Cada término del curso en una línea, con enlace a la lección que lo explica. Donde la industria usa el término en inglés, lo conservamos.
A
Adapter — Conjunto pequeño de pesos entrenables que se agrega a un modelo congelado para cambiar su comportamiento sin reentrenarlo. Fine-tuning, LoRA y QLoRA
Agent loop — Ciclo de llamar al modelo, ejecutar las herramientas que pidió, agregar los resultados y repetir, con límites explícitos. De la aplicación con LLM al agente
Agent profile — En Tack, instrucciones, política de herramientas y límites reutilizables, copiados en cada execution request al crearla. Implementación paso a paso
Agent Skill — Carpeta con un SKILL.md (nombre, descripción, instrucciones) y scripts o referencias opcionales que el agente carga bajo demanda. Agentes de código: harness y skills
Agente — Sistema en el que un modelo, dentro de un bucle, elige la siguiente acción hasta decidir que terminó o alcanzar una condición de parada. De la aplicación con LLM al agente
Agente de código — Agente que trabaja dentro de un repositorio: lee archivos, edita código y ejecuta comandos para cumplir una tarea. Agentes de código: harness y skills
AGENTS.md — Archivo Markdown de formato abierto en la raíz del repositorio con las instrucciones que necesitan los agentes de código. Agentes de código: harness y skills
Alucinación — Respuesta fluida y segura que no está respaldada por hechos ni fuentes. El LLM como componente de software
Aprobación — Pedido durable de una decisión humana, con estado, timeout y respuesta auditada. Gobernanza y human-in-the-loop
Atención — Mecanismo que permite al modelo ponderar cuánto debe usar cada token la información de los demás al calcular su representación. Breve historia de la IA
B
Background agent — Agente que trabaja en una tarea sin supervisión directa y entrega un resultado revisable, normalmente un pull request. Del vibe coding a la fábrica lights-out
Backpropagation — Algoritmo que calcula el gradiente de cada peso en una red de varias capas propagando el error desde la salida hacia atrás. Breve historia de la IA
Backtesting — Evaluar un sistema con casos pasados ya resueltos para estimar cómo habría funcionado. Casos de uso aplicados
Baseline — Resultado de referencia que un modelo o cambio nuevo debe superar para contar como mejora. Evaluar modelos
BM25 — Función clásica de ranking por palabras clave, usada junto a la búsqueda vectorial para no perder términos exactos. Embeddings y RAG
Bot gate — Control que comprueba que una petición viene de una persona antes de cualquier trabajo costoso, como un CAPTCHA seguido de un ticket firmado. Implementación paso a paso
Búsqueda híbrida — Combinar búsqueda vectorial y por palabras clave, normalmente fusionadas en un solo ranking. Embeddings y RAG
Búsqueda vectorial — Encontrar los embeddings guardados más cercanos al embedding de una consulta. Embeddings y RAG
BYOK — Bring your own key: el gateway llama a los proveedores con las credenciales propias del cliente. Gateways de modelos
C
Caché semántica — Caché que reutiliza una respuesta previa cuando un prompt nuevo es suficientemente similar según sus embeddings. Gateways de modelos
Capacidad — Tener el medio para ejecutar una operación; quitarla es más robusto que verificar un permiso. Gobernanza y human-in-the-loop
Chokepoint — Único camino de código por el que pasa toda acción, donde se concentran políticas y registro. Tool calling y harness
Chunking — Dividir documentos en fragmentos del tamaño adecuado para embeddings y recuperación. Embeddings y RAG
Clasificación de riesgo — Ordenar acciones en clases de riesgo para aplicar a cada una el control mínimo suficiente. Gobernanza y human-in-the-loop
Compactación — Resumir o recortar el historial para que quepa en la ventana de contexto sin perder lo importante. Contexto, routing y costo
Contaminación de benchmarks — Preguntas de prueba presentes en los datos de entrenamiento; la puntuación refleja memoria y no capacidad. Modelos, pesos abiertos y Hugging Face
Context engineering — Decidir qué entra en cada llamada al modelo, en qué orden y con qué presupuesto de tokens. Contexto, routing y costo
Cuantización — Guardar los pesos con menos bits para reducir memoria y costo, con cierta pérdida de precisión. Servir modelos
D
Datos held-out — Ejemplos que se excluyen del entrenamiento y se usan solo para medir el modelo. Evaluar modelos
Deny-ask-allow — Veredicto de política en tres vías: bloquear la acción, escalarla a un humano o permitirla. Gobernanza y human-in-the-loop
Divulgación progresiva — Cargar el contexto por etapas: solo nombres y descripciones al inicio, el contenido completo cuando la tarea lo requiere. Agentes de código: harness y skills
E
Ejecución durable — Ejecutar un flujo persistiendo su progreso paso a paso para que se reanude tras una caída sin repetir pasos completados. Ejecución durable de agentes
Embedding — Vector de números que representa el significado de un texto; vectores cercanos indican contenido similar. Embeddings y RAG
Endpoint compatible con OpenAI — API HTTP que sigue la forma de facto de chat completions, para que los clientes existentes funcionen sin cambios. Servir modelos
Entrenamiento — Ajustar los pesos de un modelo a partir de datos para que sus predicciones mejoren. Machine learning en una lección
Escenario oculto — Prueba de aceptación de extremo a extremo fuera del alcance del agente, para que no pueda ajustarla a su favor. Del vibe coding a la fábrica lights-out
Eval — Medición de qué tan bien se comporta el sistema completo en casos representativos, incluida la trayectoria de acciones, con oráculos aproximados y estadística. Testing y evals para agentes
Eval gate — Verificación automática que impide publicar un modelo o cambio si no aprueba una evaluación. Evaluar modelos
Execution request — Registro durable e idempotente que pide ejecutar un trabajo bajo una política dada. Ejecución durable de agentes
F
Fábrica lights-out — Producción que funciona sin personas presentes; en software, agentes escriben y verifican código que nadie revisa. Del vibe coding a la fábrica lights-out
Fail-closed — Denegar la operación cuando un control falla, vence o no puede decidir. Gobernanza y human-in-the-loop
Fallback — Reenviar automáticamente un pedido fallido a otro proveedor o modelo. Gateways de modelos
Fencing token — Número creciente asociado a un lease para que el almacén rechace escrituras de un dueño obsoleto. Ejecución durable de agentes
Fine-tuning — Seguir entrenando un modelo preentrenado con tus propios ejemplos para cambiar cómo se comporta. Fine-tuning, LoRA y QLoRA
Fusión de rankings — Combinar varias listas de resultados ordenadas, como las vectoriales y las por palabras clave, en una sola. Embeddings y RAG
G
Gateway de modelos — Proxy HTTP central con una API delante de muchos proveedores; gestiona llaves, límites, caché y registros. Gateways de modelos
Generalización — Que un modelo funcione bien con datos que no vio durante el entrenamiento. Machine learning en una lección
GGUF — Formato de un solo archivo para llama.cpp y motores compatibles, con tensores y metadatos, normalmente cuantizado. Modelos, pesos abiertos y Hugging Face
Golden file — Salida esperada guardada contra la que un test compara byte a byte. Testing y evals para agentes
Golden set — Conjunto pequeño de entradas con respuestas aprobadas por expertos para decidir si un sistema está listo. Casos de uso aplicados
Guard de salida — Código que revisa la respuesta completa del modelo contra reglas antes de mostrarla y la reemplaza si alguna falla. Implementación paso a paso
Guardrail — Término amplio para cualquier control que filtra o bloquea entradas, salidas o acciones; pregunta dónde se aplica y qué pasa si falla. Gobernanza y human-in-the-loop
H
Handoff — Artefacto estructurado que un agente produce y el siguiente consume. Sistemas multi-agente
Harness — Runtime alrededor del modelo que ejecuta el loop y las herramientas, prepara el contexto y aplica límites. Tool calling y harness
Hook — Comando que el harness ejecuta automáticamente en un evento del ciclo de vida, decida lo que decida el modelo. Agentes de código: harness y skills
Hugging Face Hub — Plataforma que aloja repositorios de modelos, datasets y demos con fichas, versiones y licencias. Modelos, pesos abiertos y Hugging Face
Human-in-the-loop — Modelo de supervisión en el que ciertas acciones esperan una decisión humana explícita. Gobernanza y human-in-the-loop
I
IA simbólica — Enfoque que construye inteligencia con reglas y símbolos explícitos escritos por personas, en lugar de aprender de datos. Breve historia de la IA
Idempotencia — Propiedad de una operación cuya repetición tiene el mismo efecto que ejecutarla una vez. Ejecución durable de agentes
In-context learning — Capacidad de un modelo de resolver una tarea nueva con instrucciones o ejemplos en el prompt, sin actualizar sus pesos. Breve historia de la IA
Inferencia — Ejecutar un modelo entrenado para producir una salida a partir de una entrada nueva. Machine learning en una lección
Intento (attempt) — Un intento numerado de un execution request, dueño de un lease, un fencing token y un workspace. Ejecución durable de agentes
Invierno de la IA — Periodo de fuerte recorte de fondos e interés en la IA tras promesas incumplidas; los dos principales empezaron en los 70 y en 1987. Breve historia de la IA
L
Lease — Lock con vencimiento que su dueño renueva con heartbeats periódicos, para que un dueño desaparecido no retenga el trabajo para siempre. Ejecución durable de agentes
Llave virtual — Credencial revocable que un gateway emite a un equipo o app, ocultando las llaves reales del proveedor. Gateways de modelos
LLM — Large language model: red neuronal entrenada para predecir el siguiente token y ajustada para seguir instrucciones. El LLM como componente de software
LLM-as-a-judge — Usar un modelo para calificar salidas; útil a escala solo tras calibrarlo contra etiquetas humanas. Testing y evals para agentes
Log de auditoría — Registro atribuido de quién decidió qué, cuándo y bajo qué regla; encadenarlo por hash lo vuelve tamper-evident. Observabilidad, auditoría y confiabilidad
LoRA — Low-rank adaptation: fine-tuning que entrena matrices pequeñas de bajo rango en lugar de todos los pesos. Fine-tuning, LoRA y QLoRA
M
MCP — Model Context Protocol, protocolo abierto sobre JSON-RPC para exponer herramientas, recursos y prompts a aplicaciones con LLM. MCP, el Model Context Protocol
MicroVM — Máquina virtual liviana con kernel propio, que aísla más que un contenedor. Sandboxing y seguridad de agentes
Mínimo privilegio — Dar a cada componente solo los permisos, herramientas y credenciales que su función requiere. Sandboxing y seguridad de agentes
Model card — Documento del repositorio de un modelo que describe uso previsto, limitaciones, datos, evaluación, licencia y modelo base. Modelos, pesos abiertos y Hugging Face
Model routing — Asignar cada pedido o rol a un modelo específico, normalmente para equilibrar costo y calidad. Contexto, routing y costo
Modelo base — Modelo preentrenado que solo continúa texto, sin ajuste para seguir instrucciones. Modelos, pesos abiertos y Hugging Face
Modelo cerrado — Modelo accesible solo mediante la API de un proveedor; sus pesos nunca se distribuyen. Modelos, pesos abiertos y Hugging Face
Modelo de pesos abiertos — Modelo cuyos pesos entrenados se publican para descargar, bajo una licencia que aún puede restringir su uso. Breve historia de la IA
Modelo de razonamiento — Modelo que genera pasos intermedios antes de responder, cambiando tokens y latencia por precisión. Modelos, pesos abiertos y Hugging Face
Modelo falso — Sustituto guionado de un modelo real, usado para testear el harness de forma determinista. Testing y evals para agentes
Modelo instruct — Modelo ajustado adicionalmente para seguir instrucciones y usar una plantilla de chat. Modelos, pesos abiertos y Hugging Face
Modo headless — Ejecutar un harness sin interacción: recibe una tarea, trabaja y termina con una salida legible por máquina. Agentes de código: harness y skills
Multi-tenancy — Servir a varios clientes o proyectos aislados desde un mismo despliegue. Servir modelos
O
Observabilidad — Poder responder preguntas nuevas sobre el sistema a partir de los eventos, trazas y métricas que emite. Observabilidad, auditoría y confiabilidad
OCR — Reconocimiento óptico de caracteres: convertir texto de imágenes o PDF escaneados en texto procesable. Casos de uso aplicados
Overfitting — Que un modelo memorice sus datos de entrenamiento en lugar de aprender patrones que generalicen. Machine learning en una lección
P
Perceptrón — Modelo de una capa de Rosenblatt (1958) que aprende pesos con ejemplos; solo separa clases linealmente separables. Breve historia de la IA
Pesos abiertos — Modelo cuyos parámetros entrenados se pueden descargar y ejecutar en cualquier lugar, aunque no publique código ni datos. Modelos, pesos abiertos y Hugging Face
Políticas como código — Reglas declarativas y versionadas que el código evalúa en un punto de enforcement, sin depender del modelo. Gobernanza y human-in-the-loop
Presupuesto — Límite duro sobre tokens, llamadas, tiempo o dinero, aplicado antes de gastar el recurso. Contexto, routing y costo
Prompt — Todo lo que se envía al modelo en una llamada: mensajes con rol y definiciones de herramientas. El LLM como componente de software
Prompt injection — Ataque en el que un texto adversario, directo o dentro de datos procesados, altera lo que hace el modelo. Sandboxing y seguridad de agentes
Q
QLoRA — Entrenamiento LoRA sobre un modelo base cuantizado, para que modelos grandes quepan en una GPU. Fine-tuning, LoRA y QLoRA
R
RAG — Retrieval-augmented generation: recuperar fragmentos relevantes e insertarlos en el contexto antes de que el modelo responda. Embeddings y RAG
Reranking — Volver a puntuar los candidatos recuperados con un modelo más preciso antes de pasarlos al LLM. Embeddings y RAG
Resultado ambiguo — Ejecución de la que no se puede probar si produjo o no sus efectos; debe detenerse para revisión en lugar de reintentarse. Ejecución durable de agentes
RLHF — Aprendizaje por refuerzo con retroalimentación humana: ajustar un modelo con preferencias humanas para que siga instrucciones. Breve historia de la IA
Runner — Proceso trabajador que reclama trabajo, lo ejecuta cerca del código y las credenciales, y reporta el resultado. Ejecución durable de agentes
Runner que hace pull — Trabajador que abre cada conexión para pedir trabajo, de modo que el servidor nunca llama a su máquina. Ejecución durable de agentes
Runtime embebido — Forma de librería de un runtime de agentes que una aplicación importa para ejecutar sus propias herramientas bajo su política y auditoría. Implementación paso a paso
S
Safetensors — Formato de pesos que guarda solo tensores y metadatos, por lo que cargarlo no ejecuta código. Modelos, pesos abiertos y Hugging Face
Salida estructurada — Restringir al modelo a devolver datos que cumplan un esquema, normalmente JSON Schema. El LLM como componente de software
Sandbox — Frontera de aislamiento con un modelo de amenazas explícito sobre archivos, procesos, red, credenciales y kernel. Sandboxing y seguridad de agentes
Scaling laws — Hallazgos empíricos de que la loss de un modelo baja de forma predecible al crecer parámetros, datos y cómputo. Breve historia de la IA
Sesgo de supervivencia — Sacar conclusiones solo de los casos que se publicaron o funcionaron, ignorando los cancelados o fallidos. Casos de uso aplicados
Sistema experto — Programa, típico de los 80, que codifica conocimiento de especialistas como reglas si-entonces escritas a mano; no aprende. Breve historia de la IA
Sistema multi-agente — Varios agentes con roles, herramientas y a veces modelos distintos, coordinados mediante handoffs. Sistemas multi-agente
Spec-driven development — Desarrollo en el que una especificación versionada, no la conversación, es la fuente de verdad que implementa el agente. Del vibe coding a la fábrica lights-out
Subagente — Un bucle de agente aparte, con contexto propio, lanzado por otro agente; solo devuelve su resultado. Agentes de código: harness y skills
T
Tamper-evident — Registro cuya modificación se puede detectar, lo que no equivale a que sea imposible modificarlo o borrarlo. Observabilidad, auditoría y confiabilidad
Temperature — Parámetro de muestreo que controla cuán aleatoria es la elección del siguiente token. El LLM como componente de software
Token — Unidad de subpalabra con la que el modelo lee, escribe y cobra. El LLM como componente de software
Tool calling — Que el modelo devuelva un pedido estructurado para ejecutar una herramienta (nombre, descripción y JSON Schema que se le mostró) con argumentos, que tu programa valida y ejecuta. Tool calling y harness
Transformer — Arquitectura neuronal basada solo en atención (2017) detrás de los LLM actuales; procesa los tokens en paralelo. Breve historia de la IA
Traza — Eventos o spans correlacionados que registran una ejecución paso a paso. Observabilidad, auditoría y confiabilidad
Trifecta letal — Combinación peligrosa de datos privados, contenido no confiable y una vía para enviar datos hacia afuera. Sandboxing y seguridad de agentes
U
Upsert — Escritura que inserta un registro o lo sobrescribe si el id existe, de modo que repetirla no crea duplicados. Implementación paso a paso
V
Ventana de contexto — Máximo de tokens que un modelo puede leer en una llamada; el modelo no conserva nada entre llamadas. El LLM como componente de software
Vibe coding — Término de Karpathy (2025) para construir software aceptando el código que genera la IA sin leerlo. Del vibe coding a la fábrica lights-out
W
Workflow — Secuencia fija de pasos, algunos con llamadas al modelo, que decide tu código y no el modelo. De la aplicación con LLM al agente
Worktree — Directorio de trabajo de git separado por tarea, para que agentes en paralelo no toquen los archivos de otros. Sandboxing y seguridad de agentes
Z
Zero data retention — Compromiso de un proveedor o endpoint de no almacenar prompts ni respuestas. Gateways de modelos