IA y agentes
Ingeniería, operación y evaluación de sistemas de IA, agentes de código e infraestructura de modelos.
- Artículos del blog
- 168
- Colecciones
- 03
¿Qué quieres conseguir?
Elige una secuencia de lectura, desde la decisión inicial hasta la implementación y la verificación.
Agentes de código y herramientas de desarrollo
Mejora el contexto del repositorio, aísla el trabajo, gestiona skills y verifica el código generado.
Evaluación y operaciones de producción
Diseña el flujo, aplica autorización, presupuesta la evaluación y define criterios de despliegue.
IA local y despliegue
Compara APIs e inferencia local, presupuesta las operaciones y evalúa los límites del hardware.
Memoria, RAG y conocimiento empresarial
Elige la arquitectura de recuperación, estima costes y verifica permisos y actualidad.
Modelos y enrutamiento
Entiende los modelos de decisión, compara proveedores, comprueba la calibración y prepara un piloto.
Explora este tema
Ingeniería de agentes
Agentes de código, MCP, contexto, evaluación y controles para automatización fiable.
Colección →Modelos de decisión
Compara proveedores, integra respuestas tipadas, calibra probabilidades y utiliza fuentes web para fundamentar decisiones acotadas.
Colección →Modelos e infraestructura
Selección de modelos, economía de inferencia, despliegue local, compresión y serving.
Colección →Empieza aquí
- Jev AI: análisis del modelo de decisión para agentesJev toma decisiones tipadas en vez de generar prosa. Descubre cómo puede enrutar modelos, controlar pasos de agentes y apoyar automatización acotada sin sustituir reglas duras.
- Ingeniería de grafos para agentes de IA: ¿Cuándo compensa un knowledge graph?Guía de compra sobre grafos de ejecución, DAGs experimentales y grafos de conocimiento: cuándo evitarlos, qué exige la procedencia y cómo medir un piloto.
- Alojar LLMs en la UE: Cuándo Salen a Cuenta los Open WeightsLa GPU es la parte barata. Aquí está el coste real, una fórmula de equilibrio defendible, los matices del RGPD y el stack de producción con vLLM.
Lo último en esta colección
¿Cuántos tokens ahorra Code Mode en Claude Code?
Una consulta consumió 55.705 tokens de entrada menos y tardó 22 segundos más. Activa la función y comprueba el resultado en dos archivos Markdown.
¿Cuánto tarda en entrenarse MiniMind desde cero en una RTX 3090?
El proyecto estima 2,31 horas. Ambos scripts hacen dos épocas por defecto. Reproduce la receta de una época y comprueba qué parte de la respuesta aprende el modelo.
Ajuste fino de modelos pequeños: Airbnb
Un clasificador especializado necesita más que una inferencia barata. Evalúa datos, errores aceptados, derivaciones y coste total antes de llevarlo a producción.
Créditos de IA en Odoo: presupuesto para revisar cotizaciones
Separa créditos, cambio de plan, revisión inicial y correcciones. Un registro sintético permite revisar el presupuesto antes de aumentar el volumen.
IA en Odoo Helpdesk: ¿clasificar, redactar o escalar?
Separa etiquetas, borradores internos y derivaciones a personas. Usa casos propuestos para revisar permisos y escalaciones omitidas.
Parallel Decisions API: RAG para modelos de decisión en la práctica
Convierte información web actual en respuestas acotadas. Un ejemplo para verificar proveedores, con fuentes compartidas, confianza opcional, costes y límites.
Directorio completo de artículos
- ¿Cuántos tokens ahorra Code Mode en Claude Code?
- ¿Cuánto tarda en entrenarse MiniMind desde cero en una RTX 3090?
- Ajuste fino de modelos pequeños: Airbnb
- Créditos de IA en Odoo: presupuesto para revisar cotizaciones
- IA en Odoo Helpdesk: ¿clasificar, redactar o escalar?
- Parallel Decisions API: RAG para modelos de decisión en la práctica
- Cómo validar certificados de derivación de Open Ontologies
- ¿Scrapling guarda los datos extraídos en los checkpoints?
- TencentDB Agent Memory: ¿Basta SQLite para tu agente de IA?
- Cue Turn Detection: teléfonos, benchmarks y límites
- RTK AI 1.2: ahorro real, instalación y licencias
- Google SAM ahora es Agent Mesh: MCP entre equipos
- Anatomy para Claude Code: SVG interactivos en documentación
- EdgeQuake: GraphRAG en PostgreSQL y memoria MCP para agentes
- BitNet en CPU: 2B4T, requisitos de RAM y la cifra de 100B
- SuperPenguin: costes de IA por PR, cliente y función
- Claude Dashboards y Motion: de métricas a vídeos
- OpenAI Intelligent UI vs OpenUI: UI generativa para empresas
- Wally de RunAnywhere: coste por tarea de código aceptada
- Reducto para facturas alemanas: medir revisión humana
- OpenAI Decisions API: confianza, rechazos y enrutamiento
- Claude Model Router: qué modelo cambia y cuándo
- Cloudflare Clef vs. Jev: precios, pruebas y migración
- Context Language Models frente a compactación: qué probar
- Caveman 3.0 para Claude Code: compresión local, recuperación y benchmarks
- LiteLLM Lens: analizar trazas de agentes con SQL y APIs
- SmythOS Studio en tu servidor: Docker, costes y límites
- DeerFlow 2.2: Docker, sandboxes y memoria
- CLM-8B autoalojado: vLLM, caché y verificación
- AnyJev: calibración de LLM y sesgo por orden
- LiteAgents SDK: routing por turno, instalación y migración
- mcp-memory-service: memoria compartida para Claude Code y Cursor
- Claude Opus 5.5: usos, prompts y niveles de esfuerzo
- Laya y Jev en empresas: 6 flujos de trabajo prácticos
- Laya vs Jev: benchmarks y riesgo para startups de IA
- Google AX: suspensión, reinicios y autoalojamiento
- WikiSkill: cómo los agentes evolucionan SKILL.md con experiencia
- Tencent Octop: qué reciben realmente gratis los desarrolladores
- Wigolo: Web Intelligence local para agentes de IA
- Jev AI: análisis del modelo de decisión para agentes
- Supermemory: memoria para agentes de IA, RAG y uso local
- Patrones de agentes de IA: simplicidad y verificación
- Claude Mods: configuración, function hooks y seguridad
- Voicebox: clonación de voz local, dictado y configuración MCP
- El router multiagente de Valyu de 0,6B: resultados, límites y adopción
- Agents API de OpenAI: migración, costes y controles de datos
- Spotify shunt: instalación, ahorro de tokens y límites
- OpenBot: agentes autoalojados, costes y controles
- SwarmLLM Review 2026: Inferencia LLM P2P entre móvil y portátil
- Arquitectura de Ramp Inspect 2026: agentes de código en background
- Model Hardware Standard: guía empresarial para IA física
- Fonio AI 2026: precios, API, RGPD y build vs buy
- Mosaic (YC S26): Memoria Compartida para Agentes de Código
- Ripwire Review 2026: contexto de repositorio para agentes sin embeddings
- Ediciones multarchivo atómicas para agentes de programación: la lección de Semaprax
- Review de Phonely Alma: ¿Está listo el LLM de voz para producción?
- Utopia: evaluar un grafo bitemporal empresarial
- Transferencia de conocimiento entre agentes de IA: descubre una vez y escala por menos
- claude-rotate: Un proxy para varias cuentas Claude Max
- NVIDIA PAIR: Routing de IA Local y la Brecha de AMD
- Feynman: análisis del agente de investigación IA open source
- Obscura Browser: análisis, límites y uso en producción
- Sistema de diseño para Claude Code: 4 piezas para una UI de marca
- Tencent Hy4 Preview: ¿Qué cambia con la versión definitiva?
- PageLM: autoalojamiento y uso comercial
- ChatGPT inicia sesión sin ver tu contraseña
- Mac mini M6 vs Mac Studio M5 para IA local: guía de compra
- Harness de agentes de IA: la capa de fiabilidad alrededor del LLM
- Análisis de FreeToken AI: ¿modelos MoE frontier en una GPU doméstica?
- Darkbloom AI: Inferencia Privada en Macs Inactivos
- Ox Alpha era GLM-5.3-Flash: qué ha cambiado
- Por qué las ediciones de agentes necesitan identidad semántica: SEMAPRAX en Rust
- LangChain Deep Agents: análisis del agent harness para producción
- Precios de Pika Audio API: ¿SFX cuesta de verdad 20 veces menos?
- La apuesta de $13M de Thunder Compute por virtualizar GPUs: guía de compra
- OpenViking: memoria de archivos para agentes de IA
- LLM-as-a-Verifier: arquitectura, costes y uso en producción
- AirLLM con 4 GB de VRAM: cómo funciona la inferencia por capas
- TrueForge: análisis del agent harness open source para producción
- Webs legibles por agentes: llms.txt, espejos en Markdown y qué se rompe
- Qwen3.8-27B: agentes de computer use autoalojados sin exportar capturas
- Slugs localizados y hreflang: por qué mantenemos uno en inglés
- ¿Puede un agente de IA usar tu producto, o solo leer sobre él?
- Graft Review 2026: ¿el mapa del repo debe ir en Git?
- Codag para agentes de código: Compresión de salida y coste
- Uso de tokens: coste por tarea de programación aceptada
- DeepSeek Harness: análisis del stack de plugins para producción
- El stack vLLM y Triton de Netflix: 7 lecciones de producción
- OpenSandbox en producción: versiones, riesgos y costes
- Transformers.js en el navegador: cuándo llevar la IA local a tu producto
- Cloudflare Kitesurf: costes, límites y producción
- Análisis de GitHub Spec Kit: ¿merece el proceso?
- Marketplace interno de agentes de IA: guía empresarial 2026
- Cómo autoalojar LiteLLM en producción: guía 2026
- Wiki empresarial preparada para IA: arquitectura e implementación
- ¿Es Linux el mejor sistema operativo para agentes de IA? Guía 2026
- ¿Claude añade marcas de agua al texto? Respuesta API 2026
- Review de OpenKB: compilador de conocimiento vs RAG
- Unsloth Desktop: ¿workstation privada de IA local?
- NeMo Switchyard 0.2: ¿routing de agentes sin entrenar?
- Firecrawl AnyDoc: 14 formatos a Markdown
- MCP Cloud vs Manufact Cloud: guía de hosting MCP
- Muse Glimmer 30B: ¿está listo el agente local de Meta para producción?
- Cómo hacer que la IA escriba como una persona con Agent Skills
- Análisis de NVIDIA NOOA: ¿están listos para producción sus agentes?
- Routing de IA con OmniRoute: Setup y Checklist de Producción
- Strix AI Pentesting: piloto de 30 días y guía de compra 2026
- Análisis de Hyperagent: agentes de IA sin servidor propio
- Gemini Robotics 2: control corporal completo y decisión de piloto
- Hark Handoff: el agente que sí hace clic
- Precio de Meta Muse Code: ¿Contributor es seguro para código de clientes?
- pdf-inspector: parser PDF local antes del OCR
- Agent Reach: costes, seguridad y límites reales
- Cloudflare Wallets para agentes de IA: ¿qué está activo?
- Asistente de programación con IA local multimodal: voz, OCR y privacidad
- DeepSeek V4 Flash 0731 en un PC de IA: ¿qué funciona?
- Review de YC QM Agent: ¿está listo Quartermaster?
- jcode vs Claude Code: ¿Merece la pena cambiar al harness en Rust?
- Lightpanda para agentes de IA: guía de producción
- Ingeniería de grafos para agentes de IA: ¿Cuándo compensa un knowledge graph?
- Stack multimodelo de agentes de código: guía de compra para equipos
- ¿MCP ahora es stateless? Checklist para migrar tu servidor
- MCP no es un límite de seguridad: protege los datos
- Cómo afinar Gemma 4 gratis con Unsloth y Colab
- ¿Pueden comunicarse dos agentes de IA? Guía de Band
- Taalas HC1 a examen: ¿compensa un ASIC para un solo LLM?
- LeanCTX en una Agencia: Informe Técnico con Datos Reales
- ¿Qué LLM local puedes ejecutar? Guía de llmfit para tu hardware
- Cómo usar GPT-5.6 Sol en Claude Code con CLIProxyAPI
- Miso TTS autoalojado vs API: coste, latencia y VRAM
- Arquitectura de autorización MCP para empresas
- Comprime vectores RAG a 2 bits: ¿está lista para producción la cuantización sin datos?
- LMCache reportó un TTFT medio 13,7x menor con una caché KV compartida
- Compresión LLM sin Pérdida vs 8-bit GGUF: ¿Qué Está Listo?
- Análisis de Meterless 2026: ¿Está listo su context layer?
- NVIDIA Nemotron 3.5 ASR: ¿Está listo el STT self-hosted para voice agents?
- Claude Code vs OpenCode: ¿Cuál cuesta menos a un equipo en 2026?
- Kimi K3 para Empresas de la UE: Coste API, Datos y Plan de Piloto
- Mesh LLM: ¿Puede un LLM Ejecutarse en Varios Ordenadores?
- Review de Graphify 2026: ¿Merece la pena un grafo de conocimiento del código?
- Review de Bonsai 27B: ¿Puede un LLM de 27B Ejecutarse en un Móvil?
- Scorecard para Cancelar o Escalar un Piloto de IA: 12 Métricas Tras 30 Días
- Soofi S: ¿Está listo para empresas el LLM soberano de Alemania?
- Review de T3MP3ST 2026: ¿Sustituye una prueba de penetración?
- Colibri Ejecuta GLM-5.2 en Hardware de Consumo. Esta Es la Trampa.
- Open Knowledge Format (OKF): guía para empresas
- AI Agent Cost per Action: Por Qué los Flujos Agentic Disparan la Factura de Tokens
- Cuándo los Modelos Locales Superan a las APIs: Calculadora Break-Even para Empresas de la UE
- Calculadora de Costes LLM 2026: Coste por Tarea, No por Token
- Review de Pxpipe: ¿reduce un 60% el coste de Claude Code?
- Más barato por token todavía puede costar más por tarea
- Cómo usar Claude Fable 5.2 en Claude Code
- Anthropic rechaza prohibir pesos abiertos. La guerra de costes sigue.
- Cuánto cuesta de verdad un asistente de IA interno en la región DACH (2026)
- Gateways LLM Comparados 2026: LiteLLM vs OpenRouter vs Portkey vs RouteLLM
- Alojar LLMs en la UE: Cuándo Salen a Cuenta los Open Weights
- LLM de pesos abiertos 2026: DeepSeek, Qwen, Kimi, GLM, Llama y Muse
- El cuello de botella nunca fue la inteligencia. Fue el contexto.
- ChatGPT Enterprise vs. Copilot vs. RAG propio en DACH
- ¿MCP, RAG, Agent Skills o Custom GPTs?
- Cómo Reducir los Costes de Tokens LLM en 2026
- Piloto de agente de IA en 30/60/90 días: el plan
- RAG sobre SharePoint, Confluence y Drive: permissions-first
- Checklist de Production-Readiness de RAG para Empresas de la UE
- ¿Cuándo vale la pena construir un eval de LLM? Coste, ROI y confiar en el juez
- Por qué se cancelan los proyectos de agentes de IA
- ¿RAG, fine-tuning o contexto largo? Comparativa 2026
- Costes de APIs LLM 2026. Cambio de Arquitectura
Recibe la próxima nota de campo sobre IA y agentes
Un correo breve cuando publiquemos. Sin píxeles de seguimiento ni contenido de relleno.