Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Prompts y contexto

Cómo das instrucciones a un modelo y controlas lo que ve y lo que devuelve.

Chain-of-thought
El chain-of-thought (CoT, cadena de pensamiento) es un método de prompting en el que un modelo de lenguaje escribe pasos de razonamiento intermedios antes de su respuesta final, lo que suele mejorar los resultados en matemáticas, lógica y otros problemas de varios pasos.
Context engineering
El context engineering (ingeniería de contexto) es la práctica de elegir y mantener todo lo que entra en la ventana de contexto de un modelo de lenguaje durante una tarea: instrucciones, documentos recuperados, definiciones de herramientas, resultados de herramientas e historial de la conversación.
Few-shot prompting
El few-shot prompting (prompting con pocos ejemplos) consiste en dar a un modelo de lenguaje unos pocos ejemplos resueltos de una tarea dentro del prompt, para que pueda copiar el patrón con una entrada nueva sin ningún reentrenamiento.
Grounding
El grounding (anclaje en fuentes) consiste en vincular la respuesta de un modelo de lenguaje a fuentes concretas y comprobables, como resultados de búsqueda, documentos o una base de datos, para que sus afirmaciones se apoyen en pruebas aportadas y no solo en los datos de entrenamiento.
Muestreo top-p
El muestreo top-p (top-p sampling), o nucleus sampling, elige cada token siguiente solo entre el conjunto más pequeño de candidatos cuya probabilidad combinada alcanza un umbral p, recortando la larga cola de tokens poco probables.
Prompt engineering
El prompt engineering (ingeniería de prompts) es la práctica de escribir, estructurar y probar las instrucciones y los ejemplos que se dan a un modelo de lenguaje para que produzca la salida que necesita una aplicación, sin cambiar los pesos del modelo.
Salida estructurada
La salida estructurada (structured output) es una función de las API que hace que la respuesta de un modelo de lenguaje siga un formato que defines, normalmente un JSON schema, para que el código pueda analizarla de forma fiable en lugar de extraer datos de texto libre.
System prompt
El system prompt (prompt del sistema) es el bloque de instrucciones que una aplicación envía a un modelo de lenguaje antes de los mensajes del usuario. Fija el rol, las reglas, el tono y el formato de salida del modelo para toda la conversación.
Temperatura (muestreo)
La temperatura (temperature) es un ajuste de muestreo que controla lo aleatorias que son las elecciones de palabras de un modelo de lenguaje. Los valores bajos hacen que favorezca los tokens más probables; los más altos reparten las elecciones entre otros menos probables.
Tokens de salida
Los tokens de salida (output tokens) son los tokens que genera un modelo de lenguaje en su respuesta. Se cuentan y se facturan aparte de los tokens de entrada, y un ajuste max_tokens limita cuántos puede contener una respuesta.
Zero-shot
Zero-shot significa pedir a un modelo que haga una tarea solo con una instrucción, sin ejemplos resueltos en el prompt ni entrenamiento específico para la tarea. El modelo se basa únicamente en lo que ya aprendió.