Respuestas rápidas para decisiones de ingeniería de AI
Traducción automática Este artículo se tradujo automáticamente a partir de la versión original en inglés.
Usa esta sección cuando necesites una respuesta breve antes de entrar en profundidad. Cada guía ofrece una opción predeterminada práctica, sus trade-offs y un enlace al artículo completo para cuando los detalles sean importantes.
El archivo del blog se centra en artículos extensos. Fast Answers son guías de decisión más breves.
Agentes de AI
| Pregunta | Respuesta breve | Guía | Análisis en profundidad |
|---|---|---|---|
| ¿Con qué framework de agentes debería empezar? | Usa los agentes de LangChain para empezar con un nivel alto de abstracción, LangGraph para definir el estado explícitamente o un framework alineado con las necesidades de retrieval y de plataforma del producto. | Mejores frameworks para agentes de AI | Bucles de razonamiento de los agentes de AI |
| ¿Qué herramienta de evaluación de agentes debería usar? | Usa Phoenix para tracing abierto, LangSmith para un workflow gestionado, DeepEval para CI en Python o Promptfoo para matrices locales y pruebas de red team. | Mejores herramientas de evaluación de agentes de AI | Evaluación de agentes: de las trazas a las suites de tests |
| ¿Cómo debería proteger un agente de AI? | Reduce primero sus capacidades: limita las herramientas, aplica comprobaciones de políticas antes de cada tool call, usa sandboxes, credenciales con alcance limitado, aprobaciones, controles de egress y trazas. | Checklist de seguridad para agentes de AI | Seguridad de los agentes de AI |
| ¿Qué interfaz de herramientas debería usar? | Usa function calling dentro de una sola aplicación, MCP para servidores reutilizables, una CLI para comandos maduros o skills para instrucciones de workflow reutilizables. | Interfaces de herramientas para agentes de AI | Uso de herramientas por agentes de AI |
Ingeniería de modelos e infraestructura
| Pregunta | Respuesta breve | Guía | Análisis en profundidad |
|---|---|---|---|
| ¿Qué herramienta para LLMs locales debería usar en macOS? | Compara Ollama, LM Studio, llama.cpp y MLX-LM según el workflow, el artefacto, el control del runtime y el margen de memoria disponible. | Herramientas para LLMs locales en macOS | LLMs locales en macOS |
| ¿Qué representación de quantization debería usar? | Elige primero el runtime y el hardware; GGUF, AWQ, GPTQ, FP8 y NF4 describen capas u objetivos diferentes. | Formatos de quantization para LLMs | Guía de quantization de modelos |
| ¿Debería usar prompts, RAG o fine-tuning? | Usa prompts para las instrucciones, RAG para conocimiento cambiante y evidencias, y fine-tuning para comportamientos repetibles. | Fine-tuning frente a RAG y prompting | Guía de fine-tuning de LLMs |
Retrieval y sistemas de lenguaje
| Pregunta | Respuesta breve | Guía | Análisis en profundidad |
|---|---|---|---|
| ¿Qué stack de evaluación de RAG debería usar? | Empieza con métricas deterministas por etapa y añade después judges calibrados y comprobaciones específicas del producto. | Mejores herramientas de evaluación de RAG | Métricas de evaluación de RAG |
| ¿Qué modelo de OCR debería usar para document AI? | Usa OCR clásico para texto impreso limpio, un parser especializado para páginas estructuradas y un VLM de documentos cuando se necesite razonamiento visual. | Mejores modelos de OCR | Guía de OCR |
| ¿Qué modelo de NER debería usar? | Usa spaCy para labels estables, GLiNER para labels cambiantes, un encoder supervisado cuando tengas datos o un LLM para documentos que requieran mucho razonamiento. | Mejores modelos de NER | Guía de NER |
| ¿Qué stack de ranking de búsqueda debería construir? | Empieza con BM25, añade recall denso, combina resultados complementarios y aplica reranking a una shortlist con latencia acotada. | BM25 frente a Embeddings y Rerankers | Stack de ranking de búsqueda |