Usamos vocabulario cognitivo para describir estos sistemas, y eso instala expectativas que después se rompen en producción. Acá repaso los conceptos básicos —LLM, MCP, AGI—, qué ocurre realmente dentro de un transformer, por qué el reasoning no es un módulo nuevo, y las métricas de Artificial Analysis que uso para medir en lugar de discutir.
Sigue leyendo: Qué es realmente un LLM — y cómo medirlo con Artificial Analysis →
Las AI dev tools son geniales para un PoC, pero shipear a prod es otra historia. Acá comparto mi enfoque de AI SDLC y las buenas prácticas que aplico, basadas en mi experiencia.
Sigue leyendo: AI SDLC: un compendio de buenas prácticas para desarrollar con IA →
Un complemento escrito de agents.zerogap.uk — donde comparto las arquitecturas RAG, los agentic patterns de orquestación y cómo elegir el correcto para tu problema.
Sigue leyendo: Agentic Patterns y las Muchas Caras del RAG →
Este artículo detalla un posible diseño para una infraestructura de agente de grado de producción en AWS. No existe una única arquitectura correcta para implementar un agente de IA en producción. El diseño adecuado depende de su escala, requisitos de cumplimiento y cuánta complejidad operativa esté dispuesto a soportar. Lo que sigue es una opción…
Sigue leyendo: Arquitectura de un Agente — Infraestructura en Producción →
Un desafío común en el desarrollo de SharePoint es permitir que los usuarios interactúen con datos del back-end sin exponer secretos ni confiar plenamente en lo que el cliente envía. Este post detalla un patrón que resuelve ambos problemas: una extensión de SPFx adquiere un token de Entra ID de forma silenciosa, lo envía a…
Sigue leyendo: SPFx, Azure Functions y Table Storage con Entra ID →
El HyperAgent Cognition Engine es una arquitectura dual de hyper-agent donde dos pipelines cognitivos completos — un Solver y un Critic — trabajan en conjunto, combinando el pensamiento lateral, el razonamiento de expertos en el dominio, la verificación independiente y el refinamiento iterativo en un solo sistema coherente. Cada agente dentro de esta arquitectura se…
0. Eligiendo entre LLMs y Enfoques Determinísticos Antes de construir cualquier sistema de IA, decide si el trabajo debe realizarse con lógica determinística o con un Large Language Model (LLM) . Prefiere implementaciones determinísticas siempre que la tarea pueda especificarse completamente mediante reglas y salidas verificables; usa LLMs cuando necesites una interpretación flexible del lenguaje…
Hoy en día, puedes construir webs modernas solo con Python tanto en el frontend como en el backend, e integrar inteligencia artificial para crear experiencias avanzadas. Aquí te muestro cómo lograrlo de forma segura, usando como ejemplo un generador de historias para niños. Live Demo: https://bedtimestory.zerogap.uk/ Arquitectura Frontend: NiceGUI para la interfaz web moderna, sin…
Sigue leyendo: Sitio web completo con Python: frontend y backend con IA →
En este tutorial aprenderás a configurar un servidor MCP (Model Context Protocol) remoto utilizando Streamable HTTP y autenticación segura con Okta, todo ello protegido por un reverse proxy en Python. MCP es un estándar open-source que permite conectar aplicaciones de inteligencia artificial con sistemas externos como bases de datos, herramientas, APIs y flujos de trabajo…
Sigue leyendo: Cómo configurar un servidor MCP con Okta y un reverse proxy en Python →
Nuestra configuración consiste en un servidor Linux ejecutando varias herramientas open source de seguridad: fail2ban , ClamAV , rkhunter , maldet y lynis . Cada herramienta escribe su salida de logs en un directorio común, junto con un script en bash que agrega eventos de fail2ban, SSH y otras fuentes. Para dar sentido a estos…
Sigue leyendo: Cómo crear una suite de seguridad con IA a partir de herramientas open source →
