204 términos

Glosario

Fundamentos

Prompt engineeringUn turno.Context engineeringUna sesión.Harness engineeringTrabajo continuo: horas y cientos de decisiones, con herramientas, validación y restricciones arquitectónicas.Patrón de HashimotoCada error del agente se convierte en un arreglo permanente del entorno; el sistema se realimenta y mejora a sí mismo.Cinco primitivasSistema de archivos, ejecución de código, sandbox controlado, memoria persistente y gestión de contexto.RAG (Retrieval-Augmented Generation)Técnica que recupera información de una fuente externa antes de generar la respuesta, en vez de depender solo del conocimiento entrenado en el modelo.MCP (Model Context Protocol)Protocolo abierto para conectar modelos con herramientas y fuentes de datos externas de forma estandarizada.SkillsUnidades modulares de comportamiento o conocimiento que se le enseñan a un agente para una tarea específica.Skill creatorSkill de Anthropic para construir otras skills; camino para profesionalizar el uso de IA en vez de improvisar cada vez.AgentesSistemas que usan un modelo para decidir y ejecutar acciones de forma autónoma, no solo responder texto.Hermes AgentMarco de agente con memoria y conectores (WhatsApp, Drive) para asistentes tipo «Jarvis».Capa de dominioParte del software con las reglas del negocio, separada de la interfaz.SDRRadio definida por software: un dispositivo USB y un programa reciben señales de radio.LLM (modelo de lenguaje grande)Modelo entrenado con enormes cantidades de texto para predecir la siguiente pieza de texto. Es el «caballo» de la metáfora del grupo.TokenUnidad mínima con la que un modelo lee y escribe: un pedazo de palabra, una palabra corta o un signo. Se cobra y se mide por tokens.TokenizaciónProceso de partir un texto en tokens antes de pasarlo al modelo. Por eso el español suele gastar más tokens que el inglés.TransformerArquitectura de red neuronal (2017) en la que se basan casi todos los LLM actuales. Su pieza clave es el mecanismo de atención.Mecanismo de atenciónParte del transformer que decide qué tanto pesa cada token del contexto al generar el siguiente.ParámetrosLos números internos que el modelo ajusta durante el entrenamiento. Se usan como medida aproximada de su tamaño (7B, 70B…).Pesos abiertos (open weights)Modelos cuyos parámetros se pueden descargar y ejecutar en hardware propio, aunque no siempre se publiquen los datos ni el código de entrenamiento.PreentrenamientoPrimera etapa del entrenamiento: el modelo aprende a predecir texto a partir de grandes volúmenes de datos, sin una tarea específica.Ajuste fino (fine-tuning)Entrenamiento adicional de un modelo ya preentrenado con datos de un dominio o estilo particular.RLHFAprendizaje por refuerzo con retroalimentación humana: personas califican respuestas y el modelo se ajusta para preferir las mejor calificadas.IA constitucionalTécnica de Anthropic para alinear modelos con una lista explícita de principios, usando al propio modelo para criticar y corregir sus respuestas.Modelo de razonamientoModelo entrenado para «pensar» en pasos intermedios antes de responder; rinde más en matemáticas, código y problemas de varios pasos.Cadena de pensamientoPedirle al modelo que razone paso a paso antes de la respuesta final. Mejora la precisión en problemas complejos.Pensamiento extendidoModo en el que el modelo dedica tokens extra a razonar antes de contestar. Más tiempo y costo a cambio de mejores respuestas.TemperaturaParámetro que controla qué tan aleatoria es la salida: baja para respuestas consistentes, alta para variedad.InferenciaUsar un modelo ya entrenado para generar respuestas. Es lo que se paga cada vez que se le hace una pregunta.MultimodalidadCapacidad de un modelo para trabajar con varios tipos de datos: texto, imágenes, audio o video.Modelo de difusiónTipo de modelo que genera imágenes, audio o video partiendo de ruido y limpiándolo poco a poco.Few-shotDar unos pocos ejemplos dentro del prompt para que el modelo entienda el formato o la tarea.Zero-shotPedirle una tarea al modelo sin darle ningún ejemplo, solo la instrucción.Prompt de sistemaInstrucciones de fondo que acompañan toda la conversación: rol, tono, reglas. El usuario normalmente no las ve.Uso de herramientas (tool use)Capacidad del modelo de pedir que se ejecute una función externa —buscar, leer un archivo, llamar una API— y usar el resultado.Salida estructuradaObligar al modelo a responder en un formato fijo, como JSON con un esquema, para que otro programa lo pueda leer.Claude CodeAgente de programación de Anthropic que trabaja en la terminal: lee el repositorio, edita archivos y ejecuta comandos.CoworkHerramienta de Anthropic que lleva el modelo de trabajo de Claude Code a tareas de conocimiento, no solo de programación.SubagenteAgente secundario que recibe una tarea acotada de otro agente, la resuelve en su propio contexto y devuelve solo el resultado.Orquestador de agentesHerramienta que coordina varios agentes: reparte tareas, junta resultados y decide el siguiente paso.Sistema multiagenteArquitectura en la que varios agentes especializados colaboran para resolver un problema.Computer useCapacidad de un modelo para operar un computador como una persona: ver la pantalla, mover el mouse y escribir.Modelo fundacionalModelo grande y general sobre el que se construyen muchas aplicaciones distintas.DestilaciónEntrenar un modelo pequeño para imitar a uno grande. Se gana velocidad y costo a cambio de algo de capacidad.Mezcla de expertos (MoE)Arquitectura en la que solo una parte del modelo se activa para cada token, lo que permite modelos enormes con un costo de inferencia menor.Leyes de escalamientoObservación empírica de que los modelos mejoran de forma predecible al aumentar datos, parámetros y cómputo.Modelo de fronteraLos modelos más capaces del momento, de los laboratorios que empujan el estado del arte.Ingeniero de avanceRol que se sienta con el cliente para implementar asistentes de IA sobre sus problemas reales (forward deployed engineer).Vibe codingProgramar describiendo lo que se quiere y aceptando el código generado sin revisarlo a fondo. Útil para prototipos, riesgoso en producción.Programación agénticaDesarrollo en el que un agente planea, escribe, prueba y corrige código en ciclos, con el humano revisando y dirigiendo.Ultralearning (aprendizaje extremo)Aprender algo difícil con retos intensivos y autodirigidos, como aprender mandarín o ciencias de la computación en un año.HiperpersonalizaciónAdaptar una aplicación o una ruta de aprendizaje a una sola persona, algo que la automatización con IA hace viable.

Contexto y memoria

Gestión de contextoAdministrar qué información cabe y permanece relevante dentro de la ventana de contexto de un modelo.Memoria persistenteInformación que un agente conserva entre sesiones, más allá de una sola conversación.Revelación progresivaEntregarle contexto al modelo por capas, según lo va necesitando, en vez de todo de una vez.Poda de contextoEliminar deliberadamente información acumulada que ya no aporta, para no saturar la ventana de contexto.ObsidianHerramienta de notas enlazadas usada por varios del grupo como base de un "segundo cerebro".Segundo cerebroSistema personal (típicamente en Obsidian) para centralizar contexto, ideas y notas de forma conectada.Jarvis (asistente personal)Proyecto tipo asistente personal que integra calendario, correo, WhatsApp y notas; limitado hoy por falta de memoria persistente real.MemPalasHerramienta de memoria institucional basada en la técnica de palacios de memoria, aplicada a bases de datos no estructuradas.InfoxicaciónSaturación por exceso de información, concepto de Alfons Cornellá que el grupo adoptó para nombrar la fatiga de estar al día con IA.EncapsulamientoAislar una funcionalidad para que se pueda usar sin conocer su implementación interna — principio de diseño que el grupo aplica también al contexto que se le da a un modelo.Status lineBarra de estado de Claude Code; Jorge la usa con semáforo de consumo de contexto.HandoffArchivo de traspaso al cerrar una sesión para retomarla sin perder contexto.Ley del mínimo tokenObservación del grupo: el modelo lee solo lo que cree suficiente de un archivo largo.Ventana de contextoCantidad máxima de tokens que el modelo puede tener en cuenta a la vez: instrucciones, conversación, archivos y respuesta.EmbeddingsRepresentación de un texto como una lista de números, de modo que textos con significado parecido quedan cerca.Base de datos vectorialBase de datos especializada en guardar embeddings y encontrar rápido los más parecidos a una consulta.Búsqueda semánticaBuscar por significado y no por palabras exactas, usando embeddings.Fragmentación (chunking)Partir documentos largos en pedazos manejables antes de indexarlos para RAG. El tamaño de los pedazos afecta mucho la calidad.Reordenamiento (reranking)Segundo paso de una búsqueda: un modelo reordena los resultados recuperados para dejar arriba los más relevantes.Búsqueda híbridaCombinar búsqueda por palabras clave con búsqueda semántica para aprovechar lo mejor de cada una.Grafo de conocimientoForma de guardar información como entidades y relaciones entre ellas, útil para que un modelo navegue conocimiento conectado.CLAUDE.mdArchivo en la raíz del proyecto con las reglas y el contexto que Claude Code lee al empezar cada sesión. Una de las capas editables del harness.Proyectos (Claude)Espacios en Claude que agrupan conversaciones con documentos e instrucciones compartidas, para no repetir el contexto cada vez.CompactaciónResumir automáticamente la conversación cuando la ventana de contexto se llena, para seguir trabajando sin empezar de cero.Caché de promptsGuardar la parte repetida de un prompt para que las siguientes llamadas sean más baratas y rápidas.Memoria de corto plazoLo que el modelo recuerda dentro de la conversación actual, limitado por la ventana de contexto.Memoria de largo plazoInformación que sobrevive entre sesiones porque se guarda fuera del modelo: archivos, bases de datos, notas.Memoria episódicaRegistro de interacciones o eventos pasados que un agente puede consultar para no repetir errores.Contexto compartidoQue todo un equipo trabaje con la misma información de fondo —reglas, decisiones, documentos— al usar IA.Limpieza de contextoCerrar o limpiar la sesión antes de que el contexto se llene; Jorge recomienda hacerlo hacia el 25–30 %.Degradación de contextoPérdida de calidad de las respuestas a medida que el contexto se llena de información vieja o irrelevante.Perdido en el medioTendencia de los modelos a usar mejor lo que está al principio y al final del contexto que lo que queda en el centro.Aguja en el pajarPrueba que esconde un dato puntual en un texto muy largo para medir si el modelo lo encuentra.NotebookLMHerramienta de Google para conversar con un conjunto de documentos propios. El grupo la recomendó para leer papers.Spec como fuente de verdadEscribir primero la especificación y que el código la siga, en vez de que el código sea la única documentación.Commit frecuenteGuardar el avance en git cada pocos minutos para poder volver atrás cuando el agente se equivoca.llms.txtArchivo que algunos sitios publican con una versión resumida de su documentación pensada para que la lea un modelo.Documentación vivaDocumentación que se actualiza junto con el código, idealmente con ayuda del mismo agente que hace los cambios.Memoria institucionalEl conocimiento acumulado de una organización —decisiones, casos, aprendizajes— guardado para que no se pierda cuando la gente cambia.Resumen recursivoResumir por partes y luego resumir los resúmenes, para condensar documentos que no caben en el contexto.Recuperación agénticaCuando el propio agente decide qué buscar, dónde y cuándo, en lugar de un RAG fijo que siempre recupera lo mismo.Mapa del repositorioResumen de la estructura de un proyecto (carpetas, archivos, funciones) que se le da al agente para que se oriente rápido.Traspaso de contexto por repositorioGuardar el estado de una sesión en el repositorio para retomarla desde otra máquina.Comunicación entre sesionesHacer que varias sesiones de un agente intercambien información entre sí en lugar de trabajar aisladas.Ventana deslizanteEstrategia de conservar solo los últimos mensajes de la conversación y descartar los más viejos.Tokens de entrada y salidaLo que se le envía al modelo y lo que genera. Se cobran por separado y la salida suele ser más cara.Presupuesto de tokensLímite de tokens que se le asigna a una tarea o a un agente para controlar costo y tamaño del contexto.ZettelkastenMétodo de notas pequeñas e interconectadas; inspira muchos «segundos cerebros» como los de Obsidian.ConectoresIntegraciones que le dan al modelo acceso a fuentes externas como correo, calendario o Drive.Ingesta de documentosProceso de convertir PDFs, páginas o archivos en texto limpio y fragmentado listo para que un modelo lo use.

Seguridad y control

Fricción productivaPuertas de diseño que obligan a un acto deliberado antes de avanzar; lo que realmente frena el sesgo de automatización, no la fuerza de voluntad.Metodología NémesisEnfoque de interacción crítica y adversarial con los modelos, para no aceptar sus respuestas sin cuestionarlas.Seguridad en código generadoDisciplina de no confiar ciegamente en código producido por IA sin auditoría técnica antes de producción.Huellas de modelosPatrones o estilos de escritura identificables que delatan qué modelo generó un texto.Escepticismo productivoPostura crítica frente a la automatización total que, en vez de rechazarla, exige supervisión rigurosa.Auditoría de código IARevisión técnica deliberada de código generado antes de llevarlo a producción, en vez de asumir que "compila" significa "está bien".Supervisión humanaPrincipio recurrente del grupo: la IA multiplica capacidades pero no reemplaza el juicio ni la responsabilidad ética de quien la usa.AGI (inteligencia artificial general)Hipotética IA con capacidad cognitiva general equivalente o superior a la humana; tema de debate sobre sus argumentos prácticos, no solo especulativos.Ética y alucinacionesDebate fundacional del grupo sobre los riesgos de confiar en respuestas incorrectas generadas con total seguridad, especialmente en derecho y medicina.GSD (Getting Stuff Done, marco)Marco de trabajo orientado a ejecución práctica más que a teoría, promovido como forma de estructurar el uso de IA en tareas reales.HookRegla que se ejecuta siempre ante un evento (antes de usar una herramienta, al enviar un prompt). Determinista, a diferencia de un skill.EsteganografíaOcultar información dentro de otra; base de las marcas de agua en texto generado.Inyección de promptsAtaque en el que un texto malicioso le da instrucciones al modelo para que ignore las originales.Inyección indirectaInyección de prompts escondida en contenido que el agente lee —una página, un correo, un archivo— y no en lo que escribe el usuario.JailbreakTécnica para convencer al modelo de saltarse sus propias restricciones de seguridad.SandboxEntorno aislado donde el agente puede ejecutar código sin poner en riesgo el sistema real ni los datos.Permisos de herramientasReglas que definen qué puede hacer un agente sin preguntar, qué requiere aprobación y qué tiene prohibido.Humano en el cicloDiseño en el que una persona revisa o aprueba los pasos importantes antes de que el agente continúe.Puerta de aprobaciónPunto obligado donde el agente se detiene y espera un sí humano, por ejemplo antes de tocar código o de borrar algo.GuardarraílesControles alrededor del modelo que filtran entradas y salidas para evitar respuestas dañinas o fuera de alcance.AlineaciónLograr que un modelo actúe según las intenciones y los valores de las personas, incluso en situaciones no previstas.Sesgo de automatizaciónTendencia a confiar de más en lo que produce una máquina y dejar de revisarlo. La voluntad sola no lo frena; la fricción sí.Fuga de datosQue información sensible termine expuesta, por ejemplo al pegarla en un servicio externo o en un log.ExfiltraciónSacar datos de un sistema sin autorización; un riesgo cuando un agente con acceso a datos lee instrucciones maliciosas.Datos personalesInformación que identifica a una persona. Usarlos con IA exige consentimiento, cuidado y saber a dónde van.Retención cero de datosAcuerdo con un proveedor para que no guarde los prompts ni las respuestas después de procesarlos.Secretos en el códigoLlaves de API o contraseñas escritas en el código; un error común en código generado que hay que revisar siempre.Cadena de suministro de softwareTodas las dependencias de terceros de un proyecto. Un paquete comprometido compromete todo lo que lo usa.SlopsquattingAtaque que publica paquetes con los nombres que los modelos suelen inventar, esperando que alguien instale la dependencia alucinada.Mínimo privilegioDarle a un agente solo los permisos estrictamente necesarios para su tarea, y nada más.Red teamingAtacar a propósito un modelo o sistema para descubrir fallas antes de que lo haga alguien con malas intenciones.Clasificador de seguridadModelo auxiliar que revisa entradas o salidas y bloquea las que considera peligrosas.Registro de auditoríaBitácora de lo que hizo un agente —qué leyó, qué ejecutó, qué cambió— para poder revisarlo después.Marcas de agua en texto IASeñales estadísticas escondidas en el texto generado para poder detectar después que lo escribió un modelo.DeepfakeImagen, audio o video falso pero realista, generado con IA para suplantar a una persona.Clonación de vozGenerar una voz sintética que imita a una persona real a partir de muestras de su voz. Útil y riesgosa a la vez.Derechos de autor e IADebate abierto sobre el uso de obras protegidas para entrenar modelos y sobre quién es dueño de lo que generan.Sesgo algorítmicoCuando un modelo reproduce o amplifica prejuicios presentes en sus datos de entrenamiento.ExplicabilidadPoder dar razones comprensibles de por qué un sistema de IA llegó a una respuesta o decisión.InterpretabilidadInvestigación que estudia el interior de los modelos para entender qué representan y cómo calculan.SicofanciaTendencia del modelo a darle la razón al usuario o decirle lo que quiere oír, en vez de corregirlo.Envenenamiento de datosMeter datos manipulados en el entrenamiento o en las fuentes de un RAG para alterar el comportamiento del modelo.Agencia excesivaDarle a un agente más permisos, herramientas o autonomía de los que necesita, lo que multiplica el daño posible.Condición de paradaRegla explícita de cuándo un agente debe detenerse: tarea cumplida, límite de intentos o de costo, o señal de error.Lista de permitidos (allowlist)Enumerar de forma explícita los comandos, dominios o herramientas que un agente puede usar; todo lo demás queda bloqueado.Gobernanza de IAReglas, roles y presupuesto con los que una organización decide cómo, dónde y bajo qué controles usa IA.Política de uso aceptableReglas del proveedor o de la organización sobre para qué se puede y para qué no se puede usar un modelo.Ley de IA de la Unión EuropeaRegulación europea que clasifica los sistemas de IA por nivel de riesgo y exige obligaciones según ese nivel.OWASP Top 10 para LLMLista de la fundación OWASP con los riesgos de seguridad más comunes en aplicaciones que usan modelos de lenguaje.Verificación de fuentesComprobar que las citas, datos y enlaces que da un modelo existen y dicen lo que él afirma.

Operación y evaluación

Loop EngineeringComplemento del harness engineering enfocado en los ciclos de retroalimentación del desarrollo con agentes.Vibe EngineeringCrítica a la ilusión de velocidad al programar con IA y a la deuda técnica que se acumula cuando no hay disciplina detrás.Backlog de ticketsDividir un proyecto en tareas discretas y rastreables para mantener control sobre el avance, en vez de avanzar sin estructura.Pruebas automatizadas (Testing)Suite de tests que valida que el código generado por IA realmente funciona, no solo que "se ve bien".OpenRouterServicio para gestionar de forma centralizada múltiples llaves de API de distintos proveedores de modelos.Modelos localesModelos ejecutados en hardware propio en vez de la nube, por costo, privacidad o independencia de proveedor.MetaaprendizajeUsar la IA como mentor para aprender a aprender más rápido, no solo para resolver una tarea puntual.ICP (perfil de cliente ideal)Definición del cliente ideal usada para calificar leads generados o evaluados con LLMs.Comunidad de prácticaModelo de operación del grupo: presentaciones cortas, repositorio compartido, sin tareas obligatorias ni estructura académica rígida.Agilismo en la era de la IAPregunta abierta del grupo sobre si el ritmo de la IA implica un retorno a fases de análisis más tipo cascada.Máximo localMetáfora de Jorge: presionar al modelo lo encierra en una solución mediocre; a veces conviene reiniciar.SuperpowersConjunto de skills que guía el ciclo completo: lluvia de ideas, especificación, implementación y pruebas.OmniRouter / LLM RouterEnrutadores locales que reparten pedidos entre proveedores según costo o complejidad.ADRRegistro de decisiones de arquitectura, para saber por qué se cambió algo.Último momento responsablePosponer una decisión de diseño hasta que sea necesaria.Paradoja de JevonsSi producir software se abarata, se demanda más software, no menos.Software desechablePredicción de Jorge: aplicaciones hechas al instante para una tarea y luego descartadas.Arqueología de códigoEntender un sistema heredado sin documentación con ayuda de IA.Información asimétricaRazón de ser de las certificaciones: demostrarle a un tercero lo que uno sabe.Aula invertidaLos estudiantes revisan el material antes y la clase se dedica a resolver problemas.EvalsConjunto de pruebas para medir qué tan bien hace un modelo o un agente una tarea específica, y detectar si empeora.BenchmarkPrueba estandarizada para comparar modelos. Jorge armó el suyo: 19 modelos abiertos, 55 problemas, 11 lenguajes.LLM como juezUsar un modelo para calificar las respuestas de otro según criterios definidos.Conjunto doradoColección de casos con su respuesta correcta conocida, usada como referencia fija en las evals.Pruebas de regresiónPruebas que verifican que un cambio nuevo no rompió algo que ya funcionaba.TDD (desarrollo guiado por pruebas)Escribir primero la prueba que falla y luego el código que la hace pasar. Le da al agente un criterio claro de terminado.Integración continuaCorrer pruebas y validaciones automáticamente con cada cambio que se sube al repositorio.ObservabilidadPoder ver qué está pasando dentro de un sistema en producción a partir de logs, métricas y trazas.TrazasRegistro paso a paso de lo que hizo un agente en una tarea: llamadas al modelo, herramientas usadas y tiempos.LatenciaTiempo que tarda un modelo en responder. Se suele medir hasta el primer token y hasta la respuesta completa.Costo por tokenPrecio de usar un modelo, cobrado por cada millón de tokens de entrada y de salida.Enrutamiento de modelosMandar cada pedido al modelo más adecuado según costo, velocidad o dificultad.CuantizaciónReducir la precisión de los números de un modelo para que ocupe menos memoria y corra en hardware modesto.OllamaHerramienta para descargar y ejecutar modelos de pesos abiertos en el propio computador.Modo planPedirle al agente que proponga un plan y esperar aprobación antes de que toque el código.Criterios de aceptación binariosCondiciones de terminado que se cumplen o no se cumplen, sin zonas grises, para que el agente sepa cuándo acabó.Deuda técnicaEl costo futuro de atajos tomados hoy. Con IA se acumula más rápido si nadie revisa lo generado.RefactorizaciónReorganizar código sin cambiar lo que hace, para que sea más claro y fácil de mantener.FOMOMiedo a quedarse atrás con cada novedad de IA. Para el grupo, compartir experiencias es la mejor defensa.Certificación de arquitecto de AnthropicCertificación oficial sobre diseño de soluciones con Claude. Torres aprobó Architect Foundations.Miniproyecto comparativoIdea del grupo: que todos resuelvan el mismo ejercicio, cada uno con su harness, y comparar resultados.Mismo harness, distinto modeloExperimento propuesto por Torres: dejar fijo el harness y cambiar solo el modelo para ver cuánto aporta cada uno.Límite de gastoTope de dinero configurado en un proveedor o una llave de API para no llevarse sorpresas en la factura.Límite de uso (rate limit)Máximo de pedidos o tokens por minuto que permite un proveedor; al superarlo, las llamadas fallan o esperan.Procesamiento por lotesEnviar muchos pedidos juntos para que se procesen sin prisa, a cambio de un precio menor.DesplieguePoner una aplicación a funcionar en un servidor para que otros la usen.GamificaciónUsar mecánicas de juego —puntos, niveles, retos— para motivar el aprendizaje o el uso de una aplicación.Voz sintéticaVoz generada por IA a partir de texto. Diego la usa para narrar su podcast de astronomía.Burbuja de inversión en IADebate sobre si el dinero que entra a la IA supera el valor que realmente produce, y qué pasaría si se corrige.Donación de tokensIniciativa de aportar capacidad de cómputo de IA a causas como problemas matemáticos abiertos.Control remoto de Claude CodeSeguir y guiar una sesión de Claude Code desde otro dispositivo. Juan Pablo lo usa para que el desarrollo avance mientras está en reuniones.Ingeniería inversa de aplicacionesPedirle a un agente que analice una aplicación o un repositorio existente para entender sus casos de uso y reconstruirla a la medida. Ejemplo: el skill Reverse Engineer Anything.