrolladores con conocimientos básicos de Python interesados en sistemas de IA aplicada.