EL GLOSARIO · IA Y TECNOLOGÍA
Entiende esa palabra que acabas de escuchar. Sin dar nada por sabido.
El glosario completo está disponible debajo del buscador.
Comprueba tu conexión y vuelve a intentarlo.
Prueba con una palabra más corta o cuéntale al guía qué quieres hacer.
SE PARECEN, PERO…
Cuatro diferencias que ayudan a encajar las piezas.
Abre un tema para leer las definiciones y su contexto. También puedes usar el buscador y el guía de arriba. Las guías ampliadas conectan cada concepto con su aplicación al negocio.
Nombre general para programas capaces de hacer tareas que asociamos con la inteligencia: entender texto, reconocer imágenes, predecir, recomendar o tomar decisiones.
Dónde se utiliza: Noticias, productos, automatizaciones, software empresarial.
Una forma de crear software en la que no escribimos todas las reglas a mano: el sistema aprende patrones a partir de ejemplos.
Dónde se utiliza: Predicción, clasificación, recomendaciones, detección de fraude.
Machine Learning basado en redes neuronales grandes con muchas capas. Es la base de gran parte de la IA generativa moderna.
Dónde se utiliza: LLM, visión, voz, modelos multimodales.
IA que crea contenido nuevo: texto, imágenes, audio, vídeo, código, etc.
Dónde se utiliza: ChatGPT, Claude, generadores de imagen, copilotos.
El “motor” aprendido que recibe datos y produce una salida. Es lo que realmente responde cuando usas un chatbot.
Dónde se utiliza: APIs de IA, modelos locales, Hugging Face.
Un modelo grande entrenado de forma general para que luego pueda servir como base para muchas tareas distintas.
Dónde se utiliza: LLM comerciales y open weights.
Modelo de lenguaje grande: una IA entrenada para trabajar con texto y otros datos representados como secuencias.
Dónde se utiliza: Chatbots, agentes, generación de código.
Modelo de lenguaje más pequeño, pensado para necesitar menos memoria, ser más barato o ejecutarse en dispositivos modestos.
Dónde se utiliza: Móviles, edge, servidores baratos, tareas concretas.
Modelo capaz de entender texto e imágenes a la vez.
Dónde se utiliza: Analizar capturas, documentos escaneados, fotografías.
Que puede trabajar con más de un tipo de información: texto, imagen, audio, vídeo, etc.
Dónde se utiliza: Modelos que “ven”, “oyen” y responden.
Modelo tras el entrenamiento general, antes de adaptarlo especialmente para conversar o seguir instrucciones.
Dónde se utiliza: Hugging Face, investigación, fine-tuning.
Modelo ajustado para entender y obedecer instrucciones humanas del tipo “resume esto” o “crea una tabla”.
Dónde se utiliza: Chatbots y asistentes.
Modelo optimizado para dedicar más cómputo a problemas donde conviene analizar, verificar o planificar antes de responder.
Dónde se utiliza: Matemáticas, programación, investigación, planificación.
Modelo cuyo código y, según el proyecto, otros componentes se publican con una licencia abierta. No implica necesariamente que todo esté abierto.
Dónde se utiliza: Repositorios y proyectos comunitarios.
Los archivos con los pesos del modelo están disponibles para descargarlos y ejecutarlos, aunque entrenamiento, datos o licencia puedan tener restricciones.
Dónde se utiliza: Llama, Qwen, Mistral y modelos distribuidos en repositorios.
Modelo cuyo proveedor no publica los pesos y normalmente se usa mediante una app o API.
Dónde se utiliza: Servicios comerciales alojados por el proveedor.
Empresa u organización que desarrolla u ofrece acceso a modelos.
Dónde se utiliza: OpenAI, Anthropic, Google, proveedores de inferencia.
Expresión informal para los modelos que están cerca del máximo nivel de capacidad disponible en ese momento.
Dónde se utiliza: Benchmarks, noticias, comparativas.
Qué tipo de tareas puede realizar bien un modelo: escribir, programar, usar herramientas, analizar imágenes, etc.
Dónde se utiliza: Comparativas entre modelos.
Modelo pensado para hacer razonablemente bien muchas tareas diferentes.
Dónde se utiliza: Asistentes de propósito general.
Modelo optimizado para un tipo de tarea o sector concreto.
Dónde se utiliza: Código, medicina, finanzas, embeddings, OCR.
Proceso de producir la respuesta: texto, código, imagen u otra salida.
Dónde se utiliza: APIs y chats de IA.
En un LLM, elegir qué token es razonable generar a continuación dados los anteriores.
Dónde se utiliza: Explicaciones de cómo funciona un modelo.
Modelo que genera la salida paso a paso, usando lo ya generado para decidir lo siguiente.
Dónde se utiliza: La mayoría de LLM de texto.
“Punto de guardado” de un modelo durante o después del entrenamiento. Suele contener sus pesos y configuración.
Dónde se utiliza: Entrenamiento, fine-tuning, Hugging Face.
Uno de los valores numéricos internos que el modelo usa para transformar una entrada en una salida.
Dónde se utiliza: Nombres como “8B”, “70B” o “120B”.
Un tipo de parámetro aprendido durante el entrenamiento. En conversación cotidiana, “pesos” suele referirse a los enormes conjuntos de números que forman el conocimiento aprendido del modelo.
Dónde se utiliza: Descargas de modelos, cuantización, fine-tuning.
La B significa “billion” en inglés. 70B indica aproximadamente 70.000 millones de parámetros, no 70 GB.
Dónde se utiliza: Nombres y fichas técnicas de modelos.
Cantidad total de parámetros que existen físicamente dentro del modelo.
Dónde se utiliza: Especialmente relevante en modelos MoE.
Parte de los parámetros que realmente participa en cada paso de generación. En un MoE pueden ser muchos menos que los totales.
Dónde se utiliza: Frases como “120B total, 12B activos”.
Sistema matemático formado por muchas operaciones conectadas que aprende ajustando números internos.
Dónde se utiliza: Fundamentos de Deep Learning.
Nombre histórico para una pequeña unidad de cálculo dentro de una red neuronal. No es una neurona biológica real.
Dónde se utiliza: Explicaciones introductorias de IA.
Una etapa de procesamiento dentro de una red neuronal. Los modelos grandes encadenan muchas capas.
Dónde se utiliza: Arquitectura, rendimiento, offloading.
Una forma de guardar muchos números en una estructura de varias dimensiones. Es una de las “cajas de números” básicas del Deep Learning.
Dónde se utiliza: PyTorch, GPUs, pesos.
Arquitectura de red neuronal que hizo posible gran parte de los LLM modernos. Su gran idea práctica es manejar relaciones entre partes de una secuencia mediante atención.
Dónde se utiliza: GPT, Llama, Qwen, Mistral, BERT.
Mecanismo que permite al modelo decidir qué partes del contexto son más relevantes para procesar el token actual.
Dónde se utiliza: Transformers, KV cache, contexto largo.
Atención aplicada entre los propios tokens de una misma secuencia.
Dónde se utiliza: Explicaciones de Transformers.
Una de varias “miradas” paralelas con las que una capa puede buscar relaciones distintas dentro del texto.
Dónde se utiliza: Arquitectura de modelos.
Parte del modelo que convierte los tokens en representaciones numéricas con las que puede operar la red.
Dónde se utiliza: Arquitectura interna.
Bloque de cálculo dentro de cada capa Transformer que transforma la representación de cada token.
Dónde se utiliza: Arquitectura, MoE.
Modelo en el que, simplificando, todos los bloques principales participan para cada token.
Dónde se utiliza: Comparativas con MoE.
Modelo diseñado para activar solo una parte de su capacidad en cada paso.
Dónde se utiliza: MoE y modelos muy grandes.
Arquitectura con varios bloques “expertos” y un sistema que decide cuáles usar para cada token. Permite tener muchos parámetros totales sin usar todos a la vez.
Dónde se utiliza: Modelos de gran tamaño y alta eficiencia.
Uno de los bloques internos de un modelo MoE. No significa necesariamente “experto en derecho” o “experto en PHP”; es una especialización aprendida internamente.
Dónde se utiliza: MoE.
Parte de un MoE que decide a qué expertos enviar cada token.
Dónde se utiliza: Arquitectura MoE.
Número de expertos que el router activa para un token concreto.
Dónde se utiliza: Fichas técnicas MoE.
Proceso de repartir tokens entre expertos de un modelo MoE.
Dónde se utiliza: Optimización e inferencia distribuida.
Repartir distintos expertos de un MoE entre varias GPUs o aceleradores.
Dónde se utiliza: Servidores multi-GPU.
Dense usa casi toda su capacidad para cada token; MoE selecciona una parte. Un MoE puede tener muchos parámetros totales pero un coste por token mucho menor de lo que su tamaño sugiere.
Dónde se utiliza: Comparativas de modelos.
Puntuaciones internas que el modelo asigna a los posibles siguientes tokens antes de convertirlas en probabilidades.
Dónde se utiliza: Sampling, temperatura, depuración.
Operación que transforma puntuaciones internas en una distribución parecida a probabilidades.
Dónde se utiliza: Explicaciones de generación.
Medida de lo “sorprendido” que queda un modelo ante un texto. Menor suele indicar mejor capacidad para predecir ese conjunto concreto, pero no resume toda la calidad del modelo.
Dónde se utiliza: Evaluación, cuantización.
Diseño general del modelo: número de capas, atención, expertos, dimensiones, etc.
Dónde se utiliza: Model cards y documentación técnica.
Pedacito en el que el modelo divide texto y otros datos. Puede ser una palabra, parte de una palabra, un signo o incluso espacios según el tokenizador.
Dónde se utiliza: Precios de APIs, límites de contexto.
Leer la guía de Qué son los tokens y cómo estimar el coste de usar IAConsultar este término
Proceso de convertir texto en tokens antes de enviarlo al modelo.
Dónde se utiliza: Coste y longitud de prompts.
Componente que decide cómo se parte el texto en tokens y cómo se vuelve a reconstruir.
Dónde se utiliza: Hugging Face, conteo de tokens.
Tokens que envías al modelo: instrucciones, conversación, documentos, resultados de herramientas, etc.
Dónde se utiliza: Facturación de APIs.
Leer la guía de Qué son los tokens y cómo estimar el coste de usar IAConsultar este término
Tokens que genera el modelo como respuesta.
Dónde se utiliza: Facturación y límites de respuesta.
Leer la guía de Qué son los tokens y cómo estimar el coste de usar IAConsultar este término
Tokens cuyo cálculo se puede reutilizar gracias a mecanismos de caché del proveedor.
Dónde se utiliza: Precios y optimización de prompts repetidos.
Todo lo que el modelo tiene disponible para producir la respuesta actual.
Dónde se utiliza: Chats, agentes, RAG.
Leer la guía de Qué es el contexto en IA y por qué importa lo que incluyesConsultar este término
Cantidad máxima de tokens que el modelo puede manejar en una interacción según su configuración.
Dónde se utiliza: 32K, 128K, 1M tokens, etc.
Leer la guía de Qué es el contexto en IA y por qué importa lo que incluyesConsultar este término
Tamaño efectivo o máximo de contexto que puede procesar el sistema.
Dónde se utiliza: Fichas técnicas y APIs.
Modelos o configuraciones capaces de manejar conversaciones o documentos especialmente extensos.
Dónde se utiliza: Análisis documental, coding agents.
Cuando se intenta enviar más información de la que cabe en la ventana de contexto.
Dónde se utiliza: Errores de API y agentes largos.
Expresión informal para el deterioro de rendimiento cuando el contexto es enorme, ruidoso o contiene demasiada información irrelevante.
Dónde se utiliza: Agentes, coding, conversaciones largas.
Texto o conjunto de instrucciones y datos que se envía al modelo.
Dónde se utiliza: Cualquier uso de IA generativa.
Leer la guía de Qué es un prompt y cómo escribir una petición útil para la IAConsultar este término
Instrucciones de máximo nivel que definen reglas, papel y comportamiento general del asistente dentro de una aplicación.
Dónde se utiliza: Chatbots, agentes, APIs.
Reglas de la aplicación que guían el comportamiento del modelo, normalmente por debajo de las instrucciones del sistema y por encima del usuario según la plataforma.
Dónde se utiliza: Aplicaciones con LLM.
Lo que pide la persona usuaria.
Dónde se utiliza: Chat, formularios, automatizaciones.
Dar varios ejemplos de “entrada → salida correcta” para que el modelo imite el patrón.
Dónde se utiliza: Clasificación, formato, extracción.
Pedir una tarea sin mostrar ejemplos previos.
Dónde se utiliza: Uso general de modelos.
Dar un único ejemplo antes de pedir la tarea.
Dónde se utiliza: Prompts estructurados.
Diseñar instrucciones, ejemplos y contexto para aumentar la probabilidad de obtener una buena respuesta.
Dónde se utiliza: Productos de IA.
Leer la guía de Qué es un prompt y cómo escribir una petición útil para la IAConsultar este término
Diseñar no solo el prompt, sino todo lo que entra en contexto: instrucciones, memoria, documentos, herramientas y resultados.
Dónde se utiliza: Agentes y aplicaciones complejas.
Leer la guía de Qué es el contexto en IA y por qué importa lo que incluyesConsultar este término
Plantilla reutilizable con variables que se rellenan antes de llamar al modelo.
Dónde se utiliza: Automatizaciones y productos SaaS.
Dividir un problema en varias llamadas encadenadas, usando la salida de una como entrada de otra.
Dónde se utiliza: Workflows con LLM.
Razonamiento intermedio paso a paso. En productos modernos parte de ese razonamiento puede ser interno y no mostrarse literalmente al usuario.
Dónde se utiliza: Modelos de razonamiento.
Cómputo o tokens dedicados al razonamiento interno según el proveedor/modelo.
Dónde se utiliza: APIs de razonamiento y costes.
Control de aleatoriedad. Baja suele hacer la salida más predecible; alta permite más variedad.
Dónde se utiliza: APIs de generación.
Limita la elección del siguiente token a un grupo de opciones que acumulan suficiente probabilidad.
Dónde se utiliza: Configuración de sampling.
El modelo elige solo entre los K candidatos mejor puntuados en cada paso.
Dónde se utiliza: Modelos locales y APIs.
Número utilizado para intentar hacer repetible una generación cuando el sistema lo permite. No siempre garantiza resultados idénticos.
Dónde se utiliza: Pruebas y generación controlada.
Límite máximo de tokens que permites generar en la respuesta.
Dónde se utiliza: APIs, control de costes.
Texto o secuencia que, si aparece, indica al sistema que debe detener la generación.
Dónde se utiliza: APIs y formatos estructurados.
Instrucciones maliciosas o inesperadas que intentan hacer que el modelo ignore las reglas de la aplicación.
Dónde se utiliza: Agentes, RAG, seguridad.
Prompt injection escondida dentro de contenido que el modelo lee: una web, email, PDF, documento o resultado de herramienta.
Dónde se utiliza: Agentes con acceso a datos externos.
Usar un modelo ya entrenado para obtener una respuesta. Cuando escribes a un LLM y contesta, está haciendo inferencia.
Dónde se utiliza: APIs, modelos locales, servidores de IA.
Programa que mantiene uno o varios modelos cargados y atiende peticiones de usuarios o aplicaciones.
Dónde se utiliza: vLLM, TGI, llama.cpp server.
Poner un modelo en marcha como servicio para que otros sistemas puedan llamarlo.
Dónde se utiliza: Producción y self-hosting.
Dirección concreta a la que una aplicación envía una petición para usar un modelo.
Dónde se utiliza: APIs cloud y modelos self-hosted.
Primera fase de inferencia en la que el modelo procesa el prompt completo antes de empezar a generar.
Dónde se utiliza: Latencia con prompts largos.
Fase en la que el modelo genera tokens uno a uno después de procesar el prompt.
Dónde se utiliza: Velocidad de salida.
Tiempo desde que envías la petición hasta que aparece el primer token de respuesta.
Dónde se utiliza: Sensación de rapidez en chats.
Cantidad de tokens que genera el modelo por segundo durante la salida.
Dónde se utiliza: Benchmarks de modelos locales.
Otra forma habitual de escribir tokens por segundo.
Dónde se utiliza: Comparativas de hardware.
Tiempo que tarda una operación o petición en responder.
Dónde se utiliza: APIs y experiencia de usuario.
Cantidad total de trabajo que un sistema puede procesar por unidad de tiempo.
Dónde se utiliza: Servidores con muchos usuarios.
Número de peticiones o trabajos que un sistema atiende al mismo tiempo.
Dónde se utiliza: Dimensionamiento de servidores.
Agrupar varias entradas para procesarlas juntas y aprovechar mejor el hardware.
Dónde se utiliza: Entrenamiento e inferencia masiva.
Cantidad de ejemplos o peticiones procesadas juntas.
Dónde se utiliza: Rendimiento y memoria.
Técnica de servidores de LLM que agrupa dinámicamente solicitudes que llegan en momentos distintos para aprovechar mejor la GPU.
Dónde se utiliza: vLLM y sistemas de serving.
Memoria temporal que guarda cálculos de atención de los tokens ya procesados para no repetirlos cada vez que se genera uno nuevo.
Dónde se utiliza: Contexto largo, VRAM, velocidad.
Memoria que ocupa esa “chuleta” temporal. Suele crecer con el contexto y el número de usuarios concurrentes.
Dónde se utiliza: Dimensionamiento de GPU.
KV cache guardada con menos precisión para ahorrar memoria, a cambio de posibles costes o pérdidas según el caso.
Dónde se utiliza: Inferencia con contexto largo.
Reutilizar cálculos del comienzo de prompts que se repiten entre peticiones.
Dónde se utiliza: System prompts largos, agentes, asistentes.
Término amplio para mecanismos que evitan recalcular partes repetidas del prompt.
Dónde se utiliza: APIs comerciales y serving propio.
La caché ya tenía el cálculo o dato necesario y puede reutilizarlo.
Dónde se utiliza: Métricas de rendimiento.
La caché no tiene lo necesario y hay que calcularlo desde cero.
Dónde se utiliza: Rendimiento.
Usar un modelo o mecanismo auxiliar para proponer varios tokens y hacer que el modelo principal los valide en bloque, buscando generar más rápido.
Dónde se utiliza: Optimización de inferencia.
Modelo pequeño que propone tokens rápidamente en algunos esquemas de speculative decoding.
Dónde se utiliza: Serving avanzado.
Técnica para gestionar la memoria de la KV cache de forma más eficiente, inspirada en cómo un sistema operativo maneja páginas de memoria.
Dónde se utiliza: vLLM.
Retraso inicial cuando el modelo o servicio todavía no está cargado/preparado.
Dónde se utiliza: Serverless y endpoints bajo demanda.
Arranque rápido porque el modelo o entorno ya está cargado en memoria.
Dónde se utiliza: Serving.
Tiempo necesario para leer los pesos y preparar el modelo antes de usarlo.
Dónde se utiliza: Modelos locales y despliegues.
Mover parte del trabajo o de los pesos desde una GPU hacia CPU, RAM u otro dispositivo porque no cabe o para repartir carga.
Dónde se utiliza: Modelos locales grandes.
Guardar/procesar parte del modelo en CPU/RAM en vez de en la GPU.
Dónde se utiliza: Cuando falta VRAM.
Enviar a GPU tantas capas o partes del modelo como permita la VRAM.
Dónde se utiliza: llama.cpp y modelos locales.
Dividir grandes operaciones del mismo modelo entre varias GPUs.
Dónde se utiliza: Inferencia multi-GPU.
Repartir grupos de capas del modelo entre distintos dispositivos, como una cadena de montaje.
Dónde se utiliza: Entrenamiento e inferencia distribuida.
Tener varias copias del modelo procesando distintos datos en paralelo.
Dónde se utiliza: Escalado y entrenamiento.
Procesador general del ordenador. Puede ejecutar modelos, pero normalmente una GPU moderna es mucho más rápida para LLM grandes.
Dónde se utiliza: PCs y servidores.
Procesador con muchísimas unidades de cálculo en paralelo, especialmente útil para IA.
Dónde se utiliza: Entrenamiento e inferencia.
Memoria propia de la GPU. Es uno de los límites principales para saber qué modelo puedes cargar y con cuánto contexto.
Dónde se utiliza: Modelos locales.
Memoria principal del ordenador. Es distinta de la VRAM y normalmente más lenta para el trabajo de la GPU.
Dónde se utiliza: Offloading, servidores.
Procesador especializado en operaciones de IA integrado en algunos PCs y dispositivos.
Dónde se utiliza: Copilot+ PCs, móviles, edge.
Nombre general para hardware especializado que acelera cálculos: GPU, TPU, NPU, etc.
Dónde se utiliza: Cloud e IA.
Plataforma de NVIDIA que permite usar sus GPUs para cómputo general y IA.
Dónde se utiliza: PyTorch, inferencia, training.
Unidad de cómputo de una GPU NVIDIA. El número por sí solo no permite comparar cualquier GPU de forma fiable.
Dónde se utiliza: Especificaciones de GPUs.
Unidad especializada de algunas GPUs NVIDIA para operaciones matriciales muy usadas en IA.
Dónde se utiliza: FP16, BF16, FP8 y entrenamiento.
Ecosistema de software de AMD para cómputo acelerado e IA en GPUs compatibles.
Dónde se utiliza: Alternativa a CUDA.
Tecnología de Apple para acceder a CPU/GPU y aceleradores en macOS y Apple Silicon.
Dónde se utiliza: Modelos locales en Mac.
Familia de chips de Apple con memoria unificada, CPU, GPU y otros aceleradores en el mismo sistema.
Dónde se utiliza: Macs ejecutando LLM.
Memoria que CPU y GPU pueden compartir dentro de ciertas arquitecturas, como Apple Silicon.
Dónde se utiliza: Modelos locales en Mac.
Cantidad de datos que la memoria puede mover por segundo. En LLM puede ser tan importante como la potencia bruta de cálculo.
Dónde se utiliza: Comparativas de GPU.
Conjunto de capacidades que soporta una GPU para determinados tipos de cálculo.
Dónde se utiliza: CUDA e instalación de frameworks.
Capacidad de cálculo con números de 32 bits en coma flotante.
Dónde se utiliza: Benchmarks de hardware.
Capacidad de cálculo con precisiones de 16 bits muy usadas en IA.
Dónde se utiliza: GPUs y aceleradores.
Medida teórica de operaciones de coma flotante por segundo. Más FLOPS no garantizan por sí solos una IA más rápida.
Dónde se utiliza: Fichas técnicas.
Billones anglosajones (10^12) de operaciones de coma flotante por segundo.
Dónde se utiliza: GPUs.
Situación en la que el rendimiento está limitado por mover datos desde la memoria, no por capacidad de cálculo.
Dónde se utiliza: Inferencia LLM.
Situación en la que el límite principal es la potencia de cálculo.
Dónde se utiliza: Entrenamiento y ciertas cargas.
Error de “sin memoria”. En IA suele significar que no cabe el modelo, el contexto, el batch o la KV cache.
Dónde se utiliza: CUDA OOM, servidores.
Usar varias GPUs para un mismo modelo o para atender más peticiones.
Dónde se utiliza: Modelos grandes y producción.
Porcentaje de uso de la GPU.
Dónde se utiliza: Monitorización.
Límite de energía que puede usar una GPU; puede afectar rendimiento, temperatura y consumo.
Dónde se utiliza: Servidores y tuning.
El hardware reduce velocidad porque se está calentando demasiado.
Dónde se utiliza: PCs y servidores.
Cantidad de detalle con la que guardamos los números internos del modelo.
Dónde se utiliza: FP32, BF16, INT8, Q4.
Números de coma flotante de 32 bits. Ocupan más memoria y ofrecen mucha precisión.
Dónde se utiliza: Pesos originales y entrenamiento.
Coma flotante de 16 bits. Reduce memoria frente a FP32 y es habitual en IA.
Dónde se utiliza: Inferencia y entrenamiento.
Formato de 16 bits popular en entrenamiento e inferencia porque mantiene un rango numérico amplio.
Dónde se utiliza: GPUs modernas, modelos grandes.
Formato de 8 bits en coma flotante usado en hardware y técnicas modernas para reducir coste de memoria y cálculo.
Dónde se utiliza: Entrenamiento/inferencia optimizados.
Enteros de 8 bits. Muy usados para cuantización.
Dónde se utiliza: Modelos más pequeños y rápidos.
Enteros de 4 bits. Permiten comprimir mucho más los pesos.
Dónde se utiliza: Modelos locales.
Unidad mínima de información digital. Reducir bits por peso suele reducir el tamaño del modelo.
Dónde se utiliza: Cuantización.
Promedio de bits usados para almacenar cada peso.
Dónde se utiliza: Formatos GGUF y quants.
Representar pesos o activaciones con menos precisión para reducir memoria y a veces acelerar inferencia, intentando perder la mínima calidad posible.
Dónde se utiliza: Q4, INT8, AWQ, GPTQ.
Cuantizar un modelo después de haberlo entrenado.
Dónde se utiliza: Modelos descargables.
Entrenar teniendo en cuenta desde el principio los efectos de usar menos precisión.
Dónde se utiliza: Modelos optimizados.
Cuantizar principalmente los pesos del modelo, manteniendo otros cálculos con otra precisión.
Dónde se utiliza: Inferencia LLM.
Reducir también la precisión de valores temporales que se generan durante el cálculo.
Dónde se utiliza: Optimización avanzada.
Convertir temporalmente valores cuantizados a una representación utilizable para ciertas operaciones.
Dónde se utiliza: Motores de inferencia.
Pequeño conjunto de datos usado por algunos métodos para decidir cómo cuantizar con la menor pérdida posible.
Dónde se utiliza: GPTQ/AWQ y otros métodos.
Nombre informal de una cuantización alrededor de 8 bits por peso.
Dónde se utiliza: GGUF.
Cuantización intermedia que busca ahorrar memoria con poca pérdida.
Dónde se utiliza: GGUF.
Cuantización alrededor de 5 bits por peso, con distintas variantes.
Dónde se utiliza: GGUF.
Cuantización alrededor de 4 bits por peso. Muy popular porque reduce mucho el tamaño manteniendo calidad razonable en muchos modelos.
Dónde se utiliza: Modelos locales.
Cuantización más agresiva; ocupa menos pero puede degradar más el modelo.
Dónde se utiliza: Hardware limitado.
Cuantización muy agresiva con gran ahorro de memoria y mayor riesgo de pérdida de calidad.
Dónde se utiliza: Experimentación y hardware muy limitado.
Familia de esquemas de cuantización usada en llama.cpp/GGUF con variantes como Q4_K o Q5_K.
Dónde se utiliza: Modelos GGUF.
Familia de cuantizaciones muy compactas de llama.cpp/ggml con técnicas adicionales para conservar calidad.
Dónde se utiliza: GGUF avanzado.
Formato de archivo muy usado por llama.cpp para guardar modelos, metadatos y pesos, incluidos modelos cuantizados.
Dónde se utiliza: Ollama, llama.cpp, LM Studio y repositorios de modelos.
Biblioteca/formato histórico relacionado con llama.cpp. Hoy GGUF es el formato habitual para modelos en ese ecosistema.
Dónde se utiliza: Documentación antigua y herramientas locales.
Método y ecosistema de cuantización post-entrenamiento muy usado para modelos en GPU.
Dónde se utiliza: Repositorios de modelos cuantizados.
Método de cuantización que intenta proteger pesos especialmente importantes para mantener calidad con pocos bits.
Dónde se utiliza: Serving en GPU.
Biblioteca popular que permite cargar y entrenar modelos con cuantización de 8 y 4 bits.
Dónde se utiliza: Transformers, QLoRA.
Formato de 4 bits popularizado para cuantización en QLoRA/bitsandbytes.
Dónde se utiliza: Fine-tuning barato.
Pérdida de calidad o precisión causada por reducir demasiado la representación numérica.
Dónde se utiliza: Comparar Q4, Q5, Q8.
Información sobre qué partes de los pesos son más importantes, usada por ciertas cuantizaciones de llama.cpp para reducir pérdida.
Dónde se utiliza: GGUF avanzado.
Una parte de un modelo dividido en varios archivos porque es demasiado grande para guardarlo cómodamente en uno solo.
Dónde se utiliza: Hugging Face y modelos grandes.
Formato de archivos pensado para guardar tensores de modelos de forma eficiente y evitando ciertos riesgos de formatos ejecutables como pickle.
Dónde se utiliza: Hugging Face.
Proceso de ajustar los parámetros de un modelo usando muchos ejemplos para que aprenda patrones.
Dónde se utiliza: Creación de modelos.
Entrenamiento inicial y masivo con grandes cantidades de datos para crear un modelo general.
Dónde se utiliza: Modelos fundacionales.
Etapas posteriores al pretraining destinadas a mejorar seguimiento de instrucciones, seguridad, razonamiento o comportamiento.
Dónde se utiliza: Modelos de chat.
Seguir entrenando un modelo ya existente con datos más específicos para modificar su comportamiento.
Dónde se utiliza: Adaptación a tareas o estilos.
Fine-tuning usando ejemplos donde ya conocemos cuál sería una buena respuesta.
Dónde se utiliza: Modelos instruct.
Reinforcement Learning from Human Feedback: usar preferencias humanas para orientar el comportamiento del modelo.
Dónde se utiliza: Alineamiento de asistentes.
Similar a RLHF, pero usando feedback generado o evaluado por sistemas de IA.
Dónde se utiliza: Post-training.
Método para enseñar preferencias al modelo comparando respuestas preferidas y no preferidas sin el flujo clásico completo de RLHF.
Dónde se utiliza: Post-training.
Datos del tipo “esta respuesta es mejor que esta otra”.
Dónde se utiliza: DPO y alineamiento.
Colección organizada de ejemplos usados para entrenar o evaluar.
Dónde se utiliza: Training, fine-tuning, evals.
Un ejemplo individual del dataset.
Dónde se utiliza: Entrenamiento.
Una pasada completa por el dataset de entrenamiento.
Dónde se utiliza: Fine-tuning.
Una actualización de los parámetros realizada tras procesar un batch.
Dónde se utiliza: Logs de training.
Número de ejemplos procesados antes de una actualización de parámetros.
Dónde se utiliza: Entrenamiento.
Información matemática que indica en qué dirección deberían cambiar los pesos para reducir el error.
Dónde se utiliza: Entrenamiento.
Proceso usado para calcular cómo ajustar los pesos a partir del error cometido.
Dónde se utiliza: Redes neuronales.
Número que representa cuánto se está equivocando el modelo según el objetivo de entrenamiento.
Dónde se utiliza: Curvas de training.
Tamaño de los cambios que hacemos a los pesos en cada paso.
Dónde se utiliza: Hiperparámetros.
Algoritmo que decide cómo actualizar los pesos usando los gradientes.
Dónde se utiliza: Adam, AdamW.
Configuración elegida antes o durante entrenamiento, como learning rate o batch size; no es un peso aprendido.
Dónde se utiliza: Training.
El modelo memoriza demasiado el entrenamiento y rinde peor con casos nuevos.
Dónde se utiliza: Fine-tuning.
El modelo no aprende lo suficiente ni siquiera para los patrones básicos del entrenamiento.
Dónde se utiliza: Training.
El modelo pierde capacidades previas porque un ajuste posterior modifica demasiado su comportamiento.
Dónde se utiliza: Fine-tuning agresivo.
Técnica para adaptar un modelo entrenando pequeñas matrices adicionales en lugar de cambiar todos sus pesos.
Dónde se utiliza: Fine-tuning económico.
Conjunto pequeño de parámetros añadidos a un modelo para modificarlo sin duplicar todos los pesos.
Dónde se utiliza: LoRA, PEFT.
Parameter-Efficient Fine-Tuning: familia de técnicas que modifican una pequeña parte de parámetros para ahorrar memoria y coste.
Dónde se utiliza: LoRA, adapters.
Fine-tuning LoRA sobre un modelo base cuantizado, reduciendo mucho la memoria necesaria.
Dónde se utiliza: Entrenamiento con una sola GPU.
Entrenar un modelo más pequeño usando a uno grande como profesor.
Dónde se utiliza: Crear modelos eficientes.
Modelo “profesor” que genera señales o respuestas para entrenar a otro.
Dónde se utiliza: Destilación.
Modelo más pequeño que aprende del profesor.
Dónde se utiliza: Destilación.
Datos generados artificialmente, muchas veces por otro modelo, para entrenar o evaluar.
Dónde se utiliza: Post-training y fine-tuning.
Cuando datos de prueba aparecen también en entrenamiento y hacen que una evaluación parezca mejor de lo que realmente es.
Dónde se utiliza: Benchmarks.
Buscar información relevante antes de responder y añadirla al contexto del modelo.
Dónde se utiliza: Chat con documentos, bases de conocimiento.
Leer la guía de Qué es RAG y cómo permite responder con documentosConsultar este término
Paso de buscar qué fragmentos de información podrían ayudar a responder.
Dónde se utiliza: RAG.
Componente que hace esa búsqueda.
Dónde se utiliza: Pipelines RAG.
Colección de documentos, páginas, tickets, manuales o datos que un sistema consulta para responder.
Dónde se utiliza: Soporte y asistentes internos.
Proceso de introducir documentos en un sistema: leerlos, limpiarlos, dividirlos e indexarlos.
Dónde se utiliza: RAG.
Preparar los datos para poder encontrarlos rápidamente después.
Dónde se utiliza: Buscadores y RAG.
Trozo de un documento que se guarda y recupera como unidad.
Dónde se utiliza: RAG.
Dividir documentos grandes en fragmentos manejables.
Dónde se utiliza: RAG.
Tamaño elegido para cada fragmento.
Dónde se utiliza: Calidad de recuperación.
Parte repetida entre un fragmento y el siguiente para reducir cortes bruscos de contexto.
Dónde se utiliza: RAG.
Lista de números que representa de forma útil el significado o características de un texto, imagen u otro dato.
Dónde se utiliza: Búsqueda semántica.
Leer la guía de Qué son los embeddings y cómo ayudan a buscar por significadoConsultar este término
Modelo especializado en convertir información a embeddings.
Dónde se utiliza: RAG y recomendaciones.
Leer la guía de Qué son los embeddings y cómo ayudan a buscar por significadoConsultar este término
La lista de números que forma un embedding.
Dónde se utiliza: Bases vectoriales.
Base de datos optimizada para almacenar vectores y encontrar los más parecidos.
Dónde se utiliza: Pinecone, Qdrant, Weaviate, pgvector.
Nombre general para un sistema que guarda y busca embeddings; no siempre es una base de datos independiente.
Dónde se utiliza: RAG.
Buscar por similitud de significado, no solo por palabras exactas.
Dónde se utiliza: RAG y buscadores.
Buscar por coincidencia de palabras o términos.
Dónde se utiliza: Buscadores tradicionales.
Algoritmo clásico de búsqueda por texto que puntúa documentos según la importancia de las palabras.
Dónde se utiliza: Hybrid search.
Combinar búsqueda semántica con búsqueda tradicional por palabras.
Dónde se utiliza: RAG robusto.
Medida de cuánto se parecen dos embeddings.
Dónde se utiliza: Búsqueda vectorial.
Forma muy habitual de medir la similitud entre vectores comparando su dirección.
Dónde se utiliza: Embeddings.
Recuperar los K resultados más relevantes según la búsqueda.
Dónde se utiliza: RAG.
Segundo modelo o algoritmo que reordena los resultados recuperados para quedarse con los mejores.
Dónde se utiliza: RAG avanzado.
Proceso de volver a ordenar candidatos después de la primera búsqueda.
Dónde se utiliza: RAG.
Información adicional asociada a un documento o chunk: autor, fecha, cliente, permisos, categoría, etc.
Dónde se utiliza: Filtros y seguridad en RAG.
Limitar la búsqueda usando metadatos antes o después de la similitud.
Dónde se utiliza: RAG multiempresa.
Conectar la respuesta a información concreta disponible en datos o fuentes, en vez de depender solo de lo aprendido por el modelo.
Dónde se utiliza: RAG y reducción de alucinaciones.
Referencia que muestra de qué documento o fragmento procede una afirmación.
Dónde se utiliza: Asistentes documentales.
Seleccionar qué datos externos entran en la ventana de contexto.
Dónde se utiliza: RAG.
RAG aporta información en tiempo de consulta; fine-tuning cambia el comportamiento aprendido del modelo.
Dónde se utiliza: Decisiones de arquitectura.
Leer la guía de Qué es RAG y cómo permite responder con documentosConsultar este término
Usar estructuras de relaciones tipo grafo además o en lugar de búsqueda vectorial simple.
Dónde se utiliza: Conocimiento altamente conectado.
Representación de entidades y relaciones: persona → trabaja en → empresa, empresa → tiene → producto.
Dónde se utiliza: Graph RAG y datos empresariales.
Sistema que usa un modelo para decidir acciones y avanzar hacia un objetivo, normalmente utilizando herramientas.
Dónde se utiliza: Automatización, coding agents.
Leer la guía de Qué es un agente de IA y cuándo tiene sentido usarloConsultar este término
Adjetivo para sistemas que no solo responden, sino que planifican o actúan con cierto grado de autonomía.
Dónde se utiliza: “Agentic workflow”.
Flujo donde un modelo decide algunos pasos o herramientas en vez de seguir una secuencia completamente fija.
Dónde se utiliza: Automatizaciones de IA.
Secuencia de pasos definida para completar una tarea.
Dónde se utiliza: n8n, Make, agentes.
Leer la guía de Qué es un workflow: del proceso de negocio a la automatizaciónConsultar este término
Flujo donde los pasos están definidos de antemano y no dependen de que un LLM improvise la ruta.
Dónde se utiliza: Automatización clásica.
Leer la guía de Qué es un workflow: del proceso de negocio a la automatizaciónConsultar este término
Componente que decide qué pasos deberían hacerse para resolver un objetivo.
Dónde se utiliza: Arquitecturas de agentes.
Componente que ejecuta acciones decididas por un plan.
Dónde se utiliza: Agentes.
Función externa que el modelo puede usar: buscar, consultar una API, enviar un email, ejecutar código, etc.
Dónde se utiliza: Agentes y tool calling.
Capacidad del modelo para seleccionar una herramienta y generar los argumentos necesarios para llamarla.
Dónde se utiliza: APIs de LLM.
Nombre muy usado para tool calling cuando las herramientas se describen como funciones con parámetros.
Dónde se utiliza: APIs de modelos.
Descripción estructurada del nombre, objetivo y parámetros de una herramienta.
Dónde se utiliza: JSON Schema y function calling.
Información que devuelve una herramienta al modelo después de ejecutarse.
Dónde se utiliza: Agentes.
Nombre usado en algunos patrones para el resultado que el agente observa tras una acción.
Dónde se utiliza: ReAct y agentes.
Paso que el agente decide ejecutar.
Dónde se utiliza: ReAct.
Patrón de agentes que alterna razonamiento/decisión y acciones sobre herramientas.
Dónde se utiliza: Agentes clásicos.
Repetición de “decidir → actuar → observar” hasta terminar o alcanzar un límite.
Dónde se utiliza: Agentes.
Límite de pasos que permitimos a un agente para evitar bucles infinitos o costes descontrolados.
Dónde se utiliza: Producción.
Pasar una tarea, conversación o responsabilidad de un agente a otro o a una persona.
Dónde se utiliza: Multiagente y soporte.
Agente que coordina o reparte trabajo entre otros agentes.
Dónde se utiliza: Sistemas multiagente.
Agente secundario al que un agente principal delega una tarea concreta.
Dónde se utiliza: Coding agents e investigación.
Sistema formado por varios agentes que colaboran o se reparten funciones.
Dónde se utiliza: Arquitecturas complejas.
Información que el sistema conserva fuera de la ventana de contexto para reutilizarla en interacciones futuras.
Dónde se utiliza: Asistentes persistentes.
Información temporal de la tarea o conversación actual.
Dónde se utiliza: Agentes.
Información persistente almacenada para recuperarla más adelante.
Dónde se utiliza: Agentes personales o empresariales.
Datos que describen en qué punto se encuentra un workflow o agente.
Dónde se utiliza: Orquestación.
Punto guardado del estado para poder reanudar una ejecución.
Dónde se utiliza: Workflows largos.
Diseño en el que una persona revisa, aprueba o corrige ciertas acciones antes de ejecutarlas.
Dónde se utiliza: Pagos, borrados, decisiones sensibles.
Paso explícito de aprobación humana antes de una acción.
Dónde se utiliza: Agentes de empresa.
Regla o control que limita lo que puede hacer o responder un sistema.
Dónde se utiliza: Seguridad y cumplimiento.
Entorno aislado donde un agente puede ejecutar código o acciones con riesgo reducido.
Dónde se utiliza: Coding agents.
Coordinar modelos, herramientas, estado, reglas y workflows para que funcionen como un sistema.
Dónde se utiliza: Plataformas de agentes.
Protocolo abierto para conectar aplicaciones con LLM a herramientas, datos y otros recursos de forma estandarizada.
Dónde se utiliza: Claude Code, IDEs, agentes y apps.
Programa que expone capacidades o datos mediante MCP.
Dónde se utiliza: Integraciones MCP.
Parte que se conecta a uno o varios servidores MCP y consume sus capacidades.
Dónde se utiliza: Apps de IA.
Herramienta ejecutable que un servidor MCP pone a disposición del modelo.
Dónde se utiliza: Acciones y consultas.
Dato o contenido que un servidor MCP puede exponer como contexto: archivos, esquemas, documentos, etc.
Dónde se utiliza: Contexto externo.
Plantilla de prompt que un servidor MCP expone para que pueda ser usada desde un cliente compatible.
Dónde se utiliza: Flujos guiados.
Extensión/ecosistema para experiencias interactivas vinculadas a MCP según las versiones modernas del protocolo.
Dónde se utiliza: Interfaces de herramientas y agentes.
Contrato que permite que un programa pida datos o acciones a otro programa de una forma definida.
Dónde se utiliza: Casi cualquier integración.
Leer la guía de Qué es una API y cómo conecta aplicacionesConsultar este término
API web que suele organizar recursos y usar métodos HTTP como GET, POST, PUT y DELETE.
Dónde se utiliza: SaaS e integraciones.
Dirección concreta dentro de una API que realiza una operación.
Dónde se utiliza: /v1/responses, /users, etc.
Mensaje que envía el cliente a una API.
Dónde se utiliza: APIs.
Mensaje que devuelve el servidor después de procesar la petición.
Dónde se utiliza: APIs.
Datos principales enviados dentro de una petición o respuesta.
Dónde se utiliza: JSON de una API.
Información adicional de una petición HTTP: autenticación, tipo de contenido, etc.
Dónde se utiliza: APIs.
Protocolo base de gran parte de la web y de muchas APIs.
Dónde se utiliza: Desarrollo web.
HTTP protegido mediante TLS para cifrar la comunicación.
Dónde se utiliza: APIs y webs.
Formato de texto estructurado muy usado para intercambiar datos.
Dónde se utiliza: APIs y herramientas.
Forma de describir qué campos, tipos y estructura debe tener un JSON.
Dónde se utiliza: Structured outputs, tools.
Hacer que el modelo devuelva datos siguiendo una estructura concreta en vez de texto libre.
Dónde se utiliza: Automatizaciones y extracción.
Modo de algunas APIs que obliga o favorece salida JSON válida, sin necesariamente garantizar todo un esquema complejo.
Dónde se utiliza: Integraciones.
Clave secreta usada para identificar y autorizar una aplicación ante una API.
Dónde se utiliza: Proveedores de IA.
Token enviado normalmente en el header Authorization para autenticar una petición.
Dónde se utiliza: APIs OAuth y SaaS.
Sistema para autorizar a una aplicación a acceder a otra cuenta o servicio sin compartir directamente la contraseña.
Dónde se utiliza: Google, Microsoft, LinkedIn.
Petición que un servicio envía automáticamente a otro cuando ocurre un evento.
Dónde se utiliza: Pagos, CRM, automatizaciones.
Leer la guía de Qué es un webhook y cómo inicia una automatizaciónConsultar este término
Recibir la respuesta poco a poco en lugar de esperar a que esté completa.
Dónde se utiliza: Chats de IA.
Tecnología web habitual para transmitir eventos del servidor al cliente sobre una conexión HTTP.
Dónde se utiliza: Streaming de tokens.
Conexión persistente donde cliente y servidor pueden enviarse mensajes en ambos sentidos.
Dónde se utiliza: Tiempo real.
Tiempo máximo que esperas antes de dar una operación por fallida.
Dónde se utiliza: APIs.
Reintentar una operación que ha fallado.
Dónde se utiliza: Sistemas robustos.
Esperar cada vez más entre reintentos para no empeorar una saturación.
Dónde se utiliza: APIs y rate limits.
Límite de llamadas o consumo permitido en un periodo.
Dónde se utiliza: APIs.
Número máximo o medido de peticiones por minuto.
Dónde se utiliza: Límites de proveedor.
Cantidad de tokens por minuto permitidos/procesados. En otros contextos TPM puede significar otra cosa.
Dónde se utiliza: APIs de LLM.
Límite de uso asignado a una cuenta, proyecto o periodo.
Dónde se utiliza: Cloud y APIs.
Propiedad que permite repetir una operación sin producir efectos duplicados no deseados.
Dónde se utiliza: Pagos y APIs críticas.
Kit de desarrollo que facilita usar una API desde un lenguaje concreto.
Dónde se utiliza: Python, JavaScript, PHP.
Herramienta de línea de comandos.
Dónde se utiliza: APIs, cloud, agentes.
Capa que permite cambiar de proveedor de modelo sin reescribir toda la aplicación.
Dónde se utiliza: Gateways y frameworks.
Servicio intermedio que centraliza acceso a varios modelos/proveedores, claves, routing, costes y observabilidad.
Dónde se utiliza: Producción multi-modelo.
Modelo alternativo que se usa si el principal falla o no está disponible.
Dónde se utiliza: Alta disponibilidad.
Elegir automáticamente qué modelo usar según tarea, coste, latencia o dificultad.
Dónde se utiliza: Optimización de costes.
Repartir peticiones entre varias instancias o servidores.
Dónde se utiliza: Serving.
Ejecutado y administrado por ti o tu organización, no completamente por un tercero.
Dónde se utiliza: Modelos, n8n, bases de datos.
Servicio operado por un proveedor que se encarga de gran parte de infraestructura y mantenimiento.
Dónde se utiliza: Cloud.
Instalado en infraestructura propia de la organización.
Dónde se utiliza: Empresas con requisitos de control.
Respuesta que suena convincente pero contiene información inventada, incorrecta o no sustentada.
Dónde se utiliza: LLM y RAG.
Leer la guía de Qué son las alucinaciones de la IA y cómo detectarlasConsultar este término
Grado en el que las afirmaciones de una respuesta son correctas según los hechos disponibles.
Dónde se utiliza: Evaluaciones.
Grado en el que una respuesta se mantiene fiel a la información proporcionada, por ejemplo a los documentos recuperados por RAG.
Dónde se utiliza: RAG.
Prueba diseñada para medir de forma repetible si un sistema de IA hace bien una tarea.
Dónde se utiliza: Producción.
Leer la guía de Qué es una evaluación de IA y cómo probar una soluciónConsultar este término
Conjunto de casos usados para medir un sistema.
Dónde se utiliza: Evals.
Leer la guía de Qué es una evaluación de IA y cómo probar una soluciónConsultar este término
Colección pequeña y cuidada de ejemplos con respuestas esperadas consideradas de referencia.
Dónde se utiliza: Evals internos.
Prueba estandarizada para comparar modelos. Un buen benchmark no garantiza que sea el mejor modelo para tu negocio.
Dónde se utiliza: Rankings de modelos.
Porcentaje de casos respondidos correctamente según una definición concreta.
Dónde se utiliza: Clasificación y tests.
De todo lo que el sistema marcó como positivo, cuánto era realmente positivo.
Dónde se utiliza: Clasificación.
De todo lo positivo que existía, cuánto consiguió encontrar el sistema.
Dónde se utiliza: Búsqueda y detección.
Medida que combina precision y recall.
Dónde se utiliza: ML clásico y evaluaciones.
Probabilidad de que al menos una de K respuestas propuestas resuelva correctamente el problema.
Dónde se utiliza: Benchmarks de código.
Usar un modelo para puntuar respuestas de otro modelo según criterios definidos.
Dónde se utiliza: Evals a escala.
Personas revisan y puntúan resultados.
Dónde se utiliza: Calidad y seguridad.
Leer la guía de Qué es una evaluación de IA y cómo probar una soluciónConsultar este término
Evaluación que comprueba que una nueva versión no ha empeorado casos que antes funcionaban.
Dónde se utiliza: Desarrollo continuo.
Comparar dos versiones con usuarios o tráfico real para medir cuál funciona mejor.
Dónde se utiliza: Producto.
Cambio de rendimiento con el tiempo por cambios en datos, usuarios, producto o modelo.
Dónde se utiliza: Sistemas en producción.
Patrón sistemático que favorece o perjudica ciertos resultados o grupos según contexto.
Dónde se utiliza: Responsible AI.
Capacidad de seguir funcionando bien ante entradas difíciles, ruido o variaciones.
Dónde se utiliza: Evaluaciones.
Intento de conseguir que un modelo eluda restricciones o políticas mediante instrucciones manipuladas.
Dónde se utiliza: Seguridad LLM.
Exposición no deseada de información que debería permanecer privada.
Dónde se utiliza: Seguridad.
Revelación de instrucciones internas que la aplicación pretendía mantener ocultas.
Dónde se utiliza: Seguridad de prompts.
Información que identifica o puede identificar a una persona.
Dónde se utiliza: Privacidad y cumplimiento.
Recoger y enviar solo los datos realmente necesarios.
Dónde se utiliza: Privacidad.
Ocultar o eliminar información sensible antes de almacenar o enviar contenido.
Dónde se utiliza: PII y logs.
Clasificar o bloquear contenido según reglas de seguridad.
Dónde se utiliza: Apps de IA.
Filtro para detectar o restringir ciertos tipos de contenido.
Dónde se utiliza: Seguridad.
Regla que define qué usos, contenidos o acciones se permiten.
Dónde se utiliza: Gobernanza.
Registro de quién hizo qué, cuándo y con qué resultado.
Dónde se utiliza: Cumplimiento.
Poder reconstruir qué datos, modelos, prompts y herramientas participaron en una respuesta o acción.
Dónde se utiliza: Entornos empresariales.
Conjunto de políticas, responsabilidades y controles para usar IA de forma gestionada.
Dónde se utiliza: Empresas y regulación.
Documento que resume capacidades, limitaciones, entrenamiento, riesgos y usos previstos de un modelo.
Dónde se utiliza: Hugging Face y proveedores.
Documento más amplio sobre comportamiento, seguridad y evaluaciones de un sistema/modelo.
Dónde se utiliza: Proveedores de modelos.
Probar activamente el sistema buscando fallos, abusos o formas de romper sus protecciones.
Dónde se utiliza: Seguridad IA.
IA que ayuda a escribir, entender, corregir o revisar código.
Dónde se utiliza: IDEs y chats.
Agente capaz de navegar un proyecto, modificar archivos, ejecutar comandos y comprobar resultados.
Dónde se utiliza: Claude Code, Codex y similares.
Conjunto completo del código y archivos de un proyecto.
Dónde se utiliza: Agentes de código.
Información del repositorio que el agente tiene disponible en ese momento.
Dónde se utiliza: Coding agents.
Carpeta o entorno de trabajo sobre el que opera una herramienta.
Dónde se utiliza: IDEs y agentes.
Resumen estructurado de archivos, símbolos o relaciones de un repositorio para ayudar al agente a orientarse.
Dónde se utiliza: Coding agents.
Modo en el que el agente analiza y propone pasos antes de modificar archivos.
Dónde se utiliza: Agentes de código.
Modo donde la IA puede actuar: editar, ejecutar comandos, usar herramientas y validar.
Dónde se utiliza: IDEs modernos.
Representación de las líneas que cambian entre dos versiones de un archivo.
Dónde se utiliza: Git y agentes.
Conjunto de cambios que puede aplicarse a archivos.
Dónde se utiliza: Coding agents, Git.
Aplicar un conjunto de cambios sobre el código.
Dónde se utiliza: Automatización.
Cambiar la estructura interna del código sin cambiar intencionadamente su comportamiento externo.
Dónde se utiliza: Mantenimiento.
Revisión automática que detecta problemas de estilo, sintaxis o patrones peligrosos.
Dónde se utiliza: Pipelines y agentes.
Comprobar que los tipos de datos usados por el programa son coherentes.
Dónde se utiliza: TypeScript, Python tipado.
Prueba pequeña de una función o unidad concreta.
Dónde se utiliza: Validación de cambios.
Prueba de varias partes trabajando juntas.
Dónde se utiliza: Backend y APIs.
Prueba de un flujo completo como lo viviría un usuario o sistema externo.
Dónde se utiliza: QA.
Conjunto completo de pruebas automatizadas.
Dónde se utiliza: CI/CD.
Proceso de preparar el proyecto para ejecutarlo o distribuirlo.
Dónde se utiliza: Frontend, apps, binarios.
Traducir código a otra forma ejecutable o intermedia.
Dónde se utiliza: C, Rust, Java, TypeScript.
Paquete o biblioteca externa que necesita un proyecto.
Dónde se utiliza: npm, Composer, pip.
Herramienta que instala y gestiona dependencias.
Dónde se utiliza: npm, pnpm, Composer, pip.
Valor de configuración que se entrega al programa desde su entorno.
Dónde se utiliza: Claves API, URLs, configuración.
Dato sensible como una clave API, contraseña o token que debe protegerse.
Dónde se utiliza: CI/CD, agentes.
Capacidad de un agente para ejecutar comandos en una terminal.
Dónde se utiliza: Coding agents.
Capacidad de navegar o interactuar con webs desde el agente.
Dónde se utiliza: Agentes.
Capacidad para leer, crear o modificar archivos.
Dónde se utiliza: Agentes.
Punto al que se puede volver si una serie de cambios sale mal.
Dónde se utiliza: Agentes y editores.
Agente secundario que recibe una tarea concreta del agente principal.
Dónde se utiliza: Coding agents modernos.
Varios agentes trabajando a la vez en tareas separadas.
Dónde se utiliza: Desarrollo asistido por IA.
Agente que ejecuta una tarea en un entorno independiente sin bloquear la interfaz principal, cuando la plataforma lo permite.
Dónde se utiliza: Plataformas de desarrollo.
Archivo con normas persistentes para explicar al agente cómo trabajar en un repositorio.
Dónde se utiliza: AGENTS.md, instrucciones de IDE.
Parte de una aplicación con la que interactúa directamente el usuario.
Dónde se utiliza: Web y apps.
Parte que contiene lógica, APIs, autenticación y acceso a datos detrás de la interfaz.
Dónde se utiliza: Aplicaciones.
Trabajo que abarca tanto frontend como backend.
Dónde se utiliza: Desarrollo web.
Programa que pide algo a otro sistema.
Dónde se utiliza: Navegador, app, SDK.
Puede ser una máquina o un programa que atiende peticiones y presta servicios.
Dónde se utiliza: Web, APIs, bases de datos.
Patrón donde un cliente pide algo y el servidor contesta.
Dónde se utiliza: HTTP y APIs.
Dirección completa de un recurso en web.
Dónde se utiliza: Navegador y APIs.
Nombre legible como ejemplo.com que se asocia a servicios de Internet.
Dónde se utiliza: Web.
Sistema que traduce nombres de dominio a direcciones y otros datos técnicos.
Dónde se utiliza: Hosting.
Dirección numérica usada para localizar una interfaz de red.
Dónde se utiliza: Servidores y redes.
Número lógico que identifica un servicio concreto dentro de una máquina.
Dónde se utiliza: 80, 443, 22, 3306.
Nombre que significa “este mismo equipo”. Se usa para probar servicios localmente.
Dónde se utiliza: Desarrollo.
Dirección IPv4 de loopback más habitual: apunta al propio ordenador.
Dónde se utiliza: Desarrollo local.
Tipo de acción que se solicita a una API o web.
Dónde se utiliza: GET, POST, PUT, PATCH, DELETE.
Pedir información.
Dónde se utiliza: APIs.
Enviar datos para crear o ejecutar algo.
Dónde se utiliza: APIs.
Reemplazar o actualizar un recurso completo según la API.
Dónde se utiliza: APIs.
Actualizar parcialmente un recurso.
Dónde se utiliza: APIs.
Solicitar borrar un recurso.
Dónde se utiliza: APIs.
Número HTTP que resume el resultado de una petición.
Dónde se utiliza: 200, 404, 500.
La petición se procesó correctamente.
Dónde se utiliza: APIs.
Se creó correctamente un recurso.
Dónde se utiliza: APIs.
La petición enviada es inválida o tiene datos incorrectos.
Dónde se utiliza: APIs.
Falta autenticación válida; el nombre histórico puede confundir.
Dónde se utiliza: APIs.
El servidor entiende quién eres o la petición, pero no te permite esa acción.
Dónde se utiliza: APIs.
No se encontró el recurso solicitado.
Dónde se utiliza: Web y APIs.
Has superado un límite de peticiones.
Dónde se utiliza: APIs y rate limits.
Ha ocurrido un error en el lado del servidor.
Dónde se utiliza: Backend.
Un proxy/gateway no obtuvo una respuesta válida del servicio que tiene detrás.
Dónde se utiliza: Hosting.
Servicio temporalmente no disponible o saturado.
Dónde se utiliza: Producción.
Create, Read, Update, Delete: las cuatro operaciones básicas sobre datos.
Dónde se utiliza: APIs y bases de datos.
Estructura de software que proporciona una forma organizada de crear una aplicación.
Dónde se utiliza: Laravel, React, Django.
Código reutilizable que añades a tu proyecto para resolver tareas concretas.
Dónde se utiliza: Desarrollo.
Entorno necesario para ejecutar un lenguaje o aplicación.
Dónde se utiliza: Node.js, PHP runtime, Python.
Servicio de alojar una web, aplicación o sistema en una máquina conectada.
Dónde se utiliza: Web y SaaS.
Alojamiento donde muchos clientes comparten un mismo servidor gestionado y tienen poco control.
Dónde se utiliza: Webs sencillas.
Servidor virtual alquilado dentro de una máquina física. Tienes mucho más control que en hosting compartido.
Dónde se utiliza: APIs, Docker, n8n.
Máquina física completa reservada para un cliente.
Dónde se utiliza: Cargas grandes.
Ejecutar directamente sobre hardware físico, sin que tu servidor principal sea una VM.
Dónde se utiliza: Datacenters.
Ordenador “virtual” creado dentro de otro servidor y con su propio sistema operativo.
Dónde se utiliza: Cloud y VPS.
Software que crea y gestiona máquinas virtuales.
Dónde se utiliza: Proxmox, VMware, Hyper-V.
Alquilar recursos informáticos bajo demanda a través de un proveedor.
Dónde se utiliza: AWS, Azure, Google Cloud.
Infraestructura como servicio: alquilas máquinas, red y almacenamiento y administras el resto.
Dónde se utiliza: VMs cloud.
Plataforma como servicio: despliegas tu aplicación y el proveedor gestiona más infraestructura por ti.
Dónde se utiliza: Heroku-like, app platforms.
Software como servicio: usas directamente una aplicación terminada.
Dónde se utiliza: Gmail, CRMs, herramientas IA.
Modelo donde ejecutas código sin administrar directamente servidores concretos, aunque servidores físicos sigan existiendo.
Dónde se utiliza: Functions y plataformas.
Zona geográfica donde un proveedor cloud tiene infraestructura.
Dónde se utiliza: Cloud.
Zona aislada dentro de una región para reducir el impacto de fallos.
Dónde se utiliza: Alta disponibilidad.
Ejemplar en ejecución de un recurso, normalmente una VM o servicio.
Dónde se utiliza: Cloud.
Dar más CPU o RAM a una misma máquina.
Dónde se utiliza: Escalado.
Añadir más máquinas o réplicas.
Dónde se utiliza: Escalado.
Aumentar o reducir recursos automáticamente según demanda.
Dónde se utiliza: Cloud.
Reparte peticiones entre varios servidores.
Dónde se utiliza: Alta disponibilidad.
Servidor intermedio que recibe peticiones y las envía al servicio interno adecuado.
Dónde se utiliza: Nginx, Traefik, Caddy.
Red distribuida que acerca contenido a los usuarios y puede reducir carga del servidor de origen.
Dónde se utiliza: Web global.
Sistema de reglas que permite o bloquea conexiones.
Dónde se utiliza: Servidores.
Firewall virtual asociado a recursos cloud en muchos proveedores.
Dónde se utiliza: AWS y cloud.
Protocolo para entrar de forma segura a la terminal de un servidor remoto.
Dónde se utiliza: Administración Linux.
Par de claves criptográficas usado para autenticarte por SSH sin una contraseña tradicional.
Dónde se utiliza: Servidores.
Parte de una pareja criptográfica que puedes compartir.
Dónde se utiliza: SSH y certificados.
Parte secreta que debes proteger.
Dónde se utiliza: SSH y criptografía.
Dirección que permite localizar un servicio desde Internet según su configuración de red.
Dónde se utiliza: Servidores.
Dirección usada dentro de una red interna y no enrutable directamente por Internet público.
Dónde se utiliza: LAN y cloud.
Sistema que traduce direcciones de red, muy usado para que muchos equipos privados compartan salida a Internet.
Dónde se utiliza: Routers y cloud.
Regla que redirige conexiones de un puerto externo hacia un equipo o puerto interno.
Dónde se utiliza: Redes domésticas y servidores.
Túnel que conecta de forma protegida usuarios o redes a través de Internet.
Dónde se utiliza: Acceso remoto.
Tiempo que tarda la comunicación en viajar entre dos puntos.
Dónde se utiliza: APIs globales.
Cantidad máxima de datos que una conexión puede transportar por unidad de tiempo.
Dónde se utiliza: Hosting.
Tiempo o porcentaje durante el cual un servicio está disponible.
Dónde se utiliza: SLA y hosting.
Periodo en que el servicio no está disponible.
Dónde se utiliza: Incidentes.
Cambiar a un sistema alternativo cuando el principal falla.
Dónde se utiliza: Alta disponibilidad.
Proceso aislado que lleva la aplicación y sus dependencias para ejecutarse de forma consistente.
Dónde se utiliza: Docker.
Ecosistema de herramientas para construir, distribuir y ejecutar contenedores.
Dónde se utiliza: Desarrollo y servidores.
Plantilla inmutable que contiene lo necesario para crear un contenedor.
Dónde se utiliza: Registries y despliegues.
Archivo con instrucciones para construir una imagen Docker.
Dónde se utiliza: Proyectos.
Parte reutilizable de una imagen Docker.
Dónde se utiliza: Builds.
Servidor donde se almacenan imágenes de contenedores.
Dónde se utiliza: Docker Hub, GHCR.
Registry público muy conocido para imágenes Docker.
Dónde se utiliza: Docker.
Almacenamiento persistente que puede sobrevivir aunque borres el contenedor.
Dónde se utiliza: Bases de datos en Docker.
Montar directamente una carpeta del servidor dentro del contenedor.
Dónde se utiliza: Desarrollo y configuración.
Forma de definir varios contenedores relacionados en un archivo y levantarlos juntos.
Dónde se utiliza: Web + DB + Redis.
Gestionar muchos contenedores, réplicas, red, secretos y despliegues de forma coordinada.
Dónde se utiliza: Kubernetes.
Plataforma para orquestar contenedores a gran escala.
Dónde se utiliza: Cloud y empresas.
Unidad básica desplegable de Kubernetes que contiene uno o más contenedores relacionados.
Dónde se utiliza: K8s.
Objeto que describe cómo deben ejecutarse y actualizarse réplicas de una aplicación en Kubernetes.
Dónde se utiliza: K8s.
Punto estable de red para acceder a un conjunto de Pods.
Dónde se utiliza: K8s.
Reglas para dirigir tráfico HTTP/HTTPS externo hacia servicios dentro de Kubernetes.
Dónde se utiliza: K8s.
Carpeta de proyecto con historial gestionado por Git.
Dónde se utiliza: GitHub, GitLab.
Sistema de control de versiones que registra cambios en archivos.
Dónde se utiliza: Desarrollo.
Plataforma que aloja repositorios Git y añade colaboración, issues, PRs y automatizaciones.
Dónde se utiliza: Desarrollo.
Punto de guardado registrado en Git con un mensaje.
Dónde se utiliza: Git.
Línea paralela de trabajo dentro del repositorio.
Dónde se utiliza: Git.
Integrar cambios de una rama en otra.
Dónde se utiliza: Git.
Situación en la que Git no puede decidir por sí solo cómo combinar cambios.
Dónde se utiliza: Git.
Crear una copia local inicial de un repositorio.
Dónde se utiliza: Git.
Descargar información nueva del remoto sin integrarla automáticamente en tu rama.
Dónde se utiliza: Git.
Traer cambios remotos e integrarlos según la configuración.
Dónde se utiliza: Git.
Enviar tus commits locales al repositorio remoto.
Dónde se utiliza: Git.
Propuesta para revisar e integrar cambios en plataformas como GitHub.
Dónde se utiliza: Colaboración.
Automatizar tests, build y verificaciones al integrar cambios.
Dónde se utiliza: GitHub Actions, GitLab CI.
Automatizar la preparación o incluso el despliegue de nuevas versiones.
Dónde se utiliza: DevOps.
Cadena automática de pasos como test → build → deploy.
Dónde se utiliza: CI/CD.
Publicar una versión de la aplicación en un entorno donde pueda ejecutarse.
Dónde se utiliza: Producción.
Entorno parecido a producción usado para probar antes de publicar.
Dónde se utiliza: DevOps.
Entorno real que usan clientes o sistemas de negocio.
Dónde se utiliza: Operaciones.
Volver a una versión anterior porque la nueva da problemas.
Dónde se utiliza: Despliegues.
Conjunto de servidores, configuración y servicios donde corre una aplicación.
Dónde se utiliza: dev, staging, prod.
Definir infraestructura mediante archivos versionables en vez de configurarla solo a mano.
Dónde se utiliza: Terraform, cloud.
Sistema organizado para guardar y consultar información.
Dónde se utiliza: Aplicaciones.
Lenguaje usado para consultar y modificar bases de datos relacionales.
Dónde se utiliza: MySQL, PostgreSQL, SQL Server.
Base de datos que organiza información principalmente en tablas relacionadas.
Dónde se utiliza: ERP, CRM, SaaS.
Familia de bases de datos que no siguen exclusivamente el modelo relacional tradicional.
Dónde se utiliza: MongoDB, Redis, DynamoDB.
Conjunto de filas y columnas que guarda un tipo de información.
Dónde se utiliza: SQL.
Un registro individual dentro de una tabla.
Dónde se utiliza: Bases de datos.
Un atributo de los registros.
Dónde se utiliza: Bases de datos.
Campo que identifica de forma única una fila.
Dónde se utiliza: SQL.
Campo que enlaza una fila con otra tabla.
Dónde se utiliza: SQL.
Descripción de la estructura de los datos o conjunto lógico de objetos, según la tecnología.
Dónde se utiliza: Bases de datos y JSON.
Consulta que pide leer o modificar datos.
Dónde se utiliza: SQL.
Estructura adicional que acelera búsquedas a cambio de espacio y mantenimiento.
Dónde se utiliza: Bases de datos.
Grupo de operaciones que el sistema trata como una unidad lógica.
Dónde se utiliza: Pagos y bases de datos.
Conjunto de propiedades que ayudan a que las transacciones sean fiables.
Dónde se utiliza: Bases relacionales.
Almacenamiento rápido temporal que evita repetir trabajo caro.
Dónde se utiliza: Redis, web, IA.
Sistema en memoria usado como caché, almacenamiento temporal, colas y otros patrones.
Dónde se utiliza: Backend y agentes.
Almacenamiento pensado para archivos/objetos con metadatos, no como un disco tradicional.
Dónde se utiliza: S3 y cloud.
Contenedor lógico de objetos en servicios como S3.
Dónde se utiliza: Cloud.
Bloque de datos binarios o archivo tratado como una unidad.
Dónde se utiliza: Storage y bases de datos.
Transformar datos para que solo puedan entenderse con la clave adecuada.
Dónde se utiliza: Seguridad.
Huella matemática de unos datos, diseñada para comprobar o representar información sin recuperar directamente el original.
Dónde se utiliza: Contraseñas e integridad.
Valor aleatorio añadido al proceso de hash de contraseñas para dificultar ataques precomputados.
Dónde se utiliza: Seguridad.
Demostrar quién eres.
Dónde se utiliza: Login.
Decidir qué puedes hacer una vez sabemos quién eres.
Dónde se utiliza: Permisos.
Usar más de un factor para autenticarte.
Dónde se utiliza: Seguridad de cuentas.
Asignar permisos según roles como admin, editor o lector.
Dónde se utiliza: Aplicaciones empresariales.
Dar a una persona, servicio o agente solo los permisos estrictamente necesarios.
Dónde se utiliza: Seguridad de agentes.
Guardar y entregar claves, tokens y contraseñas de forma segura.
Dónde se utiliza: Producción.
Sistema centralizado para guardar y entregar secretos.
Dónde se utiliza: Infraestructura.
Historial que permite saber qué acciones se hicieron, por quién y cuándo.
Dónde se utiliza: Cumplimiento.
Copia destinada a recuperar datos si se pierden o corrompen.
Dónde se utiliza: Operaciones.
Captura del estado de un recurso en un momento concreto; no siempre sustituye a un backup independiente.
Dónde se utiliza: VMs y bases de datos.
Mantener varias copias de los datos sincronizadas.
Dónde se utiliza: Alta disponibilidad.
Tiene aproximadamente 70.000 millones de parámetros.
Dónde se utiliza: Comparativas de LLM.
El modelo contiene 120B parámetros, pero para cada token usa aproximadamente una parte equivalente a 12B.
Dónde se utiliza: Modelos MoE.
La memoria de la GPU no es suficiente para cargar el modelo y lo que necesita para funcionar.
Dónde se utiliza: Modelos locales.
Reduciendo la precisión de los pesos, el modelo ocupará menos memoria.
Dónde se utiliza: Modelos locales.
Descarga una versión cuantizada alrededor de 4 bits por peso.
Dónde se utiliza: GGUF.
Una cuantización menos agresiva suele conservar más calidad, aunque ocupa más memoria.
Dónde se utiliza: GGUF.
El archivo está en un formato muy habitual del ecosistema llama.cpp.
Dónde se utiliza: Modelos locales.
Mueve parte del modelo a RAM/CPU porque no cabe entero en la GPU.
Dónde se utiliza: Inferencia local.
Haz que una parte mayor del modelo se ejecute en la GPU para ganar velocidad, si hay VRAM.
Dónde se utiliza: llama.cpp.
El contexto y/o la concurrencia están haciendo que la memoria temporal de atención ocupe mucho.
Dónde se utiliza: Contexto largo.
Intenta reutilizar cálculos de una parte del prompt que se repite.
Dónde se utiliza: Optimización.
El usuario tarda demasiado en ver empezar la respuesta.
Dónde se utiliza: Latencia.
Genera aproximadamente 80 tokens por segundo.
Dónde se utiliza: Benchmarks.
La velocidad está limitada sobre todo por mover datos desde memoria.
Dónde se utiliza: Inferencia.
Está inventando datos o respondiendo con seguridad sin base suficiente.
Dónde se utiliza: Calidad.
Haz que busque información externa y la añada al contexto antes de responder.
Dónde se utiliza: Chat con datos.
Leer la guía de Qué es RAG y cómo permite responder con documentosConsultar este término
El problema es aportar información actual o privada, no reentrenar el comportamiento del modelo.
Dónde se utiliza: Arquitectura.
Convierte textos o datos a vectores para poder buscar por similitud.
Dónde se utiliza: RAG.
Leer la guía de Qué son los embeddings y cómo ayudan a buscar por significadoConsultar este término
Guarda esos vectores en un sistema que permita búsquedas de similitud.
Dónde se utiliza: RAG.
Los documentos se están partiendo de una forma que perjudica la recuperación.
Dónde se utiliza: RAG.
Añade una segunda etapa que reordene los resultados de búsqueda para elegir los mejores.
Dónde se utiliza: RAG.
El RAG está enviando al modelo fragmentos poco relevantes.
Dónde se utiliza: RAG.
La respuesta debe apoyarse en datos concretos verificables.
Dónde se utiliza: RAG y calidad.
Permite que el modelo elija y ejecute funciones externas.
Dónde se utiliza: Agentes.
Expón o consume herramientas/datos mediante Model Context Protocol.
Dónde se utiliza: Agentes.
Pon en marcha un servicio que exponga herramientas o recursos MCP.
Dónde se utiliza: Integraciones.
Guarda información fuera del contexto inmediato para recuperarla más adelante.
Dónde se utiliza: Agentes.
El agente repite pasos y no termina.
Dónde se utiliza: Agentes.
Limita cuántos ciclos puede ejecutar el agente.
Dónde se utiliza: Control de coste.
Pasa la tarea a una persona cuando el agente no debe continuar solo.
Dónde se utiliza: Soporte y operaciones.
Exige revisión o aprobación humana para ciertas decisiones o acciones.
Dónde se utiliza: Seguridad.
No des al agente más permisos de los necesarios.
Dónde se utiliza: Seguridad.
Haz que ejecute código o acciones dentro de un entorno aislado.
Dónde se utiliza: Agentes de código.
El sistema decide pasos o acciones dinámicamente en vez de seguir solo un flujo fijo.
Dónde se utiliza: Agentes.
Emplea un modelo barato para decidir qué modelo o camino debe atender la tarea.
Dónde se utiliza: Optimización.
Si falla el modelo principal, prueba otro automáticamente.
Dónde se utiliza: Producción.
Centraliza acceso a proveedores/modelos detrás de una capa común.
Dónde se utiliza: Arquitectura.
El sistema consume demasiados tokens y el coste está subiendo.
Dónde se utiliza: APIs.
Leer la guía de Qué son los tokens y cómo estimar el coste de usar IAConsultar este término
Se está enviando más información de la necesaria.
Dónde se utiliza: Coste y calidad.
La conversación, herramientas y documentos ocupan casi todo lo que cabe en el modelo.
Dónde se utiliza: Agentes.
Diseña mejor qué información entra y sale del contexto, no solo la frase del prompt.
Dónde se utiliza: Agentes.
Haz que la salida siga un formato o esquema que el software pueda procesar con seguridad.
Dónde se utiliza: APIs.
La respuesta debe ser datos estructurados y no prosa libre.
Dónde se utiliza: Automatización.
Crea una URL/API concreta desde la que otro sistema pueda llamar al servicio.
Dónde se utiliza: Backend.
Envía la respuesta a medida que se genera.
Dónde se utiliza: UX de chat.
La aplicación está alcanzando el límite de peticiones o tokens del proveedor.
Dónde se utiliza: APIs.
Reintenta fallos temporales dejando cada vez más tiempo entre intentos.
Dónde se utiliza: Producción.
Se ejecuta en tu propio ordenador o entorno cercano, no necesariamente en Internet.
Dónde se utiliza: Desarrollo/modelos locales.
Ejecuta los pesos en tu propia máquina.
Dónde se utiliza: Privacidad y pruebas.
Despliega y administra tú el servicio en tu infraestructura.
Dónde se utiliza: Modelos y software.
Crea o enciende un servidor virtual remoto.
Dónde se utiliza: Hosting.
Arranca el programa para que empiece a atender peticiones.
Dónde se utiliza: Servidores.
Hay un programa esperando conexiones en el puerto 8000.
Dónde se utiliza: Backend.
Permite tráfico hacia el puerto habitual de HTTPS en el firewall/red.
Dónde se utiliza: Hosting.
Coloca una capa delante de tus aplicaciones para recibir y repartir tráfico.
Dónde se utiliza: Nginx, Caddy, Traefik.
Configura el dominio para que resuelva hacia la infraestructura correcta.
Dónde se utiliza: Hosting.
Funciona en el ordenador del desarrollador, no necesariamente en el servidor real.
Dónde se utiliza: Desarrollo.
Empaqueta la aplicación para ejecutarla en contenedores.
Dónde se utiliza: DevOps.
Arranca los servicios definidos en Docker Compose.
Dónde se utiliza: Docker.
Guarda los datos fuera de la vida efímera del contenedor.
Dónde se utiliza: Docker.
Publica una nueva versión en un entorno.
Dónde se utiliza: DevOps.
Prueba la versión en preproducción antes de ponerla a clientes reales.
Dónde se utiliza: DevOps.
Despliega en producción.
Dónde se utiliza: DevOps.
Vuelve a una versión anterior porque la actual falla.
Dónde se utiliza: DevOps.
Envía tus commits al repositorio remoto.
Dónde se utiliza: Git.
Trae e integra los cambios remotos antes de continuar.
Dónde se utiliza: Git.
Abre una Pull Request para revisar e integrar cambios.
Dónde se utiliza: GitHub.
Integra los cambios de una rama en otra.
Dónde se utiliza: Git.
Un cambio en la rama principal ha provocado fallos.
Dónde se utiliza: Git/CI.
Revisa los registros del sistema para entender qué está ocurriendo.
Dónde se utiliza: Debug.
El servidor está devolviendo errores internos HTTP 5xx.
Dónde se utiliza: Backend.
La operación tarda más del límite permitido.
Dónde se utiliza: APIs.
El proceso se ha quedado sin memoria.
Dónde se utiliza: IA y servidores.
La CPU es el principal cuello de botella.
Dónde se utiliza: Rendimiento.
Una parte concreta está limitando el rendimiento del sistema completo.
Dónde se utiliza: Arquitectura.
