Notas de campo prácticas sobre los componentes de los sistemas de AI que tienen que resistir en producción: agentes, evaluación, seguridad, memoria, retrieval, model engineering e infraestructura.
Recursive Harness Engineering explora sistemas que mejoran otros sistemas de AI, desde experimentos de configuración controlados hasta enfoques como el recursive agent harnessing.
Empieza por una de las series de abajo o explora todos los artículos por tema.
Series · Partes: 6
En orden. Empieza por el bucle.
Desliza para ver las partes →
Series · Partes: 2
Construye el harness y mide cada cambio.
Series · Partes: 1
Mejora recursiva controlada: un harness mejora a otro.
Evaluación
Evalúa el comportamiento de los agentes y cada etapa de un sistema de generación aumentada por recuperación.
Retrieval y lenguaje
Crea pipelines de ranking, elige sistemas de Document AI y estructura el lenguaje de forma fiable.
Respuestas rápidas
¿Está eligiendo un modelo, una herramienta o un enfoque? Aquí encontrará una recomendación breve, las condiciones que cambian la elección y un enlace a la explicación completa.
Agentes de IA Parte 2
Las mismas tareas de soporte como un agente, un agente con aprobación, un agente dentro de un flujo de trabajo, un router y un flujo de trabajo sin agente, comparados con un mismo conjunto de pruebas.
· 25 min
Agentes de IA Parte 1
Cómo los requisitos de la tarea dan forma a un harness de agente: elegir el flujo de control, las herramientas, la ejecución de código, el estado, los permisos y la evidencia antes de elegir un framework.
· 32 min
Agentes de IA Parte 1
Recursive harness engineering en un bucle pequeño: un LLM convierte el error de una herramienta de memoria en una corrección probada y un script comprueba si hacía falta un LLM.
· 23 min
Herramientas de desarrollo · Agentes de IA
Relaciona pydantic con Zod, FastAPI con Hono y Celery con una cola en Postgres; después crea un servicio de agentes con streaming en un monorepo de TypeScript con pnpm.
· 30 min
Agentes de IA Parte 6
Cómo aceptar un artefacto probado, recuperar tool calls inciertos, pasar el trabajo a otra sesión y medir si un componente del harness ayuda.
· 24 min
Ingeniería de modelos · Infraestructura de IA
Guía práctica para elegir rutas de cuantización de LLM y de modelos de difusión según el cuello de botella, el hardware, el kernel del runtime, los datos de calibración y las comprobaciones previas al despliegue.
· 40 min
Agentes de IA
Por qué los agentes AI en producción necesitan memoria guiada por esquema, con validez temporal, procedencia y gestión estructurada de conflictos, en lugar de recuperar texto sin procesar mediante vectores.
· 20 min
Agentes de IA
Cómo evaluar agentes de AI en producción convirtiendo las trazas en datasets de regresión versionados, métricas de trayectoria, jueces calibrados y comprobaciones en CI.
· 32 min
Agentes de IA Parte 5
Continúa la ejecución de un agente tras fallos de los workers, reconcilia los efectos inciertos de las herramientas y elige un runtime: cola y worker, Temporal, sandboxes o agentes alojados.
· 37 min
Sistemas de recuperación y lenguaje
Métricas de evaluación de RAG para el parsing, la recuperación, el reranking, la generación, las citas y la telemetría de producción, con código y modos de fallo.
· 56 min
Agentes de IA Parte 4
Cómo autorizar la acción que propone un agente, contener su ejecutor y probar los límites que los guardrails del modelo no pueden hacer cumplir.
· 31 min
Sistemas de recuperación y lenguaje
En 2026, NER implica elegir entre GLiNER, spaCy, Transformers y la extracción con LLM en función de la latencia, la precisión y el control del esquema.
· 51 min
Agentes de IA Parte 3
Diseña el contrato de acción y resultado de un agente y elige después entre llamadas JSON, MCP, CLI o ejecución de código para el trabajo que debe hacer.
· 27 min
Ingeniería de modelos · Infraestructura de IA
Una referencia práctica sobre 45 conceptos de ingeniería de LLM para sistemas en producción, que abarcan inferencia, entrenamiento, arquitectura, despliegue y operaciones.
· 92 min
Sistemas de recuperación y lenguaje
En 2026, OCR implica elegir entre pipelines clásicos y VLMs para extraer texto, maquetación, tablas y datos de documentos.
· 27 min
Infraestructura de IA
Cómo ejecutan Polars, DataFusion, Daft, Ray Data y Spark cargas tabulares y multimodales, con código, un benchmark en igualdad de condiciones y reglas de decisión.
· 24 min
Agentes de IA Parte 2
Elige la memoria del agente según el fallo que debe evitar y después la herramienta: checkpoint savers, almacenes clave-valor, pgvector o Qdrant, archivos o un framework de memoria.
· 31 min
Sistemas de recuperación y lenguaje
Cómo crear un stack de ranking de búsqueda con BM25, embeddings densos, fusión híbrida RRF, reranking con cross-encoder y reranking listwise con LLM sobre Amazon ESCI.
· 35 min
Agentes de IA Parte 1
Elige entre workflows fijos, ReAct, ReWOO y Plan-and-Execute preguntándote cuándo los tool results deben cambiar la siguiente acción.
· 17 min
Ingeniería de modelos
Un recorrido técnico por las Manifold-Constrained Hyper-Connections (mHC) de DeepSeek: escalado del ancho del flujo residual, enrutamiento con Sinkhorn y estabilidad del entrenamiento.
· 15 min
Agentes de IA
Qué revelan las candidaturas públicas de Enterprise RAG Challenge 3 sobre la iteración de prompts, la validación, la estrategia de contexto, los wrappers de herramientas y la arquitectura de agentes.
· 16 min
Ingeniería de modelos
Cuándo hacer fine-tuning de LLMs, cuándo usar RAG o prompting, y cómo encajan LoRA, QLoRA, DoRA, Unsloth, Axolotl, los datasets, las evals y el despliegue.
· 35 min
Agentes de IA · Ingeniería de modelos
Cómo el Schema-Guided Reasoning utiliza vLLM, XGrammar, esquemas de Pydantic y constrained decoding para imponer salidas de LLM estructuralmente válidas.
· 19 min
Ingeniería de modelos · Infraestructura de IA
Evalúa y despliega LoRAX para servir adaptadores LoRA de cola larga, con las API actuales, el endurecimiento del chart de Kubernetes, la seguridad de los adaptadores, el enrutado según la caché y las diferencias con vLLM.
· 20 min
Agentes de IA
Cómo el domain-driven design ayuda a los AI agents a usar un lenguaje compartido, bounded contexts, servicios, repositorios y reglas de negocio deterministas.
· 19 min
Agentes de IA
Cómo diseñar el context engineering para agentes de AI: ventanas de contexto, jerarquía de instrucciones, recuperación, memoria, herramientas, guardrails, procedencia y compresión.
· 31 min
Agentes de IA · Herramientas de desarrollo
Crea un servidor MCP propio con uv y FastMCP, expón herramientas de un feature store de ML, pruébalas en local y conecta el servidor a Claude Desktop.
· 11 min
Ingeniería de modelos
Cómo leer los nombres de los modelos de pesos abiertos separando rol de entrenamiento, arquitectura, método de cuantización, formato de almacenamiento, runtime y ajuste al hardware.
· 18 min
Herramientas de desarrollo
Compara herramientas locales de generación de imágenes en macOS según su instalación, compatibilidad con modelos, control del workflow, reproducibilidad, extensiones y estado de mantenimiento.
· 14 min
Ingeniería de modelos · Herramientas de desarrollo
Compara las herramientas de LLMs locales en macOS por interfaz, formato de modelo, margen de memoria, exposición de la API y flujo de desarrollo en Apple Silicon.
· 14 min
Herramientas de desarrollo
Cómo funciona pyproject.toml para los sistemas de compilación, los metadatos del proyecto, las dependencias de ejecución, los grupos de desarrollo, los puntos de entrada de CLI y la configuración de herramientas.
· 10 min
Herramientas de desarrollo
Archivos de inicio de Zsh: cuándo se cargan ~/.zprofile y ~/.zshrc en macOS y Linux, qué debe incluir cada archivo y cómo diagnosticar el modo del shell en ejecución.
· 8 min
Infraestructura de IA
Qué cambiaron los modelos fundacionales en MLOps: unidades de versión, recuperación, herramientas, evaluación, trazas, serving y las herramientas que hacen cada tarea.
· 20 min
Ingeniería de modelos · Infraestructura de IA
Cómo escalar LLMs entre GPUs y nodos con paralelismo de datos, fragmentado, tensorial, de pipeline, de contexto y de expertos, y qué framework implementa cada uno.
· 22 min
Herramientas de desarrollo
Lista de comprobación de la configuración de un MacBook para AI engineering: herramientas de Xcode, Homebrew, Python con uv, Docker, configuración del terminal y VS Code.
· 8 min
Herramientas de desarrollo
Cómo uso uv en macOS para instalar Python, gestionar dependencias de proyectos, archivos de bloqueo, scripts inline y herramientas CLI puntuales.
· 11 min
Aquí todavía no hay nada.
