# Skills de Claude Code para agentes de IA, RAG y MCP Skills de Claude Code para construir agentes y chatbots, evaluar RAG y modelos, crear servidores MCP y reducir el coste de las llamadas a LLM. Estas skills de Claude Code están pensadas para quien construye productos con modelos de lenguaje. Para empezar, [diseñar un agente de IA](https://skills.sgomez.dev/es/s/ai--agent-builder.md) define el bucle, las herramientas y la memoria, [crear un chatbot](https://skills.sgomez.dev/es/s/ai--chatbot-scaffold.md) monta respuestas en streaming y conversaciones persistentes, y [crear un servidor MCP](https://skills.sgomez.dev/es/s/ai--mcp-server.md) expone las funciones de tu proyecto mediante Model Context Protocol. Para que funcione bien, [mejorar tus prompts](https://skills.sgomez.dev/es/s/ai--prompt-engineer.md) revisa y reescribe instrucciones y definiciones de herramientas, [evaluar una función de IA](https://skills.sgomez.dev/es/s/ai--llm-eval.md) prepara casos de prueba y rúbricas, y [medir un sistema RAG](https://skills.sgomez.dev/es/s/ai--rag-eval.md) construye un conjunto de preguntas de referencia y métricas de recuperación. Para la seguridad, [añadir guardarraíles a una app de IA](https://skills.sgomez.dev/es/s/ai--guardrails.md) incluye filtros de entrada y salida y defensa contra prompt injection. Si te interesa el coste o el aprendizaje automático, [reducir el gasto en tokens](https://skills.sgomez.dev/es/s/ai--llm-cost-optimizer.md) mide dónde se consume y aplica enrutado de modelos y caché, [entrenar un modelo](https://skills.sgomez.dev/es/s/ml--model-training.md) parte de una línea base sencilla, y [predecir series temporales](https://skills.sgomez.dev/es/s/ml--time-series-forecast.md) usa backtesting para validar el pronóstico. Versión web: https://skills.sgomez.dev/es/ai Actualizado el 15 sept 2026 ## Skills (32) - [Investigación en internet y redes (/agent-reach)](https://skills.sgomez.dev/es/s/agent-reach.md): Busca y lee contenido de internet y de 16 plataformas (Reddit, YouTube, X, LinkedIn, GitHub, RSS…) para investigar un tema sin publicar nada. - [Diseño de agentes de IA (/ai--agent-builder)](https://skills.sgomez.dev/es/s/ai--agent-builder.md): Diseña e implementa un agente de IA en tu código: bucle, herramientas, memoria, límites de parada y un conjunto de pruebas de tareas. - [Integrar una API de IA (/ai--ai-integration)](https://skills.sgomez.dev/es/s/ai--ai-integration.md): Añade a tu aplicación la integración con una API de IA (Claude, OpenAI): cliente, errores, reintentos, tipos y pruebas con respuestas simuladas. - [Chatbot listo para producción (/ai--chatbot-scaffold)](https://skills.sgomez.dev/es/s/ai--chatbot-scaffold.md): Monta un chatbot sobre tu stack actual: respuestas en streaming, historial guardado, conexión opcional a RAG y un bucle de feedback. - [Ventana de contexto del modelo (/ai--context-engineering)](https://skills.sgomez.dev/es/s/ai--context-engineering.md): Analiza qué entra en la ventana de contexto de tu app de IA y propone qué recuperar, qué resumir y cuándo compactar el historial. - [Embeddings y búsqueda semántica (/ai--embeddings)](https://skills.sgomez.dev/es/s/ai--embeddings.md): Implementa embeddings vectoriales en tu aplicación para búsqueda semántica, RAG o similitud: ingesta, troceado, consulta y optimización. - [Afinar un modelo de lenguaje (/ai--fine-tuning)](https://skills.sgomez.dev/es/s/ai--fine-tuning.md): Decide con honestidad si hace falta afinar un LLM o basta con prompts, y si procede prepara datos, entrena y compara antes y después. - [Barreras de seguridad para LLM (/ai--guardrails)](https://skills.sgomez.dev/es/s/ai--guardrails.md): Añade filtros de entrada y salida, defensa contra inyección de prompts y manejo de datos personales a una función de IA, con pruebas adversarias. - [Ahorro de costes en IA (/ai--llm-cost-optimizer)](https://skills.sgomez.dev/es/s/ai--llm-cost-optimizer.md): Mide dónde se gastan los tokens de tu app y aplica enrutado de modelos, cachés y compresión de prompts, validando cada cambio con una evaluación. - [Evaluar respuestas de un LLM (/ai--llm-eval)](https://skills.sgomez.dev/es/s/ai--llm-eval.md): Monta un conjunto de evaluación para una función de IA: casos, rúbricas, comprobaciones por código, jueces LLM con control de sesgos y puerta en CI. - [Monitorizar llamadas a un LLM (/ai--llm-observability)](https://skills.sgomez.dev/es/s/ai--llm-observability.md): Instrumenta tu aplicación de IA con trazas, seguimiento de tokens y coste, señales de calidad, paneles y alertas para cada llamada. - [Crear un servidor MCP (/ai--mcp-server)](https://skills.sgomez.dev/es/s/ai--mcp-server.md): Construye un servidor MCP que expone las funciones, APIs o datos de tu proyecto a clientes como Claude Code, con transporte, autenticación y pruebas. - [Sistemas multiagente (/ai--multi-agent)](https://skills.sgomez.dev/es/s/ai--multi-agent.md): Diseña un sistema de varios agentes de IA, con patrón de orquestación, contratos entre agentes y manejo de fallos, o recomienda un solo agente. - [Mejorar prompts de IA (/ai--prompt-engineer)](https://skills.sgomez.dev/es/s/ai--prompt-engineer.md): Revisa y reescribe tus prompts de sistema, de usuario y definiciones de herramientas, y te da una comparación entre la versión original y la mejorada. - [Evaluar un sistema RAG (/ai--rag-eval)](https://skills.sgomez.dev/es/s/ai--rag-eval.md): Crea un banco de pruebas para medir un pipeline RAG: conjunto de preguntas de referencia, métricas de recuperación, fidelidad y control de regresiones. - [Caché semántica para LLM (/ai--semantic-cache)](https://skills.sgomez.dev/es/s/ai--semantic-cache.md): Añade una caché delante de las llamadas a un LLM para servir respuestas guardadas a peticiones repetidas o casi iguales, y mide si de verdad ayuda. - [Salida estructurada de un LLM (/ai--structured-output)](https://skills.sgomez.dev/es/s/ai--structured-output.md): Hace que un modelo devuelva JSON u objetos tipados fiables: diseño del esquema, modos nativos, validación y reparación acotada de errores. - [Llamadas a herramientas en LLM (/ai--tool-calling)](https://skills.sgomez.dev/es/s/ai--tool-calling.md): Revisa o implementa las herramientas que un modelo puede llamar: esquemas claros, llamadas en paralelo, gestión de errores y medición de aciertos. - [Agente de voz en vivo (/ai--voice-agent)](https://skills.sgomez.dev/es/s/ai--voice-agent.md): Diseña un agente de voz con baja latencia que admite interrupciones: elección de STT y TTS, presupuesto de latencia y diseño de la conversación. - [Investigación web en profundidad (/deep-research)](https://skills.sgomez.dev/es/s/deep-research.md): Aplica un método de investigación en varias fases, con múltiples ángulos y fuentes, antes de responder o generar contenido que necesite datos. - [Revisión de salud de skills (/meta--health-check)](https://skills.sgomez.dev/es/s/meta--health-check.md): Revisa todas las skills instaladas: estructura, permisos declarados y seguridad, y entrega un informe con lo que pasa y lo que falla. - [Ejecutar un flujo de skills (/meta--pipeline-run)](https://skills.sgomez.dev/es/s/meta--pipeline-run.md): Ejecuta una cadena de skills definida en un archivo de pipeline, con puertas de calidad entre pasos y un resumen final de cada paso. - [Crear una skill nueva (/meta--skill-forge)](https://skills.sgomez.dev/es/s/meta--skill-forge.md): Genera una skill nueva a partir de una descripción en lenguaje natural, con su manifiesto de permisos y un archivo de pruebas. - [Skills adaptadas a tu proyecto (/meta--skills-init)](https://skills.sgomez.dev/es/s/meta--skills-init.md): Analiza tu proyecto, detecta el stack y activa solo las skills relevantes, guardando la configuración en un archivo del proyecto. - [Preparar un dataset para ML (/ml--dataset-prep)](https://skills.sgomez.dev/es/s/ml--dataset-prep.md): Convierte un conjunto de datos en bruto en una base limpia, bien dividida y sin fuga de información: perfilado, limpieza, divisiones y balance. - [Variables para modelos de ML (/ml--feature-engineering)](https://skills.sgomez.dev/es/s/ml--feature-engineering.md): Diseña variables para un problema tabular dentro de un pipeline que evita la fuga de datos: codificaciones, escalado e interacciones. - [MLOps para tu proyecto (/ml--mlops-pipeline)](https://skills.sgomez.dev/es/s/ml--mlops-pipeline.md): Da a un proyecto de ML reproducibilidad, seguimiento de experimentos, registro de modelos e integración continua, ajustado al tamaño del equipo. - [Desplegar un modelo de ML (/ml--model-deployment)](https://skills.sgomez.dev/es/s/ml--model-deployment.md): Lleva un modelo entrenado a producción: patrón de servicio por lotes u online, API, empaquetado, monitorización y detección de deriva. - [Evaluar un modelo de ML (/ml--model-evaluation)](https://skills.sgomez.dev/es/s/ml--model-evaluation.md): Evalúa un modelo más allá de un solo número: métricas según el coste de cada error, calibración, rendimiento por segmentos y análisis de fallos. - [Entrenar un modelo de ML (/ml--model-training)](https://skills.sgomez.dev/es/s/ml--model-training.md): Entrena un modelo con método: primero una línea base simple, luego el modelo más sencillo que sirva, con validación cruzada y ajuste de parámetros. - [Sistema de recomendación (/ml--recommender-system)](https://skills.sgomez.dev/es/s/ml--recommender-system.md): Construye un recomendador que supere a un baseline de popularidad: elige enfoque, resuelve el arranque en frío y lo evalúa offline. - [Previsión de series temporales (/ml--time-series-forecast)](https://skills.sgomez.dev/es/s/ml--time-series-forecast.md): Construye una previsión con baselines ingenuos, estacionalidad, backtesting e intervalos de predicción, sin usar datos del futuro.