Glosario
N.ºENTRADACATEGORÍANIVEL
001¿Qué es un LLM?Término●○○002Tokens: por qué cuestan dineroTérmino●○○003Context Window (ventana de contexto)Término●○○004¿Qué es un prompt?Término●○○005System Prompt vs. User PromptTérmino●●○006Alucinación: por qué la IA miente con seguridadTérmino●○○007¿Qué es una API? (sin tecnicismos)Término●○○008MCP (Model Context Protocol): cómo se conectan las herramientas de IATérmino●●○009¿Qué es un agente de IA? (a diferencia de un chatbot)Concepto●○○010El Agent Loop: pensar → actuar → comprobar → repetirConcepto●●○011Vibe Coding: cuándo funciona y cuándo te muerdeConcepto●○○012Claude Code: el agente de línea de comandos de AnthropicGuía●●○013CLAUDE.md / AGENTS.md: memoria y reglas para tu agenteGuía●●○014Patrón: primero planear, después programarPatrón de prompt●●○015Patrón: dar contexto en vez de preguntar de forma vagaPatrón de prompt●○○016Loops para agentes: dejar que la IA itere de forma autónomaConcepto●●●017Hermes: un agente que crece contigoTérmino●●●018OpenClaw: un asistente personal de IA de código abiertoTérmino●●●019Ciclo de vida de los modelos: llegan, cambian y se retiranConcepto●●○020Control de costes en agentes de IAGuía●●○021Seguridad en vibe codingGuía●●○022¿Qué son los subagents?Concepto●●○023Guardrails para agentes autónomosConcepto●●●024Instalar Claude Code (paso a paso)Guía●○○025¿Qué modelo, qué plan?Guía●○○026Git y GitHub para vibe codersGuía●○○027Agente atascado: cómo salir del bloqueoGuía●●○028Poner tu proyecto en línea (deployment)Guía●●○029Comandos slash, hooks y más: cómo dirigir Claude CodeGuía●●○030Skills: el conocimiento que tu agente puede cargarTérmino●●○031Leer benchmarks sin caer en la trampaGuía●●○032RAG (generación aumentada por recuperación)Concepto●●○033Embeddings: el texto convertido en númerosTérmino●●○034Fine-tuning: reentrenar un modeloConcepto●●○035Prompt injection (inyección de prompts)Concepto●●●036Structured Outputs (salidas estructuradas)Término●●○037Evals: probar prompts y modelos de forma sistemáticaConcepto●●○038Git worktrees para agentes de IA en paraleloGuía●●○039Hooks en Claude CodeGuía●●○040Patrones multiagenteConcepto●●●041Estrategias de contexto para agentesConcepto●●●042Tool use: cómo los LLM llaman a herramientasConcepto●●○043Computer use: cuando la IA controla ratón y tecladoConcepto●●●044Sandboxing: por qué los agentes deberían ejecutarse de forma aisladaConcepto●●○045Cómo asegurar agentes en la prácticaGuía●●○046Model routing: el modelo adecuado para la tarea adecuadaConcepto●●○047Estrategias de caching: prompt caching y caching de contextoConcepto●●○048Plugins: extensiones para herramientas de programación con IATérmino●○○049Modo headless: ejecutar agentes sin interacciónGuía●●○050Modos de permisos para agentesGuía●●○051Artifacts: resultados generadosTérmino●○○052Escribir tus propios comandos: guarda prompts que repitesGuía●●○053Agent Teams: varios agentes, un proyectoConcepto●●●054CI/CD con agentes: IA en el pipelineGuía●●○055Estructuras de prompt: un orden que mejora los resultadosPatrón de prompt●○○056Code review con IA: mirada fresca en vez de autoevaluaciónGuía●●○057Debugging con agentes de IA: método, no adivinarGuía●●○058Testing con agentes: hacer que escriban tests y usarlos como controlGuía●●○059Mantener la documentación con IAGuía●○○060Batch processing: procesar muchas tareas de forma automáticaConcepto●●○061Gestionar claves de API de forma seguraGuía●○○062Usar agentes de IA en monorepos grandesGuía●●●063Refactoring seguro con agentes de IAGuía●●●064Entender y modernizar codebases antiguas con IAGuía●●●065Cómo recuerdan cosas los agentes de IAConcepto●●○066Reducir costes al usar agentes: la checklist prácticaGuía●●○067Auditorías de seguridad con IA: revisar el código en busca de fallosGuía●●●068Bases de datos con agentes: seguro en vez de arriesgadoGuía●●●069Entender código ajeno con IAGuía●●○070Frontend con IA: capturas de pantalla como feedbackGuía●●○071Patrones de pair programming con IAConcepto●●○072Construye tus propios agentes con el Claude Agent SDKGuía●●●073Escribe tu propio servidor MCPGuía●●●074¿Qué es Google Antigravity?Término●●○075Observabilidad de agentes: ver lo que tu agente realmente haceGuía●●●076Ejecutar modelos abiertos en local (Ollama y compañía)Guía●●○077Defenderse en la práctica de la inyección de promptsGuía●●●078Introducir herramientas de IA para programar en el equipoGuía●●○079Construye tú mismo un RAG sencilloGuía●●●080Obtener datos de páginas web con agentesGuía●●○081Encontrar y corregir problemas de rendimiento con agentes de IAGuía●●●082Conceptos básicos de la terminal para principiantesGuía●○○083IDE con IA o CLI de terminal: Cursor y compañía frente a Claude Code y compañíaConcepto●○○084Rate limits y quotas: por qué las herramientas de IA a veces te frenanTérmino●○○085Temperature y sampling: ¿cuán aleatoria es la respuesta de un modelo?Término●●○086Bases de datos vectoriales: buscar por significado, no por palabrasTérmino●●○087Estrategias de chunking para RAGConcepto●●○088Human-in-the-loop: dónde deberían intervenir las personas en el flujo de un agenteConcepto●●○089Protección de datos en las herramientas de código con IAGuía●●○090Seguridad de MCP: conoce los riesgos de los servidores de herramientasConcepto●●●091SWE-bench y compañía: cómo leer bien los benchmarks de agentesConcepto●●●092Few-Shot Prompting: mostrar con ejemplos en vez de solo describirPatrón de prompt●○○093Prompts de rol: qué logra realmente «Eres un revisor de código experimentado»Patrón de prompt●○○094Bucles de autocrítica: dejar que el modelo revise su propio resultadoPatrón de prompt●●○095Forzar formatos de salida de forma fiablePatrón de prompt●●○096Modelos de razonamiento: cuando la IA primero piensa y luego respondeTérmino●●○097Mixture of Experts: por qué los modelos grandes no activan todo a la vezTérmino●●●098Streaming: por qué las respuestas aparecen palabra por palabraTérmino●○○099Cuantización: cómo los modelos grandes caben en tu propio ordenadorTérmino●●○100Del issue de GitHub al pull request con un agenteGuía●●○101Checkpoints y rollbacks: volver atrás de forma limpia en vez de seguir remendandoGuía●●○102Búsqueda web y grounding: cuando el agente investiga por su cuentaConcepto●●○103Destilación de conocimiento: un modelo pequeño aprende de uno grandeTérmino●●●104Speculative decoding: responder más rápido sin pérdida de calidadTérmino●●●105Reducir el tiempo de respuesta: las palancas más eficaces para la latenciaGuía●●○106Código generado por IA: ¿de quién es realmente?Concepto●●○107Evaluación de retrieval: ¿encuentra tu sistema RAG los documentos correctos?Concepto●●●108Trabajar con agentes en varios repositorios separadosGuía●●●109¿Prompting, RAG o fine-tuning? El camino de decisiónGuía●●○110Red teaming para agentes: atacar activamente tu propia configuraciónGuía●●●111Versionar los prompts como códigoGuía●●○Mostrando 111 de 111 entradas