[{"data":1,"prerenderedAt":29},["ShallowReactive",2],{"article-data-curso-gcp-google-adk-13":3},{"content":4,"date":5,"image":6,"sideArticles":7},"\u003C!DOCTYPE html>\r\n\u003Chtml lang=\"es\">\r\n\r\n\u003Chead>\r\n    \u003Cmeta charset=\"UTF-8\">\r\n    \u003Cmeta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\r\n    \u003Cmeta name=\"description\"\r\n        content=\"Laboratorio 13: Domina la observabilidad y el tracing en agentes de IA. Aprende a auditar la cadena de pensamiento y a monitorizar el rendimiento en Google Cloud.\">\r\n    \u003Cmeta name=\"keywords\"\r\n        content=\"Observabilidad, Tracing, Cloud Trace, Cloud Logging, ADK, Chain of Thought, IA Debugging, Telemetría, Google Cloud\">\r\n    \u003Cmeta name=\"author\" content=\"Eduardo Martínez Agrelo\">\r\n    \u003Ctitle>Observabilidad y Tracing | Curso Agentes IA\u003C/title>\r\n    \u003Cstyle>\r\n        body {\r\n            font-family: sans-serif;\r\n            line-height: 1.6;\r\n        }\r\n\r\n        h1,\r\n        h2,\r\n        h3 {\r\n            color: #333;\r\n        }\r\n\r\n        ul {\r\n            list-style-type: disc;\r\n            margin-left: 20px;\r\n        }\r\n\r\n        code {\r\n            background-color: #f4f4f4;\r\n            padding: 2px 5px;\r\n            border-radius: 3px;\r\n            font-family: monospace;\r\n        }\r\n    \u003C/style>\r\n\u003C/head>\r\n\r\n\u003Cbody>\r\n    \u003Ch1>Observabilidad y Tracing (Monitorizando la Mente de la IA)\u003C/h1>\r\n\r\n    \u003Cp>\u003Cstrong>Autor:\u003C/strong> \u003Ca href=\"https://www.youtube.com/@EduardoMartinezAgrelo\" target=\"_blank\">Eduardo Martínez\r\n            Agrelo\u003C/a>\u003C/p>\r\n\r\n    \u003Cp>Una vez que el agente está desplegado en la nube, no podemos permitir que sea una \"caja negra\". Como ingenieros,\r\n        debemos entender por qué una IA tomó una decisión específica o por qué una respuesta fue lenta. En este\r\n        laboratorio aprenderemos a implementar \u003Cstrong>Observabilidad y Tracing\u003C/strong>, las herramientas que nos\r\n        permiten auditar el razonamiento del agente en tiempo real.\u003C/p>\r\n\r\n    \u003Ch2>¿Qué es la Observabilidad en Agentes?\u003C/h2>\r\n\r\n    \u003Cp>A diferencia del software tradicional, donde monitorizamos errores de código, en la IA monitorizamos la lógica de\r\n        razonamiento:\u003C/p>\r\n    \u003Cul>\r\n        \u003Cli>\u003Cstrong>Chain of Thought (Cadena de Pensamiento):\u003C/strong> Podemos ver los pasos intermedios que el modelo\r\n            realiza antes de dar una respuesta final, validando si su lógica es correcta.\u003C/li>\r\n        \u003Cli>\u003Cstrong>Uso de Herramientas:\u003C/strong> Registramos qué herramientas invocó el agente, con qué parámetros y\r\n            cuál fue el resultado devuelto, detectando fallos en la integración de datos.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Telemetría Nativa con Cloud Trace\u003C/h2>\r\n\r\n    \u003Cp>ADK está diseñado para integrarse profundamente con el ecosistema de operaciones de Google Cloud. Al desplegar\r\n        nuestro agente, obtenemos telemetría avanzada de forma automática:\u003C/p>\r\n    \u003Cp>\u003Ccode># Visualización de trazas en la consola de Google Cloud\u003C/code>\u003C/p>\r\n    \u003Cul>\r\n        \u003Cli>\u003Cstrong>Latencia por Paso:\u003C/strong> Identificamos exactamente qué parte del flujo es lenta: ¿es el modelo de\r\n            lenguaje, la consulta a la base de datos o una API externa?\u003C/li>\r\n        \u003Cli>\u003Cstrong>Logs Estructurados:\u003C/strong> Todos los eventos del agente se envían a Cloud Logging, permitiendo\r\n            realizar auditorías de seguridad y cumplimiento sobre cada interacción con el usuario.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Debugging y Mejora Continua\u003C/h2>\r\n\r\n    \u003Cp>El tracing no es solo para corregir errores, sino para perfeccionar el comportamiento del sistema:\u003C/p>\r\n    \u003Cul>\r\n        \u003Cli>\u003Cstrong>Identificación de Alucinaciones:\u003C/strong> Al revisar los rastreos, podemos detectar si el agente\r\n            está ignorando instrucciones o inventando datos, permitiéndonos ajustar el System Prompt.\u003C/li>\r\n        \u003Cli>\u003Cstrong>Optimización de Tokens:\u003C/strong> Analizamos el tamaño de las peticiones y respuestas para reducir\r\n            costes sin sacrificar la calidad del razonamiento.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Implementación práctica\u003C/h2>\r\n\r\n    \u003Cp>En este laboratorio, configuraremos un agente con lógica compleja que utilice múltiples herramientas.\r\n        Utilizaremos la \u003Cstrong>Dev UI\u003C/strong> de ADK para inspeccionar el rastro de una conversación y observar cómo\r\n        se desglosa el \"pensamiento\" del modelo. Posteriormente, iremos a la consola de \u003Cstrong>Google Cloud\r\n            Trace\u003C/strong> para ver cómo nuestro agente desplegado registra cada milisegundo de su actividad. Verás cómo\r\n        una simple pregunta se convierte en un árbol de decisiones transparente, dándote el control total sobre la\r\n        ejecución de tu IA.\u003C/p>\r\n\r\n    \u003Ch2>Conclusión: Ingeniería basada en datos\u003C/h2>\r\n    \u003Cp>Has aprendido que no se puede mejorar lo que no se puede medir. Ya sabes cómo auditar la mente de tus agentes.\r\n        Con la monitorización establecida, el siguiente paso es aprender a validar la calidad de estas respuestas de\r\n        forma científica mediante las Evaluaciones Sistemáticas (Evals).\u003C/p>\r\n\u003C/body>\r\n\r\n\u003C/html>","May 12, 2026","https://storage.googleapis.com/mp-blog/images/curso-gcp-google-adk-13.jpg",[8,14,19,24],{"id":9,"title":10,"description":11,"image":12,"date":13},"curso-gcp-apache-spark-01","Spark: Infraestructura como Código con Terraform | Curso Spark, Scala y Terraform","Aprende a desplegar clústeres de Big Data profesionalmente. Domina Terraform para crear infraestructura como código (IaC) en Google Cloud y automatiza tu entorno de Dataproc para Spark.","https://storage.googleapis.com/mp-blog/images/curso-gcp-apache-spark-01.jpg","March 12, 2026",{"id":15,"title":16,"description":17,"image":18,"date":13},"curso-gcp-apache-spark-02","Spark: Ingesta (Raw to Bronze) y Formatos Columnares | Curso Spark, Scala y Terraform","Domina la ingesta de datos con Spark. Aprende a convertir JSONs pesados en formato Parquet, optimiza tu almacenamiento en un 85% y domina los esquemas estrictos con Scala.","https://storage.googleapis.com/mp-blog/images/curso-gcp-apache-spark-02.jpg",{"id":20,"title":21,"description":22,"image":23,"date":13},"curso-gcp-apache-spark-03","Spark: Limpieza y Calidad (Bronze to Silver) | Curso Spark, Scala y Terraform","Domina la limpieza de datos en Spark. Aprende a usar Scala para implementar la capa Silver (Plata) de tu arquitectura Medallón, utilizando Case Classes para mayor seguridad.","https://storage.googleapis.com/mp-blog/images/curso-gcp-apache-spark-03.jpg",{"id":25,"title":26,"description":27,"image":28,"date":13},"curso-gcp-apache-spark-04","Spark: Analítica Avanzada (Silver to Gold) | Curso Spark, Scala y Terraform","Domina el Análisis Avanzado con Spark. Aprende a calcular métricas de negocio con Window Functions y a extraer el Top 3 de canciones por país y día para tu capa Gold.","https://storage.googleapis.com/mp-blog/images/curso-gcp-apache-spark-04.jpg",1778604634298]