Este bootcamp cubre el marco de LangChain de principio a fin, permitiéndote construir Agentes de IA en Python. Explorarás plantillas de prompts, composición de cadenas, herramientas de agentes, memoria conversacional y recuperación de documentos. A través de notebooks interactivos y ejercicios detallados, implementarás chatbots, flujos de trabajo automatizados, sistemas de preguntas y respuestas y cadenas de agentes personalizadas. Al finalizar, entenderás cómo desplegar y optimizar agentes basados en LangChain para diversas tareas.

Este repositorio proporciona un marco completo para la investigación en juego en StarCraft II. El agente principal usa Proximal Policy Optimization (PPO) para aprender redes de política que interpretan datos de observación del entorno PySC2 y generan acciones precisas en el juego. Los desarrolladores pueden configurar capas de redes neuronales, formateo de recompensas y horarios de entrenamiento para optimizar el rendimiento. El sistema soporta multiproceso para recolección eficiente de muestras, utilidades de registro para monitorear curvas de entrenamiento y scripts de evaluación para correr políticas entrenadas contra oponentes scriptados o AI incorporados. El código está escrito en Python y aprovecha TensorFlow para definición y optimización de modelos. Los usuarios pueden extender componentes como funciones de recompensa personalizadas, preprocesamiento de estado o arquitecturas de red para fines específicos de investigación.