Bootcamp en vivo · 7 módulos

Aprende a crear

Conviértete en AI Agentic Engineer: orquesta agentes que diseñan, programan, prueban y despliegan software real — contigo al mando.

Construyes y despliegas TaskFlow AI, una app inteligente full-stack.

Orquestas agentes con Claude Code, Antigravity y MCP.

RAG sobre pgvector + backend seguro con Supabase.

Tests y despliegues automáticos con GitHub Actions y Vercel.

Empezar a construir →Ver plan de estudios

+50.000 alumnos · LATAM4.9★ valoraciónCoach · Jefferson Quispe Pinares

agent://taskflow-ai · spec/taskflow.mdBUILDING

01 Spec

02 Backend

03 Frontend

04 RAG

05 Tests

06 Deploy

spec/taskflow.md

Modelo de datos definido

Auth + RLS por usuario

Catálogo + carrito

Chatbot RAG embebido

Claude CodeGoogle AntigravityClaude VisionMCPSupabaseNext.js 15pgvectorVitestPlaywrightGitHub ActionsVercelClaude CodeGoogle AntigravityClaude VisionMCPSupabaseNext.js 15pgvectorVitestPlaywrightGitHub ActionsVercel

El método agentic

De la idea a producción, sin fricción

Cada sesión te lleva un paso más en el mismo flujo que ya viste construirse arriba. No memorizas teoría: ejecutas un pipeline real.

Spec

SDD

Plan

Antigravity

Skills

MCP

Código

Next.js

Tests

Vitest · PW

CI/CD

GitHub

Deploy

Vercel

Tu misión · plan de estudios

7 módulos · Ruta de Aprendizaje

Un recorrido tipo bitácora: cada módulo desbloquea nuevas capacidades de tu agente y suma una pieza a TaskFlow AI.

01 Sesión 1. Tu Primer Agente Productivo: Arquitectura Real y Control de Costos

02Estructura y arquitectura del proyecto TaskFlow AI.

03Instalación y configuración de la CLI de Claude Code.

04Análisis de capacidades. cuándo usar Haiku, Sonnet u Opus.

05Técnicas de optimización de prompts y reducción de consumo de tokens.

06Creación de métricas base y control de gastos en el entorno de desarrollo.

07STACK: Claude Code CLI, Google Antigravity Next.js 15

08Entregable: Lab Configuración inicial del entorno. Script automatizado para ejecutar un test A/B de rendimiento y costos entre Haiku y Sonnet generando contenido dinámico (meta-descripciones SEO o copys) para las páginas de la plataforma web.

09Sesión 2. Orquesta Múltiples Agentes: Cómo Antigravity Convierte tu IDE en un Equipo de Trabajo

10Interfaz bidireccional de Antigravity. Editor tradicional vs. Agent Manager.

11Gestión del sistema de Artifacts (Task Lists e Implementation Plans).

12Orquestación de múltiples agentes para resolver problemas asíncronos.

13Evaluación y aprobación de Diffs generados por IA.

14Estrategias de aislamiento para prevenir alucinaciones de código en el IDE.

15STACK: Claude Code CLI, Google Antigravity Next.js 15

16Entregable: Lab: Uso del Agent Manager de Antigravity para planificar y estructurar el andamiaje principal de la página web en Next.js, aprobando los Diffs paso a paso (Header, Footer, Navegación y estructura de la Landing Page).

01Sesión 1. El Fin del Prompt Hacking: SDD como el Contrato que Hace Predecible a tu Agente

02Del "prompt hacking" a la ingeniería predecible. el Spec como única fuente de verdad.

03Técnicas para eliminar la ambigüedad y evitar el rework del agente.

04Definición de contratos de datos e interfaces antes de escribir la lógica.

05Inyección del Spec en el flujo de trabajo de Claude Code.

06STACK: Spec-Driven Development (SDD), Claude Code, Antigravity

07Entregable: Lab: Redactar un Spec atómico para el modelo de base de datos de la plataforma web (tablas de usuarios, catálogo de productos/servicios y carrito de compras) y validarlo en el entorno para comprobar que no tiene ambigüedades.

08Sesión 2. El Agente Ejecuta el Contrato: Backend Funcional y Seguro en Supabase

09Fundamentos de App Router y Server/Client Components en Next.js 15.

10Configuración y despliegue del proyecto Supabase.

11Generación y ejecución de migraciones SQL asistida por Claude.

12Implementación y pruebas de políticas de seguridad Row Level Security (RLS).

13Estrategias guiadas por agentes para poblar la base con datos de prueba.

14STACK: Next.js 15, Supabase, PostgreSQL, Claude Code

15Entregable: Lab: El agente ejecuta el Spec del Lab 3 para crear las tablas del catálogo y de usuarios en Supabase, aplicando y testeando las reglas de seguridad de acceso (RLS).

01Sesión 1. De Boceto a Producto: Claude Vision Convierte tus Wireframes en Interfaces Reales

02Integración de Tailwind CSS y la biblioteca de componentes Shadcn/UI.

03Flujo multimodal. conversión de wireframes (imágenes) a código React usando Claude Vision.

04Diseño de interfaces interactivas. lógica de Drag & Drop.

05Aislamiento y modularidad del estado mediante React Custom Hooks.

06Adaptación de Specs visuales para que el agente respete el sistema de diseño.

07STACK: Tailwind CSS, Shadcn/UI, React (Custom Hooks, Drag & Drop), Claude Vision

08Entregable: Lab: Subir un boceto o wireframe de la interfaz a Claude Vision para que el agente genere una Landing Page moderna y una galería de productos/servicios funcional con diseño responsivo.

09Sesión 2. Frontend Vivo: CRUD, Code Review Automático y Cero Errores Silenciosos

10Contextualización del código heredado para que el agente comprenda el ecosistema actual.

11Ejecución de lógica de negocio (CRUD) conectando el frontend con Supabase.

12Manejo de estados de carga (Loading) y prevención de errores silenciosos.

13Independencia de frameworks. mantener el control en procesos generativos.

14Ciclos de Code Review automatizados utilizando Sonnet como revisor técnico.

15STACK: Supabase — conexión CRUD desde el frontend, Claude Sonnet — como revisor técnico automatizado

16Entregable: Lab: El agente implementa la conexión asíncrona para que la galería del Lab 5 consuma y muestre dinámicamente los datos reales del catálogo alojado en Supabase.

01Sesión 1. Dale Memoria a tu Producto: RAG, pgvector y Embeddings que Entienden tu Negocio

02Arquitectura y flujos de trabajo de sistemas Retrieval Augmented Generation (RAG).

03Configuración e integración de pgvector en bases de datos PostgreSQL.

04Generación de Embeddings a partir de texto utilizando la API de Claude.

05Métodos de chunking y partición de datos para mejorar el contexto.

06Enlace entre conocimiento privado (datos de usuario) y consultas externas.

07STACK: pgvector — almacenamiento de embeddings en PostgreSQL, API de Claude — generación de embeddings

08Entregable: Lab: Script automatizado que escucha la creación de nuevos ítems en la base de datos, genera sus embeddings a partir de descripciones y características, y los almacena en pgvector.

09Sesión 2. El Asistente que Cierra Ventas: Chatbot RAG Embebido con Conocimiento Real del Catálogo

10Desarrollo de interfaces de chat inteligente embebidas en el producto.

11Inyección dinámica del contexto recuperado en el prompt de sistema del modelo.

12Búsqueda de similitud semántica y filtros RLS combinados.

13Refinamiento de interacciones naturales y prevención de alucinaciones en el chat.

14UX para interacciones con el agente de IA integrado en la plataforma.

15STACK: Supabase, Claude, pgvector

16Entregable: Lab: Construcción de un "Asistente de Navegación/Ventas" embebido que permite al visitante preguntar cosas como "¿Qué servicios tienen para pequeñas empresas?" respondiendo con el catálogo real del sitio.

01Sesión 1. MCP: Conecta tu Agente al Mundo Real. File System, Terminal y Herramientas Propias

02Conceptos fundamentales del Model Context Protocol (MCP).

03Ciclo de vida de un servidor MCP para conectar Claude al entorno de desarrollo.

04Gestión de permisos y seguridad al dar acceso local al modelo.

05Interacción de la IA con el File System y herramientas de la terminal.

06Casos prácticos de automatización de tareas tediosas con MCP.

07STACK: MCP (Model Context Protocol), Claude

08Entregable: Lab: Crear un servidor MCP que permite a Claude leer en tiempo real la carpeta de assets públicos y el mapa del sitio para mejorar el contexto al construir nuevas secciones de la web.

09Sesión 2. Programa tu Propio Tech Lead. Skills que Auditan, Corrigen y Gobiernan tu Código Solos

10Arquitectura de Custom Skills para extender el razonamiento del modelo.

11Lógica y programación de validadores automáticos de código.

12Integración de Skills de revisión en el flujo Spec-Driven Development.

13Delegación estructurada de reducción de deuda técnica a los agentes.

14Monitoreo de ejecución de Skills personalizadas.

15Entregable: Programar un Skill tipo "Tech Lead" que intercepta el código recién generado y exige correcciones automáticas si viola principios de accesibilidad web (a11y) o buenas prácticas de SEO técnico.

01Sesión 1. El Agente QA. Generación Autónoma de Tests y Diagnóstico de Errores

02Comandos internos de Claude Code para análisis de trazas y depuración.

03Tests unitarios rápidos y efectivos usando Vitest.

04Generación de baterías de pruebas basadas en los criterios de los Specs (SDD).

05Interpretación de logs de consola y flujos de resolución recursiva guiados por IA.

06El principio. "el test es la única fuente de verdad".

07STACK: Vitest, Claude Code

08Entregable: El agente lee las especificaciones de la web y genera de forma autónoma una suite completa de pruebas con Vitest para validar la lógica del frontend (filtros de búsqueda del catálogo y cálculo de totales del carrito).

09Sesión 2. Playwright + IA. Si el Test Falla, el Agente lo Corrige Solo Sin Intervención

10Configuración de entornos de prueba completos con Playwright.

11Diseño de flujos de simulación de comportamiento de usuarios reales.

12Generación de selectores estables y scripts asíncronos con asistencia multimodal.

13Ejecución de validaciones de outputs antes de fusionar el código generado.

14Retroalimentación automática. si el test E2E falla, el agente recibe el error y lo corrige sin intervención.

15STACK: Playwright

16Entregable: Lab: Prueba E2E automatizada que levanta la página, simula un visitante navegando por la Landing Page, interactuando con el chatbot RAG y completando un formulario de contacto o carrito de compras.

17Sesión 3. Listo para el Mundo Real. Core Web Vitals, Secrets y Costos de IA Bajo Control

18Auditorías asíncronas de rendimiento y mejora de Core Web Vitals apoyadas por IA.

19Refactorización de componentes ineficientes o cuellos de botella en la base de datos.

20Gestión y protección de variables de entorno (Secrets) para entornos cloud.

21Estrategias de caché y límites de consumo de IA para reducir costos en producción.

22Prácticas seguras para exponer APIs que consumen servicios de Anthropic.

23Entregable: Lab: El agente escanea toda la web, documenta cuellos de botella (imágenes pesadas, renderizado bloqueante) y aplica parches para optimizar SEO y Core Web Vitals (LCP, CLS).

24Sesión 4. Push y Olvídate. GitHub Actions + Vercel Despliegan tu Producto en Cada Push

25Flujos de integración continua (CI) mediante GitHub Actions.

26Pasos obligatorios de Linting y Testing automatizado en el pipeline.

27Despliegues continuos (CD) vinculados a Vercel.

28Generación de documentación técnica autónoma con Claude.

29Ciclos de revisión de Pull Requests realizados íntegramente por agentes.

30STACK: GitHub Actions, Vercel, Vitest, Playwright, Claude

31Entregable: Lab: Archivo YAML de GitHub Actions que ante cada Push ejecuta Vitest, corre la prueba E2E de Playwright y, si todo pasa, publica una versión viva de la página en Vercel.

01Sesión 1. War Room. De Spec a Producción en Minutos. el Pipeline Completo en Tiempo Real

02Revisión end-to-end del flujo. Spec → Plan Antigravity → Skills MCP → Código → CI/CD.

03Identificación y depuración de edge cases en el ciclo de vida de la aplicación.

04Simulación de una adición de feature en vivo. de Spec a Producción en minutos.

05Preparación de métricas e hitos para la demostración final del producto.

06Congelamiento de código y estabilización de la versión de lanzamiento de TaskFlow AI.

07STACK: Antigravity, MCP

08Entregable: Lab: "War Room" simulado. El instructor introduce un bug visual y una spec de feature rápida (banner promocional de última hora); el estudiante usa el agente para resolver ambas y empujar a producción.

09Sesión 2. Showcase. Tu Producto Inteligente en Vivo, Funcional y Listo para el Portafolio

10Técnicas para presentar arquitecturas generadas por IA a stakeholders técnicos.

11Áreas de mejora estructurales en la base de código resultante.

12Roadmap del desarrollador. integración de APIs híbridas y sistemas multi-agente.

13Retroalimentación grupal y lecciones aprendidas sobre el desarrollo SDD.

14Entregable: Lab: Proyecto Final / Showcase. Cada participante presenta su Página Web Inteligente end-to-end en vivo. frontend interactivo consumiendo la base de datos, tests E2E pasando, chatbot RAG funcionando y pipeline CI/CD de publicación activo.

0módulos del programa

0semanas de duración

+0alumnos en LATAM

0.0★valoración promedio

Cercano, no críptico

Pregúntale al agente

Antes de inscribirte, resuelve tus dudas. Mismo espíritu del chatbot RAG que aprenderás a construir: pregunta natural, respuesta al instante.

Quiero mi lugar →

Asistente DataPath● en línea

¡Hola! 👋 Soy el asistente de DataPath. Pregúntame lo que quieras sobre el programa AI Agentic Engineer.

Opiniones del curso

4.9· 4.500 opiniones

Gonzalo Raúl Gutierrez Lozano

IT Project Development Assistant

¡Buenas tardes, estimada red! 🚀 ¡Meta cumplida! Acabo de culminar con éxito mi proyecto final: "Pipeline de Datos de Ventas: Arquitectura Event-Driven con Google Cloud Platform y Apache Airflow". Recientemente finalicé el programa AI Data Engineer en Datapath y, como parte del proyecto final, diseñé e implementé un pipeline de datos de ventas "End-to-End" bajo una arquitectura orientada a eventos (Event-Driven). Este proyecto representa un hito que no solo me planteó importantes desafíos técnicos, sino que también me brindó la oportunidad de implementar soluciones escalables y resilientes en la nube. 🏗️ La Arquitectura: El flujo comienza con un Producer desarrollado en FastAPI que simula transacciones en tiempo real. Estas son enviadas a Google Cloud Pub/Sub, que actúa como el corazón de la mensajería asíncrona, para luego ser procesadas y orquestadas por Apache Airflow. Finalmente, los datos se almacenan en un Data Lake en Cloud Storage y se consolidan en BigQuery para su análisis. 🛠️ Stack Tecnológico: - Lenguajes: Python (FastAPI, Pandas). - Cloud (GCP): Pub/Sub, Cloud Storage, BigQuery, IAM. - Orquestación: Apache Airflow (Dockerizado). - Infraestructura: Docker & Docker Compose. 💡 Aptitudes y Aprendizajes clave: - Desacoplamiento de sistemas: Uso de capas de mensajería para evitar la pérdida de datos. - Orquestación Avanzada: Gestión de dependencias y comunicación mediante XComs en Airflow. - Seguridad Cloud: Implementación de Service Accounts y manejo estricto de roles IAM. - Contenedorización: Despliegue de entornos reproducibles con Docker. Un agradecimiento especial a mis profesores de datapath por su guía y enseñanza durante todo el programa. ¡Seguimos avanzando en este mundo de los datos! 🚀📈 ¿Quieres ver el código o los detalles técnicos? Te invito a leer mi artículo en Medium y revisar mi repositorio en GitHub (links en los comentarios 👇).

Imagen adjunta por Gonzalo Raúl Gutierrez Lozano

10 mar 2026

Jorge Alberto Pinilla Estupiñan

Arquitecto TI (Solutions | Software | Integration | Cloud)

🤖 La Inteligencia Artificial está redefiniendo la forma en que diseñamos soluciones, y los Large Language Models (LLMs) son el corazón de esta transformación. Acabo de culminar el curso “AI Engineer & LLM Developer”, donde profundicé en: 🔹 Fundamentos de Machine Learning y Deep Learning 🔹 Diseño y entrenamiento de Large Language Models (LLMs) 🔹 Integración de IA en aplicaciones empresariales con APIs y frameworks modernos 🔹 Buenas prácticas de ética, seguridad y despliegue responsable de modelos Este aprendizaje me permite llevar la arquitectura cloud y la ingeniería de datos a un nuevo nivel, integrando IA generativa y agentes inteligentes en soluciones que combinan innovación con gobernanza. 🚀 La gran lección: no se trata solo de entrenar modelos, sino de diseñar experiencias inteligentes que generen confianza y valor real. 💡 ¿Qué aplicaciones de IA generativa están explorando ustedes en sus proyectos actuales? hashtag#AI hashtag#LLM hashtag#MachineLearning hashtag#GenerativeAI hashtag#Innovation hashtag#ContinuousLearning datapath hashtag#datapath Gracias profesor: Kevin Inofuente Colque 💯 🤓 🦾 👌

Imagen adjunta por Jorge Alberto Pinilla Estupiñan

14 mar 2026

Ver publicación

Diego Morales Barrera

Generative AI | Data Science | Machine Learning

Just completed the AI Data Engineer bootcamp from datapath (105 hours) 🎉 This training complements my generative AI expertise by deepening my understanding of the data infrastructure that powers AI systems, from ETL pipelines and real-time processing to DataOps and AI engineering fundamentals. Key areas covered: → Data architecture & SQL for data engineering → ETL processes with Python → Big data processing (Hadoop, Spark, Kafka) → Real-time data pipelines → AI engineering foundations Building AI solutions requires more than understanding models, it requires understanding how data flows, transforms, and scales. This program filled gaps in my data engineering knowledge that directly strengthen my AI delivery capabilities. hashtag#AIEngineering hashtag#DataEngineering hashtag#GenerativeAI hashtag#ContinuousLearning hashtag#AIImplementation

7 mar 2026

Ver publicación

Edgar Chávez

Digital Marketing Specialist / Consultancy / AI

Completé un curso intensivo en hashtag#automatización con n8n en datapath. Diseñar procesos automatizados con IA bien aplicados y correctamente gobernados permite mejorar la eficiencia operativa en negocios de hospitalidad. Cuando se implementan con criterio, estas herramientas no sustituyen la experiencia humana; la potencian, al liberar tiempo que puede destinarse a un mejor trato, mayor personalización y una operación más consciente. Sigo desarrollando estas capacidades como parte de una visión estratégica de largo plazo, donde tecnología y experiencia colaboran.

14 mar 2026

Ver publicación

Eladio Yovera

Technical Lead - Data & AI | Azure | Databricks | MS Fabric

Con datapath pude obtener el certificado de Data Engineer en Azure, me aportó mucho en mi crecimiento profesional.

18 jun 2025

Ver video

Adrian Nieto Castillo

Líder de Proyectos de Datos en DataIQ

¡Me alegra contarles que he obtenido un nuevo certificado: ESPECIALIZACIÓN IA GENERATIVA CON AZURE de datapath! Arrancamos el 2026 con nuevos logros, a seguir creciendo siempre! hashtag#Datos hashtag#IA hashtag#Azure hashtag#DataIQ

Imagen adjunta por Adrian Nieto Castillo

10 feb 2026

Ver publicación

Pablo Quispe Ruiz

Azure AI Engineer

Muy buenos docentes, buenas plantillas. Aprendí mucho de arquitecturas en Azure y me ayudó mucho en mi trabajo.

14 mar 2026

Ver video

Yeredith Mora Martínez

Data Engineer

Proyectos muy prácticos, aprendí mucho del programa. Me permitió contar con un ascenso.

Ver video

En vivo · 7 módulos

Tu coach

Jefferson Quispe Pinares

Machine Learning/AI Engineer | LLM Researcher | NLP

Te acompaña en directo durante todo el programa: revisa tu código, resuelve tus bloqueos y construye contigo, sesión a sesión, hasta desplegar TaskFlow AI en producción.

Spec-Driven Development (SDD): convierte la IA en un agente predecible usando el Spec como contrato ejecutable, sin "prompt hacking" ni rework.Orquestación de múltiples agentes con Claude Code y Google Antigravity, controlando costos y consumo de tokens desde el día uno.Frontend multimodal que transforma wireframes en interfaces reales con Claude Vision, Next.js 15 y Supabase.Productos con memoria propia: sistemas RAG con pgvector y embeddings que entienden tu negocio y responden con datos reales.

Próximas cohortes