Glosario
Las palabras en las que se apoya lo que aquí se escribe sin detenerse a explicarlas. Cada definición está tomada del artículo de este sitio que sí la explica, y enlaza de vuelta a él, para que nada de esta lista sea una afirmación que los artículos no hagan ya.
- Agente de IA
Un agente de IA es un sistema impulsado por un LLM que opera en bucle: planificar, descomponer un objetivo en subtareas; actuar, seleccionar e invocar una o varias herramientas; observar, leer los resultados de las herramientas y actualizar el estado interno; iterar, repetir hasta alcanzar el objetivo o llegar a una condición de parada. Lo que lo convierte en un agente, y no en un workflow, es que el modelo decide el flujo de control en tiempo de ejecución: qué herramienta llamar, si vuelve a iterar, cuándo parar.
Explicado en Agentes de IA, MCP y el panorama moderno de frameworks, ¿Es realmente un agente? Construí la misma tarea de tres maneras para averiguarlo
- Alucinación
La palabra de la propia industria para la salida equivocada con aplomo: inexactitudes materiales que parecen exactas por su nivel de detalle o especificidad. Es el riesgo que define al producto, y los términos de todos los proveedores te traspasan a ti el deber de verificar la salida.
Explicado en ¿Quién paga cuando la IA se equivoca? He leído los términos de diez proveedores para averiguarlo
- Conjunto de evals
Suites de pruebas automatizadas y repetibles que miden la tasa de éxito del agente por herramienta: de 10 a 20 tareas realistas con salidas de referencia esperadas, repetidas después de cada corrección, registrando la tasa de éxito, el número de llamadas a herramientas, el consumo de tokens, la latencia y la tasa de error por categoría.
Explicado en Agentes de IA, MCP y el panorama moderno de frameworks
- Herramienta (de un agente)
Las herramientas son contratos semánticos. Un agente lee el nombre, la descripción y el esquema de una herramienta para decidir si la llama y cómo, así que, si cualquiera de esas señales es vaga, el agente puede llamar a la herramienta equivocada, pasar entradas mal formadas o malinterpretar las salidas y alucinar más adelante.
Explicado en Agentes de IA, MCP y el panorama moderno de frameworks
- Interruptor de emergencia
El mando que detiene agentes, de forma global o por entorno, equipo o agente. Tiene que detener el trabajo nuevo, no solo el antiguo: detener todos los agentes es trivial de implementar como una actualización de estado sobre las filas existentes y completamente inútil si un agente detenido puede abrir una nueva ejecución un segundo después, así que el interruptor tiene que controlar la creación de trabajo.
Explicado en Construí un plano de control para agentes de IA. Esto es lo que exige de verdad la gobernanza
- LLMLarge Language Model
Los LLM aprovechan la potencia de los algoritmos de aprendizaje profundo y las redes neuronales, en concreto los modelos transformer, para entender y generar texto en lenguaje natural. Entrenados con conjuntos de datos enormes, como libros, artículos y sitios web, estos modelos son capaces de producir texto similar al humano.
Explicado en Imagina un mundo donde los libros responden a tus preguntas
- MCPModel Context Protocol
Un estándar abierto, creado originalmente por Anthropic y gobernado ahora por la Linux Foundation. Los clientes, entre ellos Claude, ChatGPT, VS Code, los IDEs de JetBrains y Cursor, se conectan a servidores MCP que exponen esquemas de herramientas. Su valor clave: escribe tus herramientas una vez y exponlas a cualquier cliente compatible con MCP, sin trabajo de integración por cliente.
Explicado en Agentes de IA, MCP y el panorama moderno de frameworks
- Observabilidad
El registro de lo que un agente hizo realmente en tiempo de ejecución: ejecuciones, spans, llamadas a modelos, llamadas a herramientas, tokens, latencia y coste. Sin él, todo lo que ocurre entre la petición y la respuesta es invisible, que es la primera de las carencias en las que acaban cayendo los equipos que llevan agentes a producción.
Explicado en Construí un plano de control para agentes de IA. Esto es lo que exige de verdad la gobernanza
- Plano de control
El único sitio donde una flota de agentes está inventariada, observada, gobernada y se puede detener. "Detén todos los agentes que hayan tocado la herramienta de facturación en la última hora y dime quién lo aprobó" es a la vez una pregunta de registro, de observabilidad, de política y de auditoría, y un plano de control es el lugar donde esas cuatro pueden ser una sola consulta.
Explicado en Construí un plano de control para agentes de IA. Esto es lo que exige de verdad la gobernanza
- RAGRetrieval-Augmented Generation
Conectar un modelo de lenguaje a fuentes de datos externas, como PDFs, APIs y bases de datos, para que la respuesta salga de esas fuentes y no solo del entrenamiento general del modelo. Lo crucial es identificar las tareas o preguntas que exigen conocimiento del dominio o información adicional más allá del conocimiento general del modelo, y entender qué información concreta hace falta para generar respuestas precisas.
Explicado en Imagina un mundo donde los libros responden a tus preguntas
- Ventana de contexto
Cuánto texto se le puede entregar a un modelo en una sola llamada. Es un techo, no una cuesta: pasado ese límite el prompt no se degrada, falla, con cero llamadas al modelo y un error que dice que el prompt es demasiado largo. Una arquitectura que mete el conjunto de datos entero en el prompt no empeora a medida que crecen los datos: desaparece.
Explicado en ¿Es realmente un agente? Construí la misma tarea de tres maneras para averiguarlo
- Workflow
Los workflows orquestan LLMs por caminos de código predefinidos; los agentes dirigen su propio proceso. Una cadena fija de clasificar, ejecutar y componer es un workflow por muchas llamadas al LLM que contenga, porque cada camino que puede tomar fue enumerado por un humano al escribirlo.
Explicado en ¿Es realmente un agente? Construí la misma tarea de tres maneras para averiguarlo
Última actualización