🎓
Cobertura IBM/Coursera
Cobertura IBM "RAG and Agentic AI" (Coursera) ↔ este curso
Mapeo detallado del programa profesional de IBM en Coursera (10 cursos) contra el currículum propio de este repositorio (M0–M11). El temario IBM fue solo referencia de cobertura — no seguimos ese curso ni replicamos sus labs. Construimos material propio, en español, con enfoque tri-modal (diseño + Python desde cero + frameworks reales) y lo superamos en producción, diseño y casos de industria. Ver
PLAN.md §11yHANDOFF.md §2.
Índice
- Contexto y alcance
- Tabla principal: 10 cursos IBM → módulos
- Skills IBM → dónde se adquieren
- Extras que añade este curso
- Checklist: si vienes del programa IBM
- Conclusión
1. Contexto y alcance
El programa IBM "RAG and Agentic AI" en Coursera consta de 10 cursos que cubren, de forma progresiva, aplicaciones GenAI con LangChain, RAG, vector databases, RAG avanzado, multimodal, agentes, frameworks agénticos (LangGraph, CrewAI, AutoGen, BeeAI), MCP y un capstone integrador.
Qué hicimos con esa referencia:
| Aspecto | Programa IBM | Este curso |
|---|---|---|
| Rol del temario IBM | Curso a seguir | Checklist de cobertura — asegurar que no falte ningún tema |
| Material | Labs de Coursera | Guías, ejercicios, talleres y soluciones propias en rag-training/ |
| Código | Principalmente frameworks | Tri-modal: ① diseño → ② scratch (stdlib) → ③ framework real |
| Casos de uso | Genéricos / datasets de curso | 10 templates de industria de RAGorbit (aerolínea, banca, salud…) |
| Producción | Mínima | M9 completo: guardrails, HITL, Kafka, Temporal, AI Security |
| Evaluación final | Proyecto Coursera | Capstone M11: reconstruir 3 templates + diseñar arquitectura + examen |
Cobertura de nodos RAGorbit: las 13 categorías (model, loader, ingest, store, retrieval, query, logic, agent, tool, guardrail, hitl, observability, io) están mapeadas a módulos en PLAN.md §7. Este documento cruza esa cobertura con el syllabus IBM.
2. Tabla principal: 10 cursos IBM → módulos
Cada fila desglosa los temas del curso IBM, dónde se cubren en este curso (módulo + carpeta) y notas de profundidad o diferencias.
Curso 1 · Develop GenAI Apps
Temas IBM: LangChain básico, patrones de prompt, salida JSON, evaluación de modelos, despliegue con Flask.
| Tema IBM | Módulo(s) | Carpeta | Notas |
|---|---|---|---|
| Fundamentos de LLM (tokens, contexto, temperatura) | M1 | ../01-fundamentos/ |
+ intuición de embeddings; elección modelo latencia/costo/calidad |
| Patrones de prompt (system/user, few-shot, CoT, in-context learning) | M1 | ../01-fundamentos/ |
Skill Prompt Patterns; comparativa Claude/OpenAI/Gemini/Llama |
| Por qué RAG vs fine-tune vs prompting | M1 | ../01-fundamentos/ |
Patrón RAG mínimo ~40 líneas (scratch) + LangChain (③) |
| LangChain / LCEL (cadenas básicas) | M1, M5 | M1 + ../05-generacion-y-logic/ |
Profundidad en M5: query engines, structured output |
| Salida JSON / structured output | M5 | ../05-generacion-y-logic/ |
JSON Schema, requireCitations, instructor/outlines |
| Evaluación y elección de modelos | M1, M5 | M1 + M5 | RAGAS, TruLens, DeepEval, promptfoo en M5 |
| APIs OpenAI (y alternativas) | M1 | ../01-fundamentos/ |
Skill OpenAI API; formato proveedor:modelo sin lock-in |
| UI Flask / despliegue ligero | M9 | ../09-produccion-y-seguridad/ |
Flask + Gradio/Streamlit; targets FastAPI/SSE |
Curso 2 · Build RAG Apps
Temas IBM: pipeline RAG end-to-end, Gradio, comparativa LlamaIndex vs LangChain.
| Tema IBM | Módulo(s) | Carpeta | Notas |
|---|---|---|---|
| Patrón RAG (retrieve → synthesize) | M1, M5 | M1 + M5 | Template 09-RRHH |
| Loaders y preparación de documentos | M2 | ../02-ingesta/ |
PDF, tabular, web, SQL, S3; chunking y metadata |
| Embeddings e indexación | M3 | ../03-embeddings-y-stores/ |
Chroma, FAISS, pgvector; ver curso 3 |
| Retrieval y generación con contexto | M4, M5 | M4 + M5 | Híbrido, rerank, citas obligatorias |
| LlamaIndex (readers, query engines) | M2, M4 | M2 + M4 | Hands-on: trocear PDF legal + retriever LlamaIndex |
| LangChain vs LlamaIndex (trade-offs) | M2, M4, M5 | M2–M5 | Tabla en tecnologias-comparadas.md |
| Gradio para prototipar RAG | M9 | ../09-produccion-y-seguridad/ |
UI conversacional; también Streamlit |
Curso 3 · Vector DBs for RAG
Temas IBM: ChromaDB (operaciones CRUD), similitud vectorial, sistemas de recomendación.
| Tema IBM | Módulo(s) | Carpeta | Notas |
|---|---|---|---|
| Embeddings (dimensiones, normalización, métricas) | M3 | ../03-embeddings-y-stores/ |
Coseno, dot, L2; OpenAI vs Cohere vs BGE/E5 local |
| Índices vectoriales (HNSW, IVF, flat) | M3 | M3 | Comparativa HNSW vs flat en taller |
| ChromaDB: add/update/delete/manage | M3 | M3 | Skill Vector DBs; nodo store.chroma |
| FAISS a mano | M3 | M3 | Implementación scratch + comparación con Chroma |
| Vector store vs BD tradicional | M3 | M3 | pgvector, Qdrant, Pinecone, Weaviate, Milvus |
| Sistemas de recomendación con embeddings | M3 | M3 | Extra IBM explícito; analogía item↔item y user↔item |
| Persistencia y colecciones | M3 | M3 | Template 09 (Chroma), 02 (pgvector) |
Curso 4 · Advanced RAG
Temas IBM: FAISS, HNSW, retrievers avanzados, Gradio.
| Tema IBM | Módulo(s) | Carpeta | Notas |
|---|---|---|---|
| FAISS / HNSW en profundidad | M3, M4 | M3 + ../04-retrieval-y-query/ |
Índices en M3; retrievers que los consumen en M4 |
| BM25 / búsqueda keyword | M4 | M4 | Denso vs keyword vs híbrido (alpha) |
| Reranking (cross-encoder) | M4 | M4 | BGE-reranker, Cohere, ColBERT |
| Retrievers LangChain y LlamaIndex | M4 | M4 | EnsembleRetriever, VectorIndexRetriever, ParentDocument |
| Parent-child retrieval | M4 | M4 | Nodo retrieval.parent-child |
| Query rewriting e intent | M4 | M4 | query.rewrite, query.intent / model.intent |
| Filtros en retrieval | M4, M9 | M4 + M9 | Hard-filters como guardrail de negocio (más profundo que IBM) |
| Multi-index routing | M4 | M4 | store.multi-index + retrieval.router; template 07 telecom |
| GraphRAG (Neo4j) | M4 | M4 | Extra de profundidad vs IBM; store.neo4j, retrieval.graph |
| Gradio para evaluar retrieval | M9 | M9 | UI para inspeccionar chunks recuperados |
Curso 5 · Multimodal
Temas IBM: Whisper, DALL·E, Sora, Hugging Face, watsonx, Granite.
| Tema IBM | Módulo(s) | Carpeta | Notas |
|---|---|---|---|
| Conceptos multimodal (texto/voz/imagen/video) | M10 | ../10-multimodal/ |
Retos: alineación, costo, latencia |
| STT / Whisper | M10, M9 | M10 + M9 | Nodo io.stt; template 07 call center |
| Visión (describir imágenes, tablas→JSON) | M10, M2 | M10 + M2 | model.vision, loader.multimodal; templates 04, 08 |
| Generación imagen (DALL·E, SDXL) | M10 | M10 | Conceptual + lab |
| Generación audio / TTS | M10 | M10 | Sora mencionado como referencia de video generativo |
| Modelos abiertos (HF, watsonx, Granite, Llama) | M10, M1 | M10 + M1 | Comparativa proveedores cerrados vs open-weights |
| Embeddings y vector DB multimodal | M10, M3 | M10 + M3 | Indexación de descripciones visuales en pipeline RAG |
Curso 6 · Fundamentals of AI Agents
Temas IBM: tool calling, chaining, agentes built-in de LangChain, visualización y SQL.
| Tema IBM | Módulo(s) | Carpeta | Notas |
|---|---|---|---|
| De RAG a agente (cuándo agentizar) | M6 | ../06-agentes-i/ |
Agentic RAG: el agente decide cuándo recuperar |
| Tool calling y schemas | M6 | M6 | Skill Tool Calling; nodos tool.* |
| Chaining de tools | M6 | M6 | Secuencias multi-paso antes de responder |
| Bucle ReAct (razonar → actuar → observar) | M6 | M6 | agent.react; scratch + LangGraph |
| Agentes built-in LangChain (datos, SQL) | M6 | M6 | Agente SQL y de datos en taller |
| Agente de visualización de datos | M6 | M6 | Lab explícito (IBM lo menciona; aquí con expected result) |
RAG como tool (tool.retriever) |
M6 | M6 | PolicyRAG en template 01 aerolínea |
LangGraph StateGraph (intro) |
M6 | M6 | Conceptual; profundidad en M7 |
Curso 7 · Agentic AI with LangChain / LangGraph
Temas IBM: memoria, Reflection/Reflexion, ReAct, multi-agente, agentic RAG.
| Tema IBM | Módulo(s) | Carpeta | Notas |
|---|---|---|---|
| Memoria (corto/largo plazo, conversacional) | M6, M7 | M6 + ../07-agentes-ii/ |
Estado en LangGraph; checkpoints en M7 |
| Reflection / Reflexion (auto-mejora) | M6 | M6 | Comparativa ReAct vs Plan-and-Execute vs Reflexion |
| ReAct a fondo | M6 | M6 | Taller: memoria + 2 tools, expected de secuencia |
| Agentic RAG | M6, M4 | M6 + M4 | Query routing por el agente, no pipeline fijo |
| LangGraph: grafos, edges, estado | M6, M7 | M6 + M7 | Skill LangChain/LangGraph |
| Multi-agente (intro y patrones) | M7 | M7 | Supervisor, jerárquico, colaborativo |
| Conditional edges y checkpoints | M7 | M7 | Persistencia de estado entre pasos |
Curso 8 · Agentic AI with CrewAI / AutoGen / BeeAI
Temas IBM: frameworks alternativos y patrones multi-agente.
| Tema IBM | Módulo(s) | Carpeta | Notas |
|---|---|---|---|
| CrewAI (agents, tasks, crews, tools) | M7 | ../07-agentes-ii/ |
Hands-on mismo problema en CrewAI y LangGraph |
| AutoGen / AG2 (conversación entre agentes) | M7 | M7 | Patrón diálogo multi-rol |
| BeeAI | M7 | M7 | Cuarto framework en la comparativa |
| Patrones multi-agente (supervisor, fan-out) | M7 | M7 | agent.fanout; template 10 logística |
| Cuándo multi-agente vs un solo agente | M7, M11 | M7 + M11 | Tabla trade-offs; anti-patrones en M11 |
| Selección y combinación de frameworks | M7 | M7 | vs Semantic Kernel (referencia) |
| Skill GenAI Agents / Agentic | M6, M7 | M6 + M7 | Agentes simples → orquestación compleja |
Curso 9 · Model Context Protocol (MCP)
Temas IBM: FastMCP, server/client, STDIO/HTTP, seguridad.
| Tema IBM | Módulo(s) | Carpeta | Notas |
|---|---|---|---|
| Arquitectura MCP vs APIs tradicionales | M8 | ../08-mcp/ |
Skill MCP |
| FastMCP: construir server (tools, resources, prompts) | M8 | M8 | Nodo tool.mcp |
| Cliente MCP (STDIO y Streamable HTTP) | M8 | M8 | Conectar a uno y a varios servers |
| Seguridad MCP (sampling, roots, permisos) | M8, M9 | M8 + M9 | Aprobación basada en permisos; enlaza AI Security |
| MCP vs plugins propietarios | M8 | M8 | Comparativa en guía |
| Taller integrador | M8 | M8 | PolicyRAG de aerolínea como MCP server |
Curso 10 · Capstone
Temas IBM: data→deploy, unstructured→JSON, multimodal + multi-agente, MCP, testing.
| Tema IBM | Módulo(s) | Carpeta | Notas |
|---|---|---|---|
| Pipeline completo data → producción | M11, M9 | ../11-capstone/ + M9 |
4 deployment targets: chat, Kafka worker, Temporal, batch |
| Unstructured → JSON estructurado | M2, M5 | M2 + M5 | loader.multimodal, logic.structured |
| Multimodal + multi-agente integrados | M10, M7, M11 | M10 + M7 + M11 | Templates reales, no dataset genérico |
| MCP en proyecto final | M8, M11 | M8 + M11 | Opcional en diseño de capstone |
| Testing de sistemas de IA | M5, M11 | M5 + M11 | RAGAS como test; system testing en M11 |
| Proyecto capstone | M11 | M11 | Supera IBM: 3 templates desde cero + diseño nuevo + examen 50 preguntas |
| Los 10 templates de industria | M1–M11 | Todos | Mapa en plantillas-mapeadas.md y PLAN.md §8 |
Resumen visual (curso IBM → módulo principal)
| # | Curso IBM | Módulo(s) principal(es) |
|---|---|---|
| 1 | Develop GenAI Apps | M1, M5, M9 |
| 2 | Build RAG Apps | M1, M2, M4, M9 |
| 3 | Vector DBs for RAG | M3 |
| 4 | Advanced RAG | M3, M4 |
| 5 | Multimodal | M10 |
| 6 | Fundamentals of AI Agents | M6 |
| 7 | Agentic AI LangChain/LangGraph | M6, M7 |
| 8 | Agentic AI CrewAI/AutoGen/BeeAI | M7 |
| 9 | MCP | M8 |
| 10 | Capstone | M11 (+ transversal M9) |
3. Skills IBM → dónde se adquieren
El programa IBM certifica competencias en 11 áreas. Esta tabla indica el módulo principal, módulos de refuerzo y el entregable donde se demuestra la skill.
| Skill IBM | Módulo principal | También en | Cómo se demuestra |
|---|---|---|---|
| RAG | M1 → M5 | M2, M3, M4, M6 | Taller M1 (RAG mínimo); pipeline completo M2–M5; agentic RAG M6 |
| Vector DBs | M3 | M4 | Taller Chroma + FAISS; filtros metadata; pgvector en template 02 |
| Prompt Patterns | M1 | M5, M6 | Few-shot, CoT, system prompts; prompts de agente en M6 |
| LangChain / LangGraph | M5, M6, M7 | M1, M2, M4 | LCEL, ReAct, StateGraph, multi-agente, checkpoints |
| OpenAI API | M1 | M3, M5, M6 | Interfaz multi-proveedor; embeddings y chat completions |
| Tool Calling | M6 | M7, M8 | ReAct con tools; MCP como evolución del tool calling |
| GenAI Agents | M6 | M7 | Agente ReAct + built-in SQL/viz |
| Agentic | M6, M7 | M11 | Reflection, memoria, multi-agente, fan-out, capstone |
| Multimodal | M10 | M2, M9 | STT, visión, generación; io.stt en call center |
| MCP | M8 | M9, M11 | Server FastMCP + cliente con permisos |
| AI Security | M9 | M6, M8 | Inyección, jailbreak, PII, guardrails, permisos MCP |
Skill transversal no listada explícitamente en IBM pero cubierta aquí:
| Skill adicional | Módulo | Nota |
|---|---|---|
| LlamaIndex | M2, M4, M5 | Readers, retrievers, query engines |
| Evaluación RAG/Agentes | M5, M11 | RAGAS, faithfulness, costo, latencia |
| Diseño de arquitectura | M11 | Flow IR, contratos, anti-patrones |
| Producción / SRE | M9 | Idempotencia, HITL, Kafka, Temporal, OTel |
4. Extras que añade este curso (y el programa IBM no enfatiza)
IBM cubre bien los fundamentos de RAG y agentes con frameworks. Este curso añade capacidades de ingeniería de producción y diseño sistemático que el programa Coursera apenas toca.
Producción real
| Tema | Módulo | Nodo(s) RAGorbit | Por qué importa |
|---|---|---|---|
| Idempotencia | M9 | guardrail.idempotency |
Pagos y reservas no se cobran dos veces (Stripe-like) |
| Confirm-gate | M9 | guardrail.confirm |
Acciones irreversibles exigen confirmación del usuario |
| Circuit breaker / retry / fallback | M9 | guardrail.resilience |
Degradación elegante cuando APIs externas fallan |
| HITL (hardcoded, no LLM) | M9 | hitl.escalate |
Escalación determinista en salud, legal, mantenimiento |
| Auditoría a Kafka | M9 | observability.audit |
Trazabilidad regulatoria de cada tool call |
| Feedback loop | M9 | observability.feedback |
Mejora continua del reranker |
| Temporal / exactly-once | M9 | io.trigger, io.event-source |
Workflows durables; Kafka exactlyOnce |
| 4 deployment targets | M9 | io.* |
chat-service, event-worker, batch, temporal |
| AI Security | M9 | guardrail.* + guías |
Inyección, jailbreak, fuga PII, sesgos |
| UIs de producción | M9 | — | Gradio, Streamlit, Flask para operar el sistema |
Conciencia de contratos y diseño
| Tema | Módulo | Referencia |
|---|---|---|
| Qué nodo puede conectarse con qué (Flow IR) | M0, M11 | docs/01-concepts.md |
| 53 tipos de nodo en 13 categorías | Todos | catalogo-nodos.md |
| Anti-patrones y checklist de diseño | M11 | ../11-capstone/ |
| Reglas deterministas vs delegar al LLM | M5, M9 | logic.rules, umbrales de negocio |
Diez casos de industria completos
Templates en examples/ — cada uno recorre varios módulos:
| Template | Industria | Módulos dominantes |
|---|---|---|
| 09-RRHH | RRHH | M1 → M3 |
| 02-Banca | Banca | M2 → M5 |
| 03-Salud | Salud | M4 → M9 |
| 04-Seguros | Seguros | M2 → M5, M10 |
| 05-Legal | Legal | M4 |
| 06-Retail | Retail | M6 |
| 07-Telecom | Telecom | M4 → M7, M10 |
| 08-Manufactura | Manufactura | M2 → M4, M10 |
| 01-Aerolínea | Aerolínea | M6 → M8, M9, M11 |
| 10-Logística | Logística | M7 → M9, M11 |
Reconstruir desde cero (no solo usar frameworks)
| Capa | Qué implica | Dónde |
|---|---|---|
| ① Diseño | Por qué / cuándo / alternativas | Todas las guías |
| ② Scratch | Python stdlib, mocks deterministas | Todos los lab/solucion_scratch.py |
| ③ Framework | LangChain, LangGraph, LlamaIndex, CrewAI… | lab/solucion_framework.py |
| Capstone | Reconstruir 09 → 02 → 01 sin mirar codegen | M11 |
RAG avanzado con más profundidad que IBM
| Tema | Módulo | IBM | Este curso |
|---|---|---|---|
| GraphRAG / Neo4j | M4 | Mención ligera | Taller con store.neo4j + retrieval.graph |
| Multi-index routing | M4 | Básico | store.multi-index + retrieval.router; template telecom |
| Hard-filters como guardrail | M4, M9 | Filtros opcionales | Cláusulas WHERE obligatorias; sin filtro ⇒ ruido demostrado en lab |
| Parent-child + rerank | M4 | Parcial | Taller legal/médico con expected de precisión |
5. Checklist: si vienes del programa IBM, empieza por…
Mapa rápido de equivalencias para no repetir lo que ya dominas y ubicarte en este currículum.
Ya completaste el curso IBM 1–2 (GenAI + RAG básico)
- Salta la teoría repetida de M1 y ve directo al taller de
../01-fundamentos/lab/— valida que puedes el RAG mínimo en scratch. - Estudia M2 (
../02-ingesta/): chunking por cláusula y metadata — IBM no profundiza tanto en metadata para filtros. - Repasa
catalogo-nodos.md§2–§3 para conectar loaders/ingest con RAGorbit.
Ya completaste los cursos IBM 3–4 (Vector DBs + Advanced RAG)
- M3 (
../03-embeddings-y-stores/): confirma Chroma ops + FAISS scratch. - Prioriza M4 (
../04-retrieval-y-query/): híbrido, rerank, hard-filters, multi-index, GraphRAG — aquí superamos al programa IBM. - Abre el template 05-Legal o 07-Telecom para ver routing en acción.
Ya completaste el curso IBM 5 (Multimodal)
- M10 (
../10-multimodal/) — repaso rápido si ya usaste Whisper. - Conecta con M2:
loader.multimodaly template 08-Manufactura.
Ya completaste los cursos IBM 6–8 (Agentes)
- M6 (
../06-agentes-i/): valida ReAct + memoria + agentic RAG en scratch. - M7 es obligatorio (
../07-agentes-ii/): mismo problema en CrewAI y LangGraph — IBM separa frameworks; aquí los comparamos en un solo taller. - Template 01-Aerolínea para ver agente + tools + guardrails.
Ya completaste el curso IBM 9 (MCP)
- M8 (
../08-mcp/): server + client + seguridad/permisos — profundiza más que el lab Coursera típico. - Enlaza con M9: permisos MCP + AI Security.
Ya completaste el capstone IBM 10
- No te saltes M9 (
../09-produccion-y-seguridad/): idempotencia, HITL, Kafka, Temporal — probablemente tu mayor gap vs este curso. - M11 (
../11-capstone/): reconstruye templates 09, 02, 01 sin mirar soluciones; diseña arquitectura nueva; examen integrador.
Tabla rápida IBM → primer módulo a abrir
| Si dominas IBM curso… | Empieza en este módulo | Si te sobra, salta a… |
|---|---|---|
| 1 Develop GenAI Apps | M2 o taller M1 | M5 (JSON/eval) |
| 2 Build RAG Apps | M3 | M4 |
| 3 Vector DBs | M4 | M5 |
| 4 Advanced RAG | M5 o M6 | M9 (hard-filters en prod) |
| 5 Multimodal | M6 | M9 |
| 6 Fundamentals Agents | M7 | M8 |
| 7 LangGraph Agentic | M7 (CrewAI/AutoGen) | M8 |
| 8 CrewAI/AutoGen/BeeAI | M8 | M9 |
| 9 MCP | M9 | M11 |
| 10 Capstone | M9 + M11 | — |
Setup común (todos los perfiles)
- M0 (
../00-setup/): entorno, repaso Python, primerflow.jsonen RAGorbit. - Lee
HANDOFF.md §3: método tri-modal y restricción scratch/stdlib.
6. Conclusión
| Criterio | Programa IBM Coursera | Este curso (M0–M11) |
|---|---|---|
| Temario RAG + Agentes + MCP + Multimodal | ✅ 10 cursos | ✅ 100% cubierto (tabla §2) |
| Skills certificables IBM (11 áreas) | ✅ | ✅ Todas mapeadas (tabla §3) |
| Frameworks (LangChain, LangGraph, LlamaIndex, CrewAI, AutoGen, BeeAI, MCP) | ✅ | ✅ + comparativas y trade-offs |
| Producción (idempotencia, HITL, auditoría, Temporal) | ⚠️ Mínimo | ✅ M9 dedicado |
| Diseño y contratos (Flow IR, 53 nodos) | ❌ | ✅ M0 + M11 + catálogo |
| Casos de industria reales | ⚠️ Genéricos | ✅ 10 templates |
| Implementación desde cero | ⚠️ Parcial | ✅ Capa scratch en cada taller |
| GraphRAG, multi-index, hard-filters | ⚠️ Superficial | ✅ M4 en profundidad |
| Evaluación final | Proyecto Coursera | ✅ Capstone triple (reconstruir + diseñar + examen) |
Veredicto: el plan v2 (PLAN.md §11) cubre íntegramente el temario IBM "RAG and Agentic AI" y lo supera en producción, conciencia de diseño, casos de industria y capacidad de reconstruir sistemas desde cero. El temario IBM sirvió como red de seguridad para la cobertura; el material, el orden pedagógico y los entregables son propios de este repositorio.
Documentos relacionados: PLAN.md · HANDOFF.md · catalogo-nodos.md · plantillas-mapeadas.md · tecnologias-comparadas.md