Unidad 3 - Agentes de código: Claude Code, Cursor y VS Code

Introducción al Business Analytics · Semana 8 · 06278-ECO

Autor/a

PhD. Eduard F. Martínez-González

1 Cómo estudiar esta semana

Este documento es la versión escrita del podcast de la semana

  1. 🎧 Escucha el episodio — el enlace está en Intu.
  2. 📖 Lee este documento — sigue el mismo recorrido, pero con los conceptos organizados, tres herramientas interactivas y un glosario para consultar.
  3. ✅ Presenta el quiz en Intu antes de la clase.
Advertencia

Antes de venir a clase: prepara tu computador (15 minutos, en serio)

La aplicación de esta semana es 100% práctica y necesita que llegues con:

  1. VS Code instalado → code.visualstudio.com. Es gratis y funciona en Windows, macOS y Linux.
  2. Una cuenta de GitHub → github.com/signup (con tu correo Icesi). Y actívale el paquete de estudiante en github.com/education: incluye GitHub Copilot Pro gratis mientras seas estudiante — el agente que usaremos en clase.
  3. R funcionando — lo tienes desde la semana 3. Verifica escribiendo Rscript --version en una terminal.

Si algo no te funciona, llega 10 minutos antes: los monitores te ayudan a destrabarlo. Sin estos tres ingredientes, en la práctica solo podrás mirar.

El plan del episodio: primero veremos por qué el método que muchos ya usan — copiar y pegar código entre el navegador y RStudio — es lento y ciego. Después conoceremos el cambio de paradigma: agentes que trabajan dentro de tu computador, ejecutan código de verdad y no se detienen hasta que corre. Y como darle manos a una IA suena tan potente como riesgoso, la segunda mitad es sobre control: reglas, auditoría, privacidad, presupuesto y la regla de oro que separa el uso aficionado del profesional.

2 Glosario de la semana

Los términos que vas a escuchar en el episodio (y a usar en la práctica). Vuelve aquí cada vez que uno se te escape.

Agente 🤖 Una IA que no solo escribe — actúa: lee tus archivos, ejecuta código, observa el resultado y corrige. La diferencia con un chat es la diferencia entre pedir instrucciones por teléfono y tener un asistente sentado frente al teclado.

Terminal (CLI) ⌨️ La ventana de texto donde se escriben comandos directamente al sistema (CLI = Command Line Interface, interfaz de línea de comandos). Claude Code vive ahí; Rscript script.R corre un script de R ahí.

Contexto del proyecto 📁 Todo lo que el agente puede ver: la estructura de carpetas, el README, los datos, los scripts, los errores de la terminal. Es lo que un chat del navegador no tiene.

Bucle agéntico 🔁 El ciclo que define a un agente: planear → ejecutar → observar → corregir, repetido hasta que el código corre limpio. Nadie copia ni pega nada en el medio.

Manifiesto (CLAUDE.md) 📜 Un archivo de texto en la raíz del proyecto con las reglas que el agente debe acatar en cada sesión: la “constitución” del proyecto. En Claude Code se llama CLAUDE.md; en Copilot, copilot-instructions.md.

Memoria del agente 🗒️ Bitácora que el agente mantiene solo: apunta las soluciones a problemas técnicos de tu máquina (rutas, versiones, mañas) y las reutiliza en sesiones futuras sin volver a preguntar.

MCP 🔌 Model Context Protocol — un estándar para conectar el agente con otras fuentes: una base de datos local, la web, una API. La clave: los datos no viajan; viajan las consultas y vuelven los resultados agregados.

Subagentes 🐝 Copias del agente que trabajan en paralelo, cada una en su propia copia aislada del proyecto, coordinadas por un “director de orquesta”. Así se corren mil simulaciones sin que nadie pise a nadie.

Skill 🧰 ¿Recuerdas la semana 2? Instrucciones reutilizables y empaquetadas para una tarea recurrente. Los agentes las cargan automáticamente cuando la tarea lo amerita.

Alucinación matemática 🎲 Pedirle a un LLM que calcule y recibir un número plausible… e inventado. La cura: el agente escribe el código, R hace el cálculo, y el agente solo reporta lo que salió.

3 La radiografía borrosa

El episodio arranca con una comparación médica. Cuando alguien se rompe un brazo, la radiografía muestra una línea blanca y nítida: el médico señala la pantalla y el problema es evidente, binario, definitivo. El hueso está roto o no lo está. Reconfortante, ¿no? A los seres humanos nos encantan los problemas visibles y categorizables.

Ahora entra al mundo del análisis de datos — el tuyo desde la semana 3 — y esa claridad desaparece. La máquina de rayos X solo arroja imágenes borrosas: bases masivas, relaciones entre cientos de variables, resultados que cambian según cómo trates un valor faltante. Y hay algo peor:

Un solo error en una línea de código puede cambiar la conclusión completa

No es una exageración. Si tu script de limpieza elimina los valores atípicos con un criterio distinto, el promedio cambia. Si el promedio cambia, la recomendación al gerente cambia. El análisis de datos serio exige un rigor que no perdona ni el más mínimo error en una línea de código — y a la vez, escribir código sin errores es dificilísimo.

Esa tensión — rigor absoluto vs. errores inevitables — es el pantano del que esta semana intentamos salir.

La pregunta del episodio es exactamente esa: ¿cómo usar la IA no como un generador de texto que opina sobre tu código, sino como un operador activo que trabaja dentro de tu proyecto, prueba lo que escribe y responde por el resultado?

4 El método viejo: un mecánico por teléfono

Piensa en cómo has usado la IA para programar hasta ahora (semanas 2 a 6). Seguramente así: una pestaña del navegador con el chat abierto al lado de RStudio. Y un ciclo que conoces de memoria:

  1. Tu script arroja un error larguísimo, todo teñido de rojo.
  2. Lo copias y lo pegas en el chat.
  3. Esperas una respuesta… que a menudo no entiende tu contexto.
  4. Copias el código sugerido, lo pegas de vuelta en tu script.
  5. Ejecutas y cruzas los dedos. 🤞
  6. Falla otra vez (con otro error). Vuelve al paso 1.

Cada vuelta pierde tiempo y — peor — pierde tu concentración. Pero el problema de fondo no es la fricción. Es que el modelo del navegador está ciego:

🔍 ¿Qué puede ver cada uno?

    Ya sabes por qué pasa esto (semana 2): el modelo solo puede trabajar con lo que entra en su ventana de contexto. Si lo único que entra es el pedazo de error que pegaste, lo único que sale es una sugerencia genérica. No es que el chat sea tonto — es que está incomunicado.

    Recuerda del podcast de la semana 2

    El modelo fija el significado por el contexto que lo acompaña. El copy-paste no es solo incómodo: es darle al modelo un contexto amputado.

    5 El cambio de paradigma: una IA que ejecuta

    Aquí es donde el episodio presenta a Claude Code: una herramienta de Anthropic que se instala en tu computador (macOS, Linux, o Windows mediante WSL — el subsistema de Windows para Linux, que permite correr un entorno de comandos tipo Linux sin complicaciones) y opera desde la terminal. No es una ventana de chat aislada: es un agente autónomo con acceso a tu proyecto.

    ¿Y qué significa “agente”, en concreto? Un ejemplo del episodio, traducido a tu mundo:

    Corres un script y salta un error: una columna que creías numérica llegó como texto. En lugar de detenerte tú a copiar el error → el agente lo lee directamente de la terminal, abre el archivo de datos, identifica el problema (comas decimales, celdas con “ND”), ajusta el script y lo vuelve a ejecutar para verificar que la solución funcione. Tú solo miras — y apruebas.

    5.1 El bucle agéntico

    El mecanismo que hace esto posible es el núcleo de toda la semana. El agente no genera código “en el vacío”: evalúa los resultados reales de la ejecución, siguiendo un ciclo de cuatro fases que se repite hasta que el código corre limpiamente.

    Míralo en cámara lenta — este es el ciclo completo con el mismo tipo de datos que usarás en clase:

    🔁 El bucle agéntico, paso a paso
    1 · Planear 2 · Ejecutar 3 · Observar 4 · Corregir ✔ Listo
    Pulsa Siguiente paso para ver cómo trabaja el agente con un encargo real.

    Lo esencial de este bloque

    • Un agente = LLM + acceso al proyecto + capacidad de ejecutar + el bucle planear → ejecutar → observar → corregir.
    • La diferencia con el chat no es inteligencia, es contexto y manos: mismo cerebro, pero ahora ve tus archivos y puede probar lo que propone.
    • El resultado final existe porque el código corrió de verdad en tu máquina. Nada de cruzar los dedos.

    5.2 ¿Y esto es solo Claude Code?

    No. El episodio se centra en Claude Code porque su documentación es la fuente, pero la filosofía agéntica ya vive en varias herramientas — y en la práctica de esta semana la vas a experimentar con la que tengas a mano:

    Herramienta Qué es Cómo se ve
    Claude Code El agente de Anthropic. Vive en la terminal; también dentro de VS Code. Le hablas en la terminal; él edita, ejecuta y te muestra diffs.
    VS Code + Copilot El editor gratuito de Microsoft con el asistente de GitHub. Su modo agente hace el mismo bucle. Panel de chat dentro del editor; propone cambios y corre comandos en la terminal integrada. Gratis para estudiantes — el que usaremos en clase.
    Cursor Un editor construido alrededor de la idea de agente. Similar a VS Code (es un derivado), con el agente como protagonista.

    La herramienta importa menos que la filosofía: una IA que no solo escribe, sino que ejecuta y prueba, con todo el contexto del proyecto. Eso es lo que cambia las reglas del juego. Y un dato que lo aterriza: las páginas de este curso — la teoría que estás leyendo, los talleres, los widgets — fueron construidas trabajando así, con un agente.

    6 Las reglas del juego: el manifiesto

    Frente a este nivel de autonomía, la duda correcta — la que plantea el episodio — es:

    Si le doy a un programa el control sobre mis archivos, con permiso para reescribir código… ¿qué impide que, en su afán ciego por hacer que el script “deje de arrojar errores”, termine alterando la metodología sin que yo me dé cuenta?

    Es el talón de Aquiles de la automatización. En análisis de datos, cambiar cómo se tratan los valores atípicos puede cambiar la conclusión del estudio. Si el agente elige una semilla aleatoria distinta cada vez, o decide por su cuenta eliminar los datos faltantes en lugar de reportarlos, el resultado deja de ser reproducible — y la reproducibilidad, como insiste el episodio, no es negociable. Sin salvaguardias, lo que produce es basura estadística con buena presentación.

    6.1 El manifiesto: la constitución del proyecto

    La primera salvaguardia es un archivo de texto — en Claude Code se llama CLAUDE.md — que se coloca en la carpeta raíz del proyecto. El agente tiene la obligación de leerlo y acatarlo cada vez que inicia una sesión. Es la constitución del proyecto: tus reglas metodológicas, escritas una sola vez, aplicadas siempre.

    Dos propiedades lo hacen funcionar:

    1. Es corto. La guía recomienda mantenerlo por debajo de ~200 líneas. ¿Te suena la razón? Es pura semana 2: todo lo que pongas ahí consume tokens — las unidades de atención del modelo. Un manifiesto de 500 páginas satura la ventana de contexto y el modelo “se marea”: empieza a sufrir una especie de amnesia de corto plazo y diluye su capacidad de seguir instrucciones. Menos es más.

    2. Es verificable. Nada de órdenes vagas. Cada directiva debe ser tan concreta que puedas comprobar si el agente la cumplió o no. Practica la diferencia:

    📜 ¿Directiva verificable o vaga?

    Seis reglas candidatas para un manifiesto. Clasifícalas: ¿se puede comprobar si el agente la cumplió?

    Un manifiesto real para un proyecto de este curso se ve así (lo escribirás en clase):

    # Reglas del proyecto — Tiendas Andinas

- Usa siempre set.seed(2026) en cualquier paso aleatorio.
- Nunca modifiques los archivos de data/: toda limpieza produce un archivo nuevo.
- Todo gráfico se exporta con ggsave() a output/, en PNG, con theme_minimal().
- Los valores de unidades que no sean enteros positivos se convierten en NA
  y se reportan en el log — no se eliminan en silencio.
- Si no estás seguro de una decisión de limpieza, pregunta antes de aplicarla.
- Responde y comenta el código en español.

    ¿Notas la última regla de la lista? Es la restricción comodín de la semana 2, adaptada al mundo agéntico.

    6.2 Auditar antes de aceptar

    Segunda salvaguardia: la confianza ciega no es una metodología científica. Antes de que el agente aplique un cambio permanente a tus archivos, las herramientas muestran la modificación línea por línea — en verde lo que se añade, en rojo lo que se elimina (los programadores lo llaman un diff) — y nada se escribe en el disco sin tu aprobación explícita. Tu trabajo en clase incluirá exactamente eso: leer el diff, entenderlo y solo entonces aprobar.

    6.3 La memoria del agente

    ¿Y si las reglas rígidas le quitan flexibilidad? El episodio responde con un segundo componente: además del manifiesto (la ley inmutable), el agente mantiene por su cuenta una bitácora de aprendizaje — su memoria. Si un día descubre que en tu computador la ruta de R requiere un comando especial, lo anota; en la siguiente sesión aplica ese conocimiento sin volver a preguntarte. Ley científica inquebrantable + agilidad técnica local.

    Lo esencial de este bloque

    • El riesgo real de la autonomía no es que el agente “se rebele”: es que optimice lo que no debía (que el código corra) sacrificando lo que sí importa (que el método sea correcto).
    • La defensa: un manifiesto corto y verificable que el agente lee en cada sesión, auditoría de cambios antes de aceptar, y una memoria para lo técnico-local.
    • Regla mental: dile al agente qué debe cumplirse (verificable); no le pidas virtudes (vago).

    7 Privacidad: analizar sin mirar

    Hay un obstáculo gigante que el episodio ataca de frente: los datos sensibles. Las investigaciones serias trabajan con registros individuales — encuestas de hogares, historias clínicas, registros fiscales — que por ley y por ética tienen prohibido salir del entorno local. ¿Cómo usar IA moderna sobre datos que no pueden viajar a la nube?

    La respuesta tiene tres capas, y la mejor forma de entenderla es la analogía estrella del episodio:

    El chef Michelin en la cocina de alta seguridad 👨‍🍳

    Contratas a un chef estrella Michelin para organizar la cocina de un restaurante de alta seguridad. Le das el menú, el inventario y las reglas de higiene (el manifiesto)… pero le prohíbes estrictamente abrir el refrigerador donde están los ingredientes secretos. El chef diseña toda la receta a ciegas — y con precisión matemática — porque no necesita ver los ingredientes: le basta conocer su estructura.

    Las tres capas, en concreto:

    1. Bloquear archivos. Al agente se le puede prohibir el acceso a archivos específicos — por ejemplo, todo lo que termine en .csv, .rds o .dta (los formatos de bases de datos). Funciona como una lista de exclusión: el agente ve que el archivo existe, pero no puede abrirlo.

    2. Análisis basado en metadatos. ¿Y entonces cómo trabaja? Con el diccionario de datos: los nombres de las columnas, sus tipos, sus rangos — la “información nutricional” sin el ingrediente. Con solo eso, el agente puede diseñar el análisis completo, escribir los scripts y los controles de calidad sin haber posado jamás los ojos sobre un solo registro individual. (¿Recuerdas el diccionario de datos de la semana 6? Ahora sabes para qué más sirve.)

    3. MCP: la base de datos calcula, el agente recibe agregados. Para bases grandes, el protocolo MCP conecta el agente directamente con una base de datos local. En lugar de exportarle un archivo con un millón de filas privadas, el agente escribe una consulta, la base de datos — que nunca se mueve de su entorno seguro — hace el cálculo, y devuelve solo la tabla agregada: promedios, conteos, totales. La información individual jamás transita hacia la nube. El mismo canal sirve al revés: el agente puede descargar por su cuenta datos públicos (Banco Mundial, FMI) para complementar el análisis.

    ¿Y en tu proyecto final?

    Tu base del proyecto no es un secreto de Estado, pero el principio te aplica desde ya: el agente no necesita ver todos los datos para ayudarte bien — necesita el diccionario, la estructura y reglas claras. Y si algún día trabajas con datos reales de una empresa (semestre de práctica, primer empleo), esta arquitectura es la diferencia entre poder usar IA y tenerla prohibida.

    8 Potencia con presupuesto

    La segunda mitad del episodio baja al terreno operativo: esto consume recursos — cómputo y plata — y usarlo bien es una decisión económica. Te va a sonar todo, porque los conceptos son de la semana 2, ahora en acción:

    Elegir el músculo según la tarea. La jerarquía de modelos que ya conoces (el episodio la recorre: Opus, el más potente, para el razonamiento profundo; Sonnet, rápido, ideal para tareas como limpiar variables; Haiku, el liviano). Y el control de esfuerzo — effort, de low a max — para modular cuánta “profundidad cognitiva” exiges por tarea: normalizar nombres de columnas no necesita un genio (low); desenredar un diseño metodológico complejo sí (xhigh o max).

    El caché: no releer lo ya leído. Imagina obligar al modelo a procesar un diccionario de datos de miles de líneas cada dos minutos. El prompt caching mantiene esa información “caliente” en memoria, y las lecturas desde caché cuestan una fracción del precio normal — el episodio habla de un ahorro de alrededor del 90% en esos costos. Sin esa persistencia, usar agentes a escala sería impagable para cualquier presupuesto universitario.

    Subagentes: la orquesta. Para trabajos masivos — el ejemplo del episodio son las simulaciones de Montecarlo, ejecutar un modelo miles de veces con ruido aleatorio para verificar que las conclusiones se sostienen — el agente asume el rol de director de orquesta: escribe un guion maestro y despliega docenas de subagentes que corren las pruebas en paralelo. ¿Y no se pisan entre ellos, si cincuenta procesos intentan reescribir el mismo archivo? No: cada subagente trabaja en un clon invisible del directorio (una rama paralela, aislada), y solo cuando su tarea corre perfecta y cumple el manifiesto, empaqueta sus cambios y pide integrarlos. Nunca colisionan.

    El riesgo: el bucle infinito. La contracara, y el episodio no la esconde: ¿qué pasa si sueltas cientos de agentes y se topan con un error insalvable en los datos base? Podrían quedar atrapados intentando, fallando y relanzando procesos — consumiendo el presupuesto del departamento en quince minutos. Por eso los protocolos defensivos no son opcionales:

    Freno Qué hace
    Límites de gasto Topes máximos configurados en la consola administrativa: alertas tempranas y freno duro.
    Restringir herramientas Definir qué comandos puede ejecutar un subagente — no se le otorga libertad total.
    Auditar y podar el contexto Revisar qué archivos están saturando la memoria del modelo y compactar el historial para frenar en seco cualquier bucle repetitivo.

    Recuerda del podcast de la semana 2

    Output cuesta ~5× el input, y el modelo grande cuesta ~5× el mediano. Un agente autónomo multiplica volumen de ambos — por eso aquí los límites de gasto pasan de “buena práctica” a “obligatorios”.

    9 La regla de oro: el agente no es calculadora

    Y llegamos a la trampa más letal del paradigma — la que separa, en palabras del episodio, el uso aficionado de la verdadera ciencia empírica rigurosa.

    Por muy avanzados que sean, estos modelos siguen siendo lo que aprendiste en la semana 2: motores predictivos de lenguaje. Estiman la palabra siguiente. No hacen matemáticas dentro de su red neuronal.

    Si le pides en el chat “estima el estadístico F” o “¿cuál es el promedio de esta columna?”, el sistema va a generar un número que parece increíblemente plausible… y es inventado. Una falsedad matemática envuelta en lenguaje académico impecable — la prima peligrosa de la bibliografía fantasma que cazaste en el taller 2. Se llama alucinación numérica, y destroza la integridad de cualquier análisis.

    Advertencia

    El protocolo estricto (apréndetelo como un mantra)

    Un LLM jamás se usa como calculadora. La regla operativa es:

    1. El agente escribe la matemática en un script local (R, en nuestro caso).
    2. El intérprete de R — con sus librerías estadísticas rigurosamente validadas — ejecuta el cálculo duro en tu máquina.
    3. El agente se limita a leer el resultado exportado y reportar las cifras exactas.

    El agente es un puente hacia R, no una calculadora mágica. Si un número no salió de un script que corrió, ese número no existe.

    Fíjate en algo hermoso: el bucle agéntico encarna esta regla. En el simulador de arriba, el ingreso promedio por ciudad no lo “supo” el modelo — salió de Rscript ejecutando código sobre los datos reales. Por diseño, un agente bien usado es la cura estructural de la alucinación numérica. Y aun así, el último control de calidad sigue siendo tuyo: en la práctica verificarás una cifra del agente recalculándola tú mismo. Confianza sí — ciega no.

    10 ¿Y esto cómo se ve en tu semestre?

    El objetivo de la semana, en una frase

    Aprender a hacer con un agente lo que ya hiciste a mano en las semanas 3 a 6 — explorar, limpiar, resumir y graficar datos — sin soltar el timón metodológico.

    • En la práctica de esta semana: abrirás un proyecto real (una cadena de minimercados con una base sucia) en VS Code, harás la “prueba del mecánico” para sentir la diferencia chat vs. agente en carne propia, escribirás tu primer manifiesto y dirigirás el bucle completo: diagnóstico → limpieza documentada → KPIs y gráficos. Todo con verificación.
    • En el taller evaluable: dirigirás tú solo un ciclo agéntico de principio a fin, con evidencias de cada fase.
    • Para tu proyecto final: este flujo es exactamente cómo vas a acelerar la Entrega 2 (el análisis exploratorio) — con la política de IA del curso intacta: la IA acelera, tú entiendes, validas y respondes por cada paso.

    11 Para pensar 🤔

    El episodio cierra con una pregunta provocadora, y te la dejamos tal cual:

    Si la inteligencia artificial asume por completo la carga de programar código impecable — depurar errores, gestionar datos, aplicar mecánicamente los controles de robustez — … ¿el conocimiento técnico de programación perderá su valor diferenciador? ¿El éxito dependerá, única y exclusivamente, de la lógica y de la validez de las preguntas que seamos capaces de formular?

    No hay respuesta oficial. Pero nota dónde te deja parado este curso: las semanas 3 a 6 te enseñaron a programar para que puedas juzgar lo que el agente programa. Y las semanas 2 y 8 te enseñaron a preguntar. Tú decides cuál de las dos habilidades se aprecia más — o si la ventaja está, precisamente, en tener ambas.

    12 Checklist de salida

    Antes del quiz (y de la clase), deberías poder:

    13 Preguntas de comprensión

    Ponte a prueba antes del quiz. Piensa tu respuesta antes de abrir la nuestra.

    1. Tu compañero pega en ChatGPT el error de su script y recibe una solución que no funciona en su computador. Usando el vocabulario de esta semana, ¿cuál es el diagnóstico?

    Ver respuesta El chat está ciego: no ve la estructura del proyecto, no sabe qué versiones de librerías tiene instaladas tu compañero y no puede ejecutar su propuesta para verificarla. Solo conoce el fragmento pegado — contexto amputado → sugerencia genérica. Es el mecánico por teléfono: da instrucciones al aire sin ver la moto. Un agente, en cambio, leería el error de la terminal, examinaría los archivos reales e iteraría hasta que el script corra.

    2. En el manifiesto de tu proyecto escribes: “analiza los outliers con criterio profesional”. ¿Cuál es el problema y cómo la reescribirías?

    Ver respuesta Es una directiva vaga: “criterio profesional” no se puede verificar, así que el agente decidirá por su cuenta — exactamente lo que el manifiesto debía impedir. Reescritura verificable, por ejemplo: “Marca como outlier todo precio mayor a 100.000 COP; no elimines esas filas: repórtalas en output/log_limpieza.md con su conteo”. Ahora cualquiera puede auditar si se cumplió.

    3. Una empresa te prohíbe subir su base de clientes a cualquier servicio en la nube. ¿Puedes aun así usar un agente para ese análisis? Explica las capas que lo hacen posible.

    Ver respuesta Sí. (1) Bloqueo de archivos: el agente tiene prohibido abrir los archivos de datos. (2) Metadatos: trabaja con el diccionario — columnas, tipos, rangos — y con eso diseña scripts y controles sin ver un solo registro (el chef Michelin sin abrir el refrigerador). (3) MCP: el agente manda consultas a la base local; la base calcula y devuelve solo agregados. Los microdatos nunca salen del entorno seguro; el código corre localmente.

    4. Le preguntas al agente “¿cuál es la desviación estándar del ingreso?” y te responde “≈ 48.230 COP” sin haber ejecutado nada. ¿Qué haces y por qué?

    Ver respuesta Desconfiar: ese número es una alucinación numérica en potencia — el modelo predice texto plausible, no calcula. El protocolo: pedirle que escriba un script que calcule la desviación (sd(ingreso)), que lo ejecute con R, y que reporte la cifra que salió del intérprete. Y el control final es tuyo: recalcularla tú mismo al menos una vez. El agente es un puente hacia R, no una calculadora.

    14 Material adicional

    Para profundizar (opcional, pero esta semana vale especialmente la pena):

    La semana que viene no hay teoría nueva: la semana 9 es la presentación del avance de tu proyecto (EDA) — y todo lo de hoy es, casualmente, la forma más rápida de prepararla bien. 😉