Glosario IA y Vibecoding
Guía fundamental para la nueva era del desarrollo por Andriy Orlov: agentes autónomos, loop engineering, protocolo MCP, escalado de contexto, infraestructura VPS y prevención del agotamiento en la era de la IA.
A
ENAlucinaciones de IA (Hallucinations & Confabulations)
Generación de información factualmente incorrecta, inventada o inexistente (bibliotecas, métodos de API, citas), expresada con alta confianza probabilística por el modelo de lenguaje.
Análisis de Archivos Adjuntos (Ícono de Clip en el Chat)
La función de carga de archivos en ChatGPT, Claude y Gemini (ícono de clip o más). Permite enviar modelos de hojas de cálculo de Excel, informes PDF, documentos de texto y fotografías para análisis y cálculos instantáneos.
Análisis de Documentos PDF Complejos
Tecnologías para extraer texto estructurado de archivos PDF complejos (LlamaParse, Unstructured.io, Marker, Nougat). Explica por qué la simple copia de texto rompe el orden de lectura en documentos de dos columnas y cómo preservar fórmulas, gráficos y tablas anidadas para sistemas RAG.
Anclaje de Hechos (Grounding y Citación de Fuentes)
Metodología para vincular afirmaciones generadas por redes neuronales a fuentes verificadas (Source Grounding). Permite eliminar alucinaciones y asegurar la validez legal y científica de las respuestas mediante citas precisas.
Aprendizaje en Contexto (In-Context Learning)
Una sorprendente propiedad emergente de los grandes modelos de lenguaje que les permite asimilar instantáneamente nuevas reglas, palabras desconocidas o formatos únicos directamente del texto de la conversación actual sin modificar los pesos de la red neuronal ni programación.
Arquitectura y Economía del Caching de Prompts
Metodología de diseño de prompts enfocada en maximizar la inclusión en el caché de hardware de prefijos (Prefix Caching) en Anthropic, OpenAI y DeepSeek para un 90% de descuento en costos y un 80% de aceleración.
AST Chunking para Codebases
Metodología de fragmentación inteligente de archivos de código para búsqueda vectorial exclusivamente por límites sintácticos del lenguaje de programación (Tree-sitter) en lugar de cortes por número fijo de líneas o caracteres.
Autoevaluación de Resultados de Búsqueda (Self-RAG & Corrective RAG)
Enfoque arquitectónico para la búsqueda (Self-RAG y CRAG — Corrective RAG), donde el modelo de lenguaje evalúa la relevancia y completitud de los resultados antes de generar una respuesta. Si los hechos encontrados son insuficientes o dudosos, el sistema reformula la consulta y busca nuevamente o accede a la web abierta.
B
ENBases de Datos Vectoriales (Vector DBs & Búsqueda ANN)
Sistemas de gestión de bases de datos especializados y extensiones (Qdrant, pgvector, Milvus, Chroma, Turso), optimizados para almacenar millones de vectores multidimensionales y realizar búsquedas aproximadas de vecinos más cercanos (Approximate Nearest Neighbors) de manera ultrarrápida.
Búsqueda Densa vs. Búsqueda por Palabras Clave
Comparación de dos enfoques de búsqueda: recuperación semántica basada en redes neuronales (Dense Retrieval) y búsqueda clásica por coincidencia de palabras (Sparse / BM25). Explica por qué la búsqueda vectorial puede fallar en la búsqueda de artículos y cómo funciona la búsqueda híbrida.
Búsqueda Híbrida (Dense + Sparse Search)
La arquitectura de recuperación en sistemas RAG modernos que combina la búsqueda semántica vectorial (Dense Embeddings) con la indexación de texto completo basada en palabras clave (Sparse / BM25) a través de algoritmos de fusión de rangos (RRF).
Búsqueda Híbrida (Hybrid Search: Dense + Sparse / BM25)
Arquitectura de búsqueda de información que combina la búsqueda semántica vectorial (Dense retrieval — comprensión del contenido y sinónimos) con la búsqueda clásica por palabras clave (Sparse retrieval / BM25). Proporciona un equilibrio ideal entre la comprensión conceptual y la búsqueda precisa de artículos, números de serie o nombres.
Búsqueda Semántica (Búsqueda por Contenido, No por Letras)
Tecnología de búsqueda de información basada en el contenido conceptual de la consulta, no en la coincidencia exacta de letras o palabras clave. Comprende sinónimos, parafraseos, errores ortográficos y preguntas abstractas en lenguaje natural.
Búsqueda Web en el Chat (Búsqueda en Internet en Tiempo Real)
Función integrada de búsqueda en Internet dentro de ChatGPT, Claude y Gemini (ícono de globo). Permite que el modelo obtenga datos frescos de sitios web del día actual y responda con enlaces directos a las fuentes.
C
ENCaché de Prompts (Prompt Caching & Reutilización de KV Cache)
Tecnología de motores de inferencia modernos y APIs en la nube (Anthropic, OpenAI, DeepSeek, vLLM) que almacena matrices de atención precomputadas (KV Cache) de un prefijo estático, reduciendo el costo de procesamiento en un 80-90% y acortando el tiempo hasta el primer token (TTFT) de 4 a 8 veces.
Cadena de Pensamiento (Chain of Thought - CoT)
Metodología que impulsa a un modelo de lenguaje a generar pasos intermedios secuenciales de razonamiento antes de formular la respuesta final, convirtiendo tokens adicionales (Test-Time Compute) en calidad y precisión del resultado.
Cadena de Prompts (Prompt Chaining para Principiantes)
Metodología para descomponer una tarea compleja en una secuencia de prompts enfocados (Prompt Chaining). El resultado del primer paso se pasa como entrada al siguiente, garantizando alta calidad en cada bloque.
Chunking de Documentos para Principiantes
Técnica de dividir documentos grandes (PDF, libros, longreads) en pequeños bloques de texto lógicos (chunks de 300–500 tokens) con superposición (Overlap). Asegura alta precisión en la búsqueda y previene la pérdida de contexto en los bordes.
Chunking Jerárquico (Hierarchical Chunking / Parent-Child)
Estrategia avanzada de segmentación de documentos (Parent-Document Retriever) para sistemas RAG. El texto se divide en pequeños fragmentos hijos (Child Chunks) para una búsqueda vectorial precisa, pero se envía el capítulo padre completo (Parent Chunk) al contexto del modelo para mantener un contexto amplio y no perder el sentido.
Claude Projects (Espacios de Trabajo con Base de Conocimiento Propia)
Herramienta de organización de trabajo en Claude de Anthropic. Permite crear espacios de trabajo separados para cada tarea, cargar hasta 200,000 tokens de documentación interna y compartirlos con colegas.
ColBERT y Recuperación de Interacción Tardía
Arquitectura de búsqueda basada en redes neuronales que compara los embeddings contextuales de cada token de la consulta con los tokens del documento (Interacción Tardía), superando a los vectores densos clásicos en precisión.
Cómo Evitar que la IA Invente (Prompts contra la Alucinación)
Conjunto de técnicas ingenieriles probadas y construcciones verbales que bloquean la generación de hechos inventados, leyes inexistentes y citas erróneas. Obliga a la inteligencia artificial a basarse estrictamente en las fuentes proporcionadas.
Conectores de Bases de Conocimiento (Google Drive, Notion, Confluence)
Tecnología de integración de fuentes de datos corporativos con modelos de lenguaje mediante conectores listos para usar (Connectors / ETL). Sincroniza automáticamente documentos actualizados de Google Drive, Notion, Confluence y Slack con la base de datos vectorial sin carga manual de archivos.
D
ENDecodificación Constrainada y Salidas Estructuradas
Restricción algorítmica y de hardware en la generación de tokens por un modelo de lenguaje a nivel de inferencia, que garantiza matemáticamente un 100% de conformidad con JSON Schema o tipos de Zod.
Degradación del Contexto (Context Rot & Attention Decay)
Disminución sistemática de la precisión, cumplimiento de instrucciones y coherencia lógica de los LLM a medida que se acumula ruido de diálogo, borradores de código obsoletos y salidas del compilador en la ventana de contexto.
Delimitadores y Etiquetas XML (Estructuración de Prompts)
Técnica de formateo de prompts complejos utilizando etiquetas XML (<context>, <rules>) y comillas triples (\"\"\"). Ayuda al modelo a distinguir claramente dónde termina tu regla y dónde comienza el texto a procesar.
Derechos de Autor y Licencias en la Era de la IA
Estado legal de la propiedad intelectual sobre contenido generado por redes neuronales. Precedentes de la Oficina de Derechos de Autor de EE. UU. y la UE: ausencia de copyright en resultados de generación pura, estatus de aprendizaje sobre obras ajenas (Fair Use) y licencias de modelos abiertos.
Deriva y Degradación del Prompt del Sistema
Fenómeno de pérdida gradual de las instrucciones iniciales, estilo de respuesta y restricciones de seguridad por parte del modelo de lenguaje a medida que se expande la historia del diálogo, así como métodos de reinyección periódica de reglas.
Desbordamiento y Compresión de la Ventana de Contexto
Patrones de ingeniería para prevenir fallos fatales al alcanzar el límite de contexto: Resúmenes Deslizantes (Rolling Summaries), Compresión de Estados y Desalojo Selectivo de Historia Obsoleta.
Destilación de Contexto y Compresión de Tokens
Métodos automáticos para eliminar palabras redundantes, ruido sintáctico, espacios de formato y mensajes obsoletos antes de enviar el prompt al modelo, optimizando el presupuesto y acelerando la inferencia.
E
ENEmbeddings Simplificados (Cómo el Texto se Convierte en Números)
Tecnología fundamental que transforma palabras, oraciones o imágenes en listas multidimensionales de números (vectores). Permite a los ordenadores medir matemáticamente la proximidad semántica entre diferentes ideas y conceptos.
Envenenamiento de Contexto en Bases de Conocimiento
Amenaza cibernética para sistemas RAG, donde un atacante introduce documentos falsificados, instrucciones erróneas o inyecciones de prompt ocultas en una base de conocimiento compartida (Notion, Confluence, Google Drive). Durante la búsqueda, el sistema recupera el contexto envenenado, y el bot comienza a dar consejos dañinos o revelar secretos.
Estrategias de Chunking de Documentos
Metodología de descomposición de documentos masivos y bases de código en fragmentos informativamente autosuficientes (chunks) para la generación de vector embeddings y búsqueda precisa en sistemas RAG.
Expansión de Consultas (Query Expansion & HyDE)
Técnica de preparación de consultas en sistemas RAG. Antes de consultar la base de datos vectorial, el modelo de lenguaje genera automáticamente sinónimos, palabras clave o una respuesta hipotética inventada (HyDE — Hypothetical Document Embeddings), lo que mejora drásticamente la calidad de los documentos encontrados.
Explicación de Código (IA como Tutor Personal de Programación)
Método para utilizar inteligencia artificial en la enseñanza de programación y comprensión de código ajeno. Permite descomponer cualquier script confuso en analogías cotidianas, comentarios y un análisis paso a paso.
Extracción e Inversión de Prompts
Metodología de análisis de ciberamenazas enfocada en el robo de prompts secretos del sistema, lógica empresarial propietaria e instrucciones ocultas a través de consultas manipulativas de usuarios.
F
ENFew-Shot Prompting (In-Context Learning)
Metodología de ingeniería de prompts donde el modelo se adapta a un formato, estilo o lógica específicos durante la inferencia (In-Context Learning) mediante la presentación de 2 a 5 ejemplos de referencia.
Filtrado de Metadatos Vectoriales y Enrutamiento Híbrido
Tecnología que combina la búsqueda semántica vectorial con filtros SQL/NoSQL deterministas estrictos por campos (tenant_id, version, role, date) antes de calcular las distancias de los vectores.
Filtrado por Metadatos en RAG (Metadata Filtering)
Técnica de búsqueda combinada en bases de datos vectoriales (Self-Querying Retriever). Permite combinar la búsqueda semántica por significado con filtros estrictos de base de datos por metadatos: fecha de publicación, autor del documento, nivel de acceso, idioma o departamento de la empresa.
G
ENGráficos de Conocimiento en Búsqueda (GraphRAG)
Evolución de la arquitectura RAG de Microsoft Research. Combina la búsqueda semántica clásica basada en vectores con un gráfico de conocimiento, donde los documentos se transforman en nodos de entidades (personas, empresas, ubicaciones) y aristas de relaciones entre ellos, permitiendo responder a preguntas globales complejas a través de todo el conjunto de datos.
GraphRAG y Recuperación de Grafos de Conocimiento
Una nueva generación de sistemas de búsqueda con generación aumentada (GraphRAG) que combina búsqueda semántica vectorial con grafos de conocimiento para sintetizar conclusiones globales sobre grandes bases de conocimiento.
H
ENI
ENIngeniería de Prompts (Arquitectura de Contexto y Ingeniería de Prompts)
Disciplina de ingeniería que estructura directrices sistémicas, marcado XML, delimitadores semánticos y ejemplos para lograr resultados determinísticos y predecibles de modelos probabilísticos.
Instrucciones del Sistema (System Instructions & Metaprompting)
Bloque de instrucciones metacontextuales prioritarias que se transmite en la posición cero de la ventana de contexto y define el rol, las reglas de seguridad, las herramientas disponibles y los límites de comportamiento del agente.
Instrucciones del Sistema (System Prompt y Custom Instructions)
La directiva oculta principal del desarrollador o usuario (System Message). Establece los marcos fundamentales de comportamiento, rol, estilo de comunicación y temas prohibidos que el modelo mantiene durante toda la sesión.
Inyección de Prompt (Prompt Injection)
Vulnerabilidad crítica en sistemas basados en LLM (OWASP Top 10 for LLM #1). Ocurre por la falta de separación arquitectónica entre las instrucciones de control (Control Plane) y los datos externos (Data Plane), permitiendo que un atacante intercepte el control del modelo.
J
ENJailbreak de Modelos de Lenguaje
Técnica de ingeniería social en inteligencia artificial que obliga a un modelo de lenguaje a eludir las restricciones éticas impuestas por sus creadores, filtros de seguridad (RLHF) y temas prohibidos a través de juegos de rol, escenarios hipotéticos o paradojas.
Jerárquico Chunking y Recuperación Padre-Hijo
Patrón arquitectónico de búsqueda donde la coincidencia vectorial se realiza en fragmentos hijos cortos y precisos (Child Chunks), mientras que se recupera todo el bloque padre amplio (Parent Document) en el contexto del modelo.
K
ENL
ENM
ENMarkdown AST para Agentes (Abstract Syntax Tree)
Representación jerárquica en forma de árbol de la sintaxis Markdown (estándar mdast / Unified.js), que permite a los sistemas programáticos y agentes de IA analizar, transformar y editar contenido técnico de manera determinista y segura, sin recurrir a frágiles expresiones regulares.
Memoria Episódica vs Semántica del Agente
La separación arquitectónica de la memoria del agente de IA en una base de hechos a largo plazo (Semantic Memory) y un registro cronológico de eventos de sesiones de trabajo específicas (Episodic Memory).
Meta-Prompting (La IA Mejora Tu Prompt en Lugar de Ti)
Técnica de formulación de consultas de orden superior (Meta-Prompting). En lugar de seleccionar formulaciones complejas, delegas a un potente modelo la tarea de escribir, estructurar y probar el prompt ideal para tu tarea.
N
ENNeedle in a Haystack & Long-Context Retrieval
El problema de la degradación de la atención de los modelos de lenguaje dentro de enormes ventanas de contexto (1M–2M tokens), donde el modelo ignora instrucciones ocultas en el texto, y los métodos de ingeniería para superarlo.
NotebookLM y Resumen de Audio (Podcast de Notas)
Herramienta de investigación gratuita de Google basada en modelos Gemini. Garantiza estrictamente la veracidad de las fuentes cargadas (sin alucinaciones) y convierte informes aburridos en emocionantes podcasts de conversación.
P
ENPérdida de Prompt del Sistema (Prompt Leakage)
Vulnerabilidad de inteligencia artificial donde un usuario astuto logra que el bot cite literalmente sus instrucciones ocultas (System Prompt), revelando la lógica de negocio, reglas de comportamiento y secretos internos de los desarrolladores.
Por Qué la Palabra 'NO' Rompe los Prompts (Instrucciones Positivas)
Paradoja psicológica y algorítmica en el funcionamiento de modelos de lenguaje ('Paradoja del Elefante Rosa'). Explica por qué los comandos que incluyen 'NO' a menudo producen el efecto contrario y cómo reformular prohibiciones en directrices positivas.
R
ENRAG (Generación Aumentada por Recuperación)
Patrón arquitectónico de IA corporativa que enriquece dinámicamente la ventana de contexto del modelo con conocimientos verificados y relevantes de almacenes externos (bases de datos vectoriales, grafos, índices de texto completo) antes de generar la respuesta final.
RAG Contra Fine-Tuning (La Dilema Eterna de la Implementación de IA)
Una elección arquitectónica fundamental para los negocios. RAG (búsqueda de documentos en el momento de la consulta) contra Fine-Tuning (ajuste de pesos del modelo a través del reentrenamiento). Criterios de selección entre relevancia de hechos y estilo de comportamiento específico.
Reordenamiento (Cross-Encoder Reranking)
Metodología de búsqueda en dos etapas en sistemas RAG: selección rápida de candidatos (Bi-Encoder / BM25) seguida de un reordenamiento preciso mediante un modelo de cross-encoder completamente conectado (Cross-Encoder / Cohere Rerank / BGE-Reranker).
Reranking de Resultados de Búsqueda (Reranking / Cross-Encoders)
Patrón de búsqueda en dos etapas en sistemas RAG. La primera etapa (búsqueda vectorial rápida o híbrida) encuentra de 20 a 50 candidatos en 10 ms. La segunda etapa (modelo reranker de clase Cross-Encoder, como Cohere Rerank o BGE-Reranker) compara detalladamente la consulta con cada texto encontrado y selecciona los 3 documentos más precisos.
Restricciones Negativas y Prompts de Anti-Patrón
Metodología para formular prohibiciones y excluir explícitamente patrones de ingeniería no deseados (Anti-Goals) en instrucciones sistémicas para prevenir código redundante y de mala calidad (AI Slop).
Resumen de Textos (Cómo Reducir 50 Páginas a 5 Puntos Clave)
Metodología para la compresión efectiva de grandes volúmenes de información (Summarization). Explica cómo, mediante plantillas de prompts claras, transformar informes de 50 páginas en resúmenes ejecutivos concisos siguiendo la regla 'Idea Principal + Riesgos + Próximos Pasos'.
Riesgos de Alucinaciones en Tareas Reales
Análisis de las consecuencias prácticas y riesgos legales que surgen de la confianza ciega en hechos inventados y fuentes falsas generadas por modelos de lenguaje en informes financieros, demandas legales y consejos médicos.
Role Prompting (La Magia de la Frase 'Actúa como Experto')
Técnica de formulación de prompts mediante la asignación de un rol, profesión o imagen psicológica a la modelo ('Actúa como Senior DevOps', 'Imagina que eres un pediatra'). Activa capas específicas de conocimiento y vocabulario profesional.
S
ENSelf-RAG y Corrective RAG (CRAG)
Metodología de búsqueda adaptativa donde el modelo de lenguaje evalúa la relevancia de los documentos encontrados, descarta el ruido y reformula dinámicamente la consulta ante la falta de información.
Similitud del Coseno (Cosine Similarity)
Métrica matemática que mide el ángulo entre dos vectores en un espacio multidimensional. Indica el grado de afinidad semántica entre dos textos de -1 (opuestos) a +1 (sinónimos completos), ignorando la longitud de las oraciones.
T
ENTamaño de la Ventana de Contexto (Memoria de la Conversación Actual)
El volumen máximo de texto (en tokens) que un modelo de lenguaje puede mantener en memoria durante una conversación actual. Define la longitud de los documentos que se pueden cargar a la vez sin pérdida de contenido.
Traducción y Localización con IA: Por Qué los LLM Superan a los Diccionarios
Metodología de traducción artística y adaptación cultural de textos (Localization). Explica por qué los modelos de lenguaje grandes traducen modismos, chistes, jerga y matices comerciales con mayor precisión y naturalidad que los traductores clásicos.
V
ENVector Embeddings (Dense Embeddings)
Proyección matemática de texto, código o datos multimodales en un vector numérico denso y multidimensional, donde el ángulo y la geometría entre las coordenadas reflejan su afinidad semántica.
Vectores Multimodales (Multimodal Embeddings / CLIP)
La tecnología de diseño de diferentes tipos de medios (texto, imágenes, audio) en un único espacio vectorial multidimensional común mediante arquitecturas como OpenAI CLIP o Google SigLIP. Permite buscar fotografías mediante descripciones textuales o encontrar música similar a partir de una imagen.
Ventana de Contexto (Context Window)
El volumen máximo de tokens que un modelo de lenguaje puede mantener simultáneamente en el mecanismo de Self-Attention y en la memoria KV Cache durante el cálculo de una única solicitud de inferencia.
Z
ENZero-Shot CoT vs Razonamiento Dinámico
Evolución histórica y práctica de las técnicas de razonamiento: desde la simple frase 'Let's think step by step' (Zero-Shot Chain-of-Thought) hasta la asignación nativa de recursos de razonamiento en modelos modernos.
Zero-Shot vs Few-Shot (La Fuerza de Ejemplos Múltiples)
Comparación de dos técnicas fundamentales de prompting. Zero-Shot es una consulta directa sin ejemplos. Few-Shot implica proporcionar a la modelo varios ejemplos de la respuesta deseada antes de ejecutar la tarea para calibrar con precisión el formato y el tono.
Conjunto integral de herramientas, clasificaciones y habilidades de IA
Además del glosario, GOTBURNOUT incluye benchmarks de redes neuronales, un catálogo de más de 100 000 AI Agent Skills, scripts para VPS verificados y una comunidad Pro privada de desarrolladores.