Guías para construir y operar agentes de IA
Código descargable y pruebas que puedes repetir, sin registro.
Guías, página 3
252 tutoriales, comparativas y checklists para continuar según tu proyecto.
CoT vs thinking models: no pidas ‘piensa paso a paso’ al modelo que ya piensa
El chain-of-thought visible es un prompt. El thinking de OpenAI, Claude y Gemini es un knob de runtime: tokens internos, cobrados como output, no se ven en crudo. OpenAI pide evitar ‘think step by step’. Claude deja CoT solo si thinking está off. Gemini cobra total_thought_tokens. Distinto de temperatura y de few-shot.
Few-shot en agentes: tres ejemplos de oro, no veinte clones
El few-shot no es rellenar el prompt. OpenAI lo pone en el mensaje developer con entradas diversas. Claude pide 3–5 ejemplos en tags XML, relevantes y distintos. Gemini recomienda few-shot siempre, formato idéntico y avisa overfitting. Distinto de prompt engineering y de structured outputs.
Idempotencia en tools de agentes: una clave, un efecto
El retry de una tool no es un segundo cobro. La clave se genera antes del POST, se reusa en el timeout y se rechaza si el payload cambió. Stripe Idempotency-Key, AWS ClientToken e IETF 400/422/409. Distinto de webhooks, de retry y de ejecución durable.
Temperatura y sampling en agentes: el knob no es creatividad
Temperatura, top_p y top_k cambian cómo el modelo elige el siguiente token, no la personalidad del agente. OpenAI recomienda tocar temperatura o top_p, no ambos (rango 0–2). Anthropic deprecó temperature/top_p/top_k después de Opus 4.6. Gemini aplica topP/topK y luego temperatura. Cero no es determinista. Distinto de reasoning.effort y de structured outputs.
Shadow, canary y feature flags en agentes: soltar sin redeploy
Shadow corre el candidato sin servir; canary sirve un porcentaje; el flag libera sin redeploy. Distinto de preview, de kill switch y de fallback de modelo. Cloudflare Gradual Deployments, Vercel Flags y AWS AppConfig. Cero side-effects en shadow. Canary con afinidad de versión y rollback. Flags no son secretos ni config de arranque.
Dead-letter queue en agentes: el mensaje que no debe reintentarse
El retry es por llamada; la DLQ es por mensaje cuando el presupuesto de reintentos se agotó o el payload es veneno. maxReceiveCount, DeadLetterReason y redrive humano. Distinto del circuit breaker y de la ejecución durable. AWS SQS, Azure Service Bus, Cloudflare Queues y RabbitMQ DLX.
Fallback de modelos en agentes: otro modelo, no el mismo 429
Un fallback cambia de modelo o de proveedor cuando el primario no responde. Distinto de reintentos (misma llamada) y del circuit breaker (cortar la dependencia). Vercel AI Gateway models[] + Cloudflare Universal endpoint y cf-aig-step. Cero fallback en 401/403 ni en spend limit. El modelo que contestó va al log, no al prompt.
SLO y error budget en agentes: 4 SLIs, burn rápido/lento y política 50/100
La observabilidad te dice qué pasó; el SLO contrata qué es aceptable. Cuatro SLIs de agente (entrega, tools, latencia, calidad), error budget = 1 − SLO, alertas de burn rápido y lento, y una política 50 % / 100 % que congela features antes de que el presupuesto se acabe. Distinto de dashboards y de evals.
De error de producción a eval: el flywheel que alimenta el dataset
Las evals iniciales arman el dataset. El flywheel lo alimenta: captura el fallo con traza, triage semanal a casos dorados, dataset vivo versionado y CI que bloquea el merge. Un error visto una vez se convierte en un test que corre siempre. Distinto de armar la suite y de calibrar el juez.
Consumir agentes externos con A2A: comprar, no criar
Criar un segundo agente no es lo mismo que comprar uno. A2A (Linux Foundation) es el contrato agent-to-agent: Agent Card en /.well-known/agent-card.json, SendMessage/GetTask/CancelTask, estados SUBMITTED→WORKING→COMPLETED. Filtro build-vs-buy, wrapper tipado y evals como si el remoto fuera un proveedor. Distinto de orquestar los tuyos y de MCP.
Entradas multimodales en agentes: imagen cruda, caption u OCR, no el PDF entero
Un screenshot o un PDF no es un string. OpenAI tokeniza por parches 32×32, Claude por 28×28 y Gemini cobra 258 tokens por tile. Esta guía fija tres representaciones —píxeles, caption, texto extraído—, resize antes de enviar, PDFs por índice de páginas y PII visual fuera del prompt.
RAG en producción: permisos en la query, frescura e índices por tenant
El chunking arma el índice. En producción el fallo es otro: el tenant sale del auth, no del prompt; cada query va a un namespace o with_tenant(); el filtro de metadata no es un ACL; y un documento vive hasta que lo reindexas. Pinecone, Weaviate y OpenAI Retrieval, verificados el 6 de septiembre de 2026.
GitHub Copilot para trabajo: cómo usarlo en código real (LATAM, 2026)
Guía práctica de GitHub Copilot para developers en LATAM: cuándo usar autocompletado, chat con agent mode, CLI o el cloud agent, cómo gastar bien los créditos de cada plan, qué no pegar de clientes, y un flujo de 30 minutos para pasar de un ticket a un PR que sí puedes mandar a review.
Aprobaciones humanas en agentes: lotes, timeout fail-closed y presupuesto de interrupciones
Cómo pedir aprobación a un humano sin ahogarlo: lotes en vez de un ping por tool, timeout fail-closed (default-deny), presupuesto de interrupciones por run y payload con acción, blast radius y undo. Distinto de HITL (qué pausar) y de guardrails (qué bloquear en código). LangGraph interrupt() espera indefinido; el timeout lo pones tú.
PII en agentes de IA: detectar y redactar datos sensibles en entrada y salida
Cómo evitar que tu agente de IA filtre datos personales: detecta emails, teléfonos, tarjetas e IBAN con regex y validación Luhn, redacta con máscaras o bóveda de tokens con TTL, y aplica el filtro en ambas direcciones —antes del LLM y antes de logs y memoria. Incluye patrones listos, código TypeScript mínimo, tabla de decisiones, checklist y FAQ.
API existente como tools de agentes: fachada de intención, no 200 endpoints
Un OpenAPI con 80 paths no es un toolset. Contrato para envolver una API que ya tienes: 5–12 tools de intención, un adapter que valida y recorta, auth fuera del contexto y el generador OpenAPI solo como borrador. Incluye matriz REST vs tool, checklist y el error de volcar el spec crudo al modelo.
NotebookLM: guía práctica para investigar con fuentes (LATAM, 2026)
Guía práctica de NotebookLM (Gemini Notebook) en español: cómo armar un cuaderno con fuentes, preguntar con citas, generar un Audio Overview y no tratar el podcast como verdad. Incluye límites oficiales, un flujo LATAM de 40 minutos y cuándo pasar de un notebook a un agente.
Presupuestos y cuotas por tenant en agentes: tres techos, degradar antes de cortar
Un agente multi-tenant no se frena con el spend limit del proveedor. Tres techos por tenant (minuto, día, mes) anclados al precio real, escalera de degradación antes del 429 y el tenant sale de auth, no del prompt. Distinto de rate limits, del kill switch y de la noticia de spend limits de Cloudflare.