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 extra que se entrenan y se agregan a un modelo que por lo demás no cambia, para modificar su comportamiento sin reentrenarlo entero. Fine-tuning, LoRA y QLoRA
Agent loop — Ciclo que mueve a un agente: consultar al modelo, ejecutar las herramientas que pidió, devolverle los resultados y repetir, hasta terminar o llegar a un límite fijado. De la aplicación con LLM al agente
Agent profile — En Tack, un paquete reutilizable de instrucciones, herramientas permitidas y límites que se copia en cada nuevo trabajo al crearlo (Agent Runners & Fleet Execution). Implementación paso a paso
Agent Skill — Carpeta con un archivo SKILL.md (nombre, descripción e instrucciones) y scripts o archivos de referencia opcionales, que el agente carga solo cuando una tarea lo necesita. 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 en la raíz de un repositorio de código, en un formato abierto y compartido, que les explica a los agentes de código cómo trabajar en ese proyecto. 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 guardado para que una persona decida algo, que sobrevive a reinicios, tiene un plazo y deja un registro auditado de la respuesta. Gobernanza y human-in-the-loop
Atención — Mecanismo que permite al modelo decidir, para cada token, cuánto aprovechar de cada uno de los demás tokens del texto. 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 — El método con el que aprenden las redes neuronales: envía el error hacia atrás desde la salida, capa por capa, para calcular cuánto debe cambiar cada peso. 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 — Método clásico de puntuación para búsqueda por palabras clave, usado a menudo junto a la búsqueda vectorial para no perder palabras y nombres 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 (por significado) con búsqueda por palabras clave (por palabras exactas), normalmente fusionadas en una sola lista ordenada. Embeddings y RAG
Búsqueda vectorial — Encontrar los embeddings guardados más cercanos al embedding de una consulta, es decir, los textos más cercanos en significado. Embeddings y RAG
BYOK — Bring your own key: el gateway llama a los proveedores de modelos con las credenciales de la cuenta del propio cliente, no con las suyas. Gateways de modelos
C
Caché semántica — Caché que reutiliza una respuesta previa cuando un prompt nuevo significa casi lo mismo, según la comparación de sus embeddings. Gateways de modelos
Capacidad — Tener el medio real para ejecutar una operación, como una herramienta o una llave; quitar ese medio es más seguro que verificar un permiso cada vez. Gobernanza y human-in-the-loop
Chokepoint — Único camino de código por el que pasa toda acción, de modo que las reglas y el registro viven en un solo lugar. Tool calling y harness
Chunking — Dividir documentos en fragmentos más pequeños para que cada uno pueda convertirse en un embedding y encontrarse por separado en una búsqueda. 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 — Cuando las preguntas de una prueba se filtran en los datos de entrenamiento de un modelo, y su puntuación refleja memoria y no capacidad real. 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 de un modelo como números menos precisos, con menos bits, para reducir memoria y costo con cierta pérdida de exactitud. 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 — Las tres respuestas posibles de una política ante una acción: bloquearla, preguntarle a una persona o dejarla correr. 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 guardando su progreso paso a paso, para que tras una caída retome donde quedó sin rehacer los pasos terminados. Ejecución durable de agentes
Embedding — Lista de números que captura el significado de un texto, de modo que textos con significados parecidos reciben números cercanos entre sí. Embeddings y RAG
Endpoint compatible con OpenAI — API de modelos que sigue el formato de pedidos que OpenAI popularizó para el chat, para que el código cliente existente funcione 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 completa, de extremo a extremo, de que el software cumple su función, guardada fuera del alcance del agente para que no pueda ajustarse solo para aprobarla. Del vibe coding a la fábrica lights-out
Eval — Medición de qué tan bien se comporta el sistema completo en casos realistas, incluidos los pasos que dio en el camino, calificada con verificaciones imperfectas y leída con 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 guardado que pide ejecutar un trabajo bajo ciertas reglas, hecho para que enviarlo dos veces igual cree uno solo. 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 — Regla de seguridad que bloquea la operación cuando un control falla, se queda sin tiempo 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 que sube cada vez que un trabajo cambia de manos, para que el sistema rechace escrituras de un dueño anterior cuyo bloqueo ya venció. 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 — Servicio único entre tus aplicaciones y muchos proveedores de modelos, que ofrece una sola API y 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 que usan llama.cpp y herramientas similares para ejecutar modelos en local, con los pesos y sus metadatos, normalmente cuantizado. Modelos, pesos abiertos y Hugging Face
Golden file — Copia guardada de la salida esperada; el test verifica que la salida real coincida con ella exactamente. 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 — La pieza de trabajo estructurada que un agente produce y le pasa al siguiente agente para que la use. Sistemas multi-agente
Harness — El software alrededor del modelo que ejecuta su loop, lleva a cabo las herramientas que pide, prepara lo que ve y aplica límites. Tool calling y harness
Hook — Comando que el harness ejecuta automáticamente en momentos fijos de su trabajo, decida lo que decida el modelo. Agentes de código: harness y skills
Hugging Face Hub — Plataforma que aloja modelos, datasets y demos, cada uno con su documentación, versiones y licencia. 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 ejecutar un trabajo, con su propio bloqueo que vence, un contador que frena escrituras desactualizadas y su propia carpeta de trabajo. 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 — Bloqueo que vence salvo que su dueño lo renueve con avisos periódicos, para que un trabajador que desaparece 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; es confiable a escala solo después de contrastar sus notas con las de personas. Testing y evals para agentes
Log de auditoría — Registro de quién decidió qué, cuándo y bajo qué regla; enlazar cada entrada con la anterior mediante una huella criptográfica (hash) permite detectar ediciones posteriores. Observabilidad, auditoría y confiabilidad
LoRA — Low-rank adaptation: forma más barata de hacer fine-tuning que entrena matrices pequeñas añadidas en lugar de todos los pesos del modelo. Fine-tuning, LoRA y QLoRA
M
MCP — Model Context Protocol: estándar abierto que permite a las aplicaciones de IA conectarse a herramientas, datos y prompts mediante una interfaz común. MCP, el Model Context Protocol
MicroVM — Máquina virtual liviana con su propio kernel de sistema operativo, que aísla el código con más fuerza 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 tras su primer entrenamiento general, que solo continúa texto y todavía no fue ajustado 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, para que las pruebas del código que lo rodea den siempre el mismo resultado. Testing y evals para agentes
Modelo instruct — Modelo base con entrenamiento adicional para seguir instrucciones y conversar en un formato de chat fijo. 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 distingue categorías que una línea recta (o un plano) puede separar. 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 escritas como archivos versionados y verificadas por código en el punto donde ocurre una acción, 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: instrucciones, mensajes de la conversación y las definiciones de herramientas, si las hay. El LLM como componente de software
Prompt injection — Ataque en el que un texto hostil, escrito directamente u oculto dentro de datos que el modelo lee, cambia lo que hace el modelo. Sandboxing y seguridad de agentes
Q
QLoRA — Entrenamiento LoRA sobre una copia comprimida (cuantizada) del modelo, para que incluso modelos grandes puedan ajustarse en una sola GPU. Fine-tuning, LoRA y QLoRA
R
RAG — Retrieval-augmented generation: encontrar pasajes relevantes en tus documentos y agregarlos al prompt antes de que el modelo responda. Embeddings y RAG
Reranking — Volver a puntuar los resultados de una búsqueda con un modelo más lento y preciso antes de pasarle los mejores al LLM. Embeddings y RAG
Resultado ambiguo — Ejecución en la que no se puede saber si sus efectos en el mundo exterior ocurrieron o no; debe detenerse para que una persona la revise 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 — Programa trabajador que toma trabajo, lo ejecuta cerca del código y las credenciales que necesita, y reporta el resultado. Ejecución durable de agentes
Runner que hace pull — Trabajador que siempre abre él mismo la conexión para pedir trabajo, de modo que el servidor nunca necesita entrar en su máquina. Ejecución durable de agentes
Runtime embebido — Versión en forma de librería de un runtime de agentes que una aplicación importa, para que sus propias herramientas corran bajo las reglas y el registro de auditoría del runtime. Implementación paso a paso
S
Safetensors — Formato de archivo para pesos de modelos que guarda solo los números y una descripción de ellos, por lo que abrirlo no puede ejecutar código oculto. Modelos, pesos abiertos y Hugging Face
Salida estructurada — Hacer que el modelo responda en un formato de datos fijo definido por un esquema, normalmente JSON Schema, para que los programas lo lean de forma confiable. El LLM como componente de software
Sandbox — Entorno aislado que limita lo que el código puede alcanzar (archivos, procesos, red, credenciales, el kernel), con una declaración clara de qué amenazas cubre. Sandboxing y seguridad de agentes
Scaling laws — Patrones observados que muestran que el error de un modelo baja de forma predecible al crecer su tamaño, sus datos de entrenamiento y su poder de 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 — Ajuste que controla cuán aleatoria es la elección del siguiente token: bajo da salidas predecibles, alto da salidas más variadas. El LLM como componente de software
Token — Pedacito de texto, a menudo parte de una palabra, que el modelo lee y escribe y por el que cobran los proveedores. El LLM como componente de software
Tool calling — Que el modelo responda con un pedido estructurado para usar una de las herramientas que se le mostraron, con argumentos que tu programa verifica y luego ejecuta. Tool calling y harness
Transformer — El diseño de red neuronal de 2017 detrás de los LLM actuales, construido alrededor de la atención y capaz de procesar todos los tokens de un texto a la vez. Breve historia de la IA
Traza — Registro paso a paso de una ejecución, formado por eventos enlazados que muestran qué pasó en cada 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 — Copia de trabajo separada de un repositorio git para cada 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