El objetivo principal de este Trabajo Fin de Máster es explorar y poner en práctica arquitecturas modernas de agentes de Inteligencia Artificial para crear una plataforma educativa interactiva basada en Large Language Model (LLMs). Este trabajo se apoya en el uso, cada vez mayor, de la Inteligencia Artificial en el ámbito educativo, con el f in de ofrecer experiencias de aprendizaje más autónomas y personalizadas.
La investigación empieza con un repaso a la historia de la Inteligencia Artificial, desde sus inicios con el enfoque simbólico y los sistemas expertos, hasta llegar al aprendizaje profundo que domina hoy en día. Se revisan momentos clave como la creación del perceptrón, el desarrollo del algoritmo de retropropagación y la aparición de las arquitecturas basadas en transformadores, que han dado lugar a modelos como GPT o LLaMA. Estos modelos han mostrado una gran capacidad para entender y generar lenguaje natural, aunque también tienen limitaciones importantes en cuanto a fiabilidad, transparencia y precisión de los datos que ofrecen.
Para hacer frente a estas limitaciones, el trabajo se centra en el concepto de agentes de Inteligencia Artificial como sistemas autónomos que pueden percibir, razonar y actuar. Se estudian varios tipos de agentes, junto con aspectos técnicos importantes como la ingeniería de prompts, los ciclos de razonamiento, la gestión de memoria y las estrategias de arquitecturas. También se destaca el uso del enfoque RetrievalAugmented Generation, que ayuda a mejorar la precisión de los LLMs al integrar fuentes externas de información en tiempo real.
También se analizan dos arquitecturas modernas para coordinar agentes: AutoGen, desarrollada por Microsoft, que permite la comunicación entre varios agentes a través de conversaciones estructuradas; y LangGraph, un framework basado en LangChain que organiza el trabajo de los agentes en forma de grafos de ejecución dinámicos. Estas arquitecturas ofrecen una base modular, flexible y escalable para implementar agentes educativos con inteligencia artificial. Su utilidad se estudia en relación con la personalización de los contenidos y la conexión con bases de conocimiento específicas del área de estudio.
Este trabajo ofrece una base teórica y práctica para crear herramientas educativas apoyadas en inteligencia artificial. Al combinar el potencial generativo de los LLMs con la autonomía organizada de los agentes inteligentes, y gracias a arquitecturas que permiten su coordinación, se plantea un enfoque con potencial para impulsar el desarrollo de nuevas plataformas educativas.
–ABSTRACT–
The main goal of this Master’s Thesis is to explore and apply advanced architectures of intelligent agents to develop an interactive educational platform powered by Large Language Models (LLMs). This work builds on the increasing use of Artificial Intelligence in educational technologies and applies cutting-edge Artificial Intelligence approaches to support autonomous and personalized learning experiences.
The research starts with a historical overview of Artificial Intelligence, tracing its evolution from symbolic approaches and expert systems to the current dominance of deep learning. It highlights key milestones such as the development of the perceptron, the rise of backpropagation, and the introduction of transformer-based architectures that led to modern LLMs like GPT, and LLaMA. While these models have shown impressive abilities in understanding and generating natural language, they also face significant challenges regarding reliability, transparency, and factual accuracy.
To address these limitations, the thesis explores the concept of AI agents as autonomous systems capable of perceiving, making decisions, and taking action. It examines different types of agents, as well as key technical components such as prompt engineering, reasoning loops, memory management, and planning strategies. Particular focus is given to the Retrieval-Augmented Generation (RAG) paradigm, which improves the performance and factual reliability of LLMs by integrating external knowledge sources in real time.
Furthermore, the study reviews two frameworks for agent orchestration: AutoGen, developed by Microsoft, which enables multi-agent communication through structured conversational protocols; and LangGraph, a LangChain-based framework that structures agent workflows as dynamic execution graphs. These architectures offer a modular, flexible, and scalable foundation for deploying AI-powered educational agents. Their usefulness is analyzed in terms of pedagogical interaction, personalized content delivery, and integration with domain-specific knowledge bases.
Finally, this thesis lays a solid theoretical and practical foundation for the development of AI-powered educational tools. By combining the generative capabilities of LLMs with the structured autonomy of intelligent agents, enabled by orchestrated architectures, this work proposes a framework with the potential to support the creation of next-generation educational platforms.
El objetivo principal de este Trabajo Fin de Máster es explorar y poner en práctica arquitecturas modernas de agentes de Inteligencia Artificial para crear una plataforma educativa interactiva basada en Large Language Model (LLMs). Este trabajo se apoya en el uso, cada vez mayor, de la Inteligencia Artificial en el ámbito educativo, con el f in de ofrecer experiencias de aprendizaje más autónomas y personalizadas.
La investigación empieza con un repaso a la historia de la Inteligencia Artificial, desde sus inicios con el enfoque simbólico y los sistemas expertos, hasta llegar al aprendizaje profundo que domina hoy en día. Se revisan momentos clave como la creación del perceptrón, el desarrollo del algoritmo de retropropagación y la aparición de las arquitecturas basadas en transformadores, que han dado lugar a modelos como GPT o LLaMA. Estos modelos han mostrado una gran capacidad para entender y generar lenguaje natural, aunque también tienen limitaciones importantes en cuanto a fiabilidad, transparencia y precisión de los datos que ofrecen.
Para hacer frente a estas limitaciones, el trabajo se centra en el concepto de agentes de Inteligencia Artificial como sistemas autónomos que pueden percibir, razonar y actuar. Se estudian varios tipos de agentes, junto con aspectos técnicos importantes como la ingeniería de prompts, los ciclos de razonamiento, la gestión de memoria y las estrategias de arquitecturas. También se destaca el uso del enfoque RetrievalAugmented Generation, que ayuda a mejorar la precisión de los LLMs al integrar fuentes externas de información en tiempo real.
También se analizan dos arquitecturas modernas para coordinar agentes: AutoGen, desarrollada por Microsoft, que permite la comunicación entre varios agentes a través de conversaciones estructuradas; y LangGraph, un framework basado en LangChain que organiza el trabajo de los agentes en forma de grafos de ejecución dinámicos. Estas arquitecturas ofrecen una base modular, flexible y escalable para implementar agentes educativos con inteligencia artificial. Su utilidad se estudia en relación con la personalización de los contenidos y la conexión con bases de conocimiento específicas del área de estudio.
Este trabajo ofrece una base teórica y práctica para crear herramientas educativas apoyadas en inteligencia artificial. Al combinar el potencial generativo de los LLMs con la autonomía organizada de los agentes inteligentes, y gracias a arquitecturas que permiten su coordinación, se plantea un enfoque con potencial para impulsar el desarrollo de nuevas plataformas educativas.
–ABSTRACT–
The main goal of this Master’s Thesis is to explore and apply advanced architectures of intelligent agents to develop an interactive educational platform powered by Large Language Models (LLMs). This work builds on the increasing use of Artificial Intelligence in educational technologies and applies cutting-edge Artificial Intelligence approaches to support autonomous and personalized learning experiences.
The research starts with a historical overview of Artificial Intelligence, tracing its evolution from symbolic approaches and expert systems to the current dominance of deep learning. It highlights key milestones such as the development of the perceptron, the rise of backpropagation, and the introduction of transformer-based architectures that led to modern LLMs like GPT, and LLaMA. While these models have shown impressive abilities in understanding and generating natural language, they also face significant challenges regarding reliability, transparency, and factual accuracy.
To address these limitations, the thesis explores the concept of AI agents as autonomous systems capable of perceiving, making decisions, and taking action. It examines different types of agents, as well as key technical components such as prompt engineering, reasoning loops, memory management, and planning strategies. Particular focus is given to the Retrieval-Augmented Generation (RAG) paradigm, which improves the performance and factual reliability of LLMs by integrating external knowledge sources in real time.
Furthermore, the study reviews two frameworks for agent orchestration: AutoGen, developed by Microsoft, which enables multi-agent communication through structured conversational protocols; and LangGraph, a LangChain-based framework that structures agent workflows as dynamic execution graphs. These architectures offer a modular, flexible, and scalable foundation for deploying AI-powered educational agents. Their usefulness is analyzed in terms of pedagogical interaction, personalized content delivery, and integration with domain-specific knowledge bases.
Finally, this thesis lays a solid theoretical and practical foundation for the development of AI-powered educational tools. By combining the generative capabilities of LLMs with the structured autonomy of intelligent agents, enabled by orchestrated architectures, this work proposes a framework with the potential to support the creation of next-generation educational platforms. Read More
Related posts:
Empleabilidad e Inteligencia Artificial: ¿qué buscan las empresas hoy?
MLSecOps: diseño e implementación de una metodología de desarrollo continua segura de sistemas con inteligencia artificial
Uso de algoritmos de Aprendizaje por refuerzo en el desarrollo de videojuegos
Globant lanza un centro de inteligencia artificial para los sectores de consumo y manufactura: ¿cómo funciona?
“La inteligencia artificial es un ‘must’. Es un sí o sí”
Inteligencia Artificial Agéntica: la nueva columna vertebral de la logística inteligente