Traducción automática Este artículo se tradujo automáticamente a partir de la versión original en inglés.
Notas prácticas de campo sobre las partes de los sistemas de AI que deben sobrevivir en producción: agentes, evaluación, seguridad, memoria, retrieval, ingeniería de modelos e infraestructura.
Elige a continuación una ruta según el problema: sistemas de agentes, evaluación o retrieval y lenguaje. Para consultar una guía de decisión más breve, visita Respuestas rápidas.
Empieza aquí
Sistemas de agentes
Un recorrido conectado por razonamiento, memoria, herramientas, seguridad, runtime e ingeniería del harness.
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.
Serie principal
Desliza para ver las seis partes →
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 gestionado con pnpm.
· 26 min
Agentes de IA Parte 6
Cómo el código de control que rodea a un AI agent autoriza tools, conserva el progreso, verifica la finalización y justifica cada componente añadido mediante ablation.
· 27 min
Ingeniería de modelos · Infraestructura de IA
Guía práctica para elegir estrategias de cuantización de LLM y modelos de difusión según el cuello de botella, el hardware, el kernel del runtime, los datos de calibración y las comprobaciones previas al despliegue.
· 29 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.
· 18 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 gates de CI.
· 26 min
Agentes de IA Parte 5
Cómo ejecutar AI agents de larga duración en producción con sesiones, harnesses, sandboxes, checkpoints, trazas y patrones de despliegue que se recuperan correctamente.
· 44 min
Sistemas de recuperación y lenguaje
Métricas de evaluación de RAG para parsing, retrieval, reranking, generación, citas y telemetría en producción, con código y modos de fallo.
· 42 min
Agentes de IA Parte 4
Por qué los guardrails de los LLM no bastan para la seguridad de los AI agents, y qué papel desempeñan los permisos, los sandboxes, HITL, el scoping de MCP y las comprobaciones de políticas.
· 41 min
Sistemas de recuperación y lenguaje
En 2026, NER implica elegir entre GLiNER, spaCy, Transformers y la extracción con LLM para equilibrar latencia, precisión y control del esquema.
· 38 min
Agentes de IA Parte 3
Compara JSON tool calling, MCP, Skills, CLI y la ejecución de código para agentes de AI, junto con las reglas de diseño de ACI y los trade-offs de producción más relevantes.
· 25 min
Ingeniería de modelos · Infraestructura de IA
Referencia práctica sobre 45 conceptos de ingeniería de LLM para sistemas en producción, desde la inferencia, el entrenamiento y la arquitectura hasta el despliegue y las operaciones.
· 74 min
Sistemas de recuperación y lenguaje
En 2026, OCR implica elegir entre pipelines clásicos y VLMs para texto, layout, tablas y extracción de documentos.
· 16 min
Infraestructura de IA
Benchmarks que comparan Polars, DataFusion, Daft, Ray Data, Pandas y Spark en cargas de trabajo tabulares y multimodales, con código y reglas de decisión.
· 18 min
Agentes de IA Parte 2
Cómo diseñar la memoria de un AI agent con checkpoints, PostgreSQL o Redis, vector stores como Qdrant y memoria basada en archivos para sistemas de larga duración.
· 22 min
Sistemas de recuperación y lenguaje
Cómo crear un stack de ranking para búsquedas con BM25, embeddings densos, RRF híbrido, reranking con cross-encoder y ranking listwise con LLM sobre Amazon ESCI.
· 30 min
Agentes de IA Parte 1
Compara ReAct, ReWOO y Plan-and-Execute para AI agents. Los ejemplos con LangGraph muestran cómo cada bucle intercambia adaptabilidad por coste, latencia y estructura de planificación.
· 14 min
Ingeniería de modelos
Análisis técnico de las Manifold-Constrained Hyper-Connections (mHC) de DeepSeek, el escalado de la anchura del residual stream, el routing de Sinkhorn y la estabilidad del entrenamiento.
· 11 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.
· 11 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 evaluaciones y el despliegue.
· 24 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.
· 12 min
Ingeniería de modelos · Infraestructura de IA
Evalúa y despliega LoRAX para serving de LoRA de cola larga, con APIs actuales, endurecimiento del chart de Kubernetes, seguridad de los adaptadores, routing consciente de la caché y trade-offs frente a vLLM.
· 12 min
Agentes de IA
Cómo el domain-driven design ayuda a los AI Agents a utilizar un lenguaje compartido, bounded contexts, servicios, repositorios y reglas de negocio deterministas.
· 10 min
Agentes de IA
Cómo diseñar la ingeniería del contexto para agentes de AI: ventanas de contexto, jerarquía de instrucciones, recuperación, memoria, herramientas, guardrails, procedencia y compresión.
· 17 min
Agentes de IA · Herramientas de desarrollo
Construye un servidor MCP personalizado con uv y FastMCP, expón herramientas de un feature store de ML, pruébalas localmente y conecta el servidor a Claude Desktop.
· 9 min
Ingeniería de modelos
Cómo interpretar los nombres de modelos con pesos abiertos separando el rol de entrenamiento, la arquitectura, el método de cuantización, el formato de almacenamiento, el runtime y la adecuación al hardware.
· 12 min
Herramientas de desarrollo
Compara herramientas locales de generación de imágenes en macOS según su configuración, compatibilidad con modelos, control del workflow, reproducibilidad, extensiones y estado de mantenimiento.
· 8 min
Ingeniería de modelos · Herramientas de desarrollo
Compara herramientas para ejecutar LLMs localmente en macOS según la interfaz, el formato del modelo, el margen de memoria, la exposición de la API y el flujo de desarrollo en Apple Silicon.
· 7 min
Herramientas de desarrollo
Cómo funciona pyproject.toml para los sistemas de build, los metadatos del proyecto, las dependencias de runtime, los grupos de desarrollo, los puntos de entrada de la CLI y la configuración de herramientas.
· 6 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.
· 6 min
Infraestructura de IA
Qué cambiaron los foundation models en MLOps: unidades de release, retrieval, herramientas, evaluación, tracing, serving y riesgo operativo.
· 9 min
Ingeniería de modelos · Infraestructura de IA
Cómo escalar modelos de lenguaje grandes entre GPUs y nodos mediante paralelismo de datos, totalmente sharded, tensorial, de pipeline, de contexto y de expertos.
· 11 min
Herramientas de desarrollo
Checklist de configuración de un MacBook para AI engineering: herramientas de Xcode, Homebrew, Python con uv, Docker, configuración del terminal y VS Code.
· 7 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.
· 7 min
Aquí todavía no hay nada.
