Notas de campo prácticas sobre los componentes de los sistemas de AI que tienen que resistir en producción: agentes, evaluación, seguridad, memoria, retrieval, model engineering e infraestructura. Recursive Harness Engineering sigue un único recorrido: construir el harness, evaluar su comportamiento de forma independiente y después automatizar la búsqueda de mejoras. Empieza por una de las series de abajo o explora todos los artículos por tema.
Series · Partes: 3
Primero harness engineering, después mejora recursiva.
Desliza para ver las partes →
Series · Partes: 6
En orden. Empieza por el bucle.
Desliza para ver las partes →
Evaluación
Evalúa el comportamiento de los agentes y cada etapa de un sistema de generación aumentada por recuperación.
Retrieval y lenguaje
Crea pipelines de ranking, elige sistemas de Document AI y estructura el lenguaje de forma fiable.
Respuestas rápidas
¿Está eligiendo un modelo, una herramienta o un enfoque? Aquí encontrará una recomendación breve, las condiciones que cambian la elección y un enlace a la explicación completa.
Agentes de IA
Las mismas tareas de soporte como un agente, un agente con aprobación, un agente dentro de un flujo de trabajo, un router y un flujo de trabajo sin agente, comparados con un mismo conjunto de pruebas.
· 25 min
Agentes de IA
Cómo los requisitos de la tarea dan forma a un harness de agente: elegir el flujo de control, las herramientas, la ejecución de código, el estado, los permisos y la evidencia antes de elegir un framework.
· 32 min
Agentes de IA
Un prólogo al recursive harness engineering: probar cambios secuenciales de un LLM en una herramienta de memoria y compararlos con una búsqueda sencilla.
· 23 min
Herramientas de desarrollo · Agentes de IA
Relaciona pydantic con Zod, FastAPI con Hono y Celery con una cola en Postgres; después crea un servicio de agentes con streaming en un monorepo de TypeScript con pnpm.
· 30 min
Agentes de IA
Cómo aceptar un artefacto probado, recuperar tool calls inciertos, pasar el trabajo a otra sesión y medir si un componente del harness ayuda.
· 24 min
Ingeniería de modelos · Infraestructura de IA
Guía práctica para elegir rutas de cuantización de LLM y de modelos de difusión según el cuello de botella, el hardware, el kernel del runtime, los datos de calibración y las comprobaciones previas al despliegue.
· 40 min
Agentes de IA
Por qué los agentes AI en producción necesitan memoria guiada por esquema, con validez temporal, procedencia y gestión estructurada de conflictos, en lugar de recuperar texto sin procesar mediante vectores.
· 20 min
Agentes de IA
Cómo evaluar agentes de AI en producción convirtiendo las trazas en datasets de regresión versionados, métricas de trayectoria, jueces calibrados y comprobaciones en CI.
· 32 min
Agentes de IA
Continúa la ejecución de un agente tras fallos de los workers, reconcilia los efectos inciertos de las herramientas y elige un runtime: cola y worker, Temporal, sandboxes o agentes alojados.
· 37 min
Sistemas de recuperación y lenguaje
Métricas de evaluación de RAG para el parsing, la recuperación, el reranking, la generación, las citas y la telemetría de producción, con código y modos de fallo.
· 56 min
Agentes de IA
Cómo autorizar la acción que propone un agente, contener su ejecutor y probar los límites que los guardrails del modelo no pueden hacer cumplir.
· 31 min
Sistemas de recuperación y lenguaje
En 2026, NER implica elegir entre GLiNER, spaCy, Transformers y la extracción con LLM en función de la latencia, la precisión y el control del esquema.
· 51 min
Agentes de IA
Diseña el contrato de acción y resultado de un agente y elige después entre llamadas JSON, MCP, CLI o ejecución de código para el trabajo que debe hacer.
· 27 min
Ingeniería de modelos · Infraestructura de IA
Una referencia práctica sobre 45 conceptos de ingeniería de LLM para sistemas en producción, que abarcan inferencia, entrenamiento, arquitectura, despliegue y operaciones.
· 92 min
Sistemas de recuperación y lenguaje
En 2026, OCR implica elegir entre pipelines clásicos y VLMs para extraer texto, maquetación, tablas y datos de documentos.
· 27 min
Infraestructura de IA
Cómo ejecutan Polars, DataFusion, Daft, Ray Data y Spark cargas tabulares y multimodales, con código, un benchmark en igualdad de condiciones y reglas de decisión.
· 24 min
Agentes de IA
Elige la memoria del agente según el fallo que debe evitar y después la herramienta: checkpoint savers, almacenes clave-valor, pgvector o Qdrant, archivos o un framework de memoria.
· 31 min
Sistemas de recuperación y lenguaje
Cómo crear un stack de ranking de búsqueda con BM25, embeddings densos, fusión híbrida RRF, reranking con cross-encoder y reranking listwise con LLM sobre Amazon ESCI.
· 35 min
Agentes de IA
Elige entre workflows fijos, ReAct, ReWOO y Plan-and-Execute preguntándote cuándo los tool results deben cambiar la siguiente acción.
· 17 min
Ingeniería de modelos
Un recorrido técnico por las Manifold-Constrained Hyper-Connections (mHC) de DeepSeek: escalado del ancho del flujo residual, enrutamiento con Sinkhorn y estabilidad del entrenamiento.
· 15 min
Agentes de IA
Qué revelan las candidaturas públicas de Enterprise RAG Challenge 3 sobre la iteración de prompts, la validación, la estrategia de contexto, los wrappers de herramientas y la arquitectura de agentes.
· 16 min
Ingeniería de modelos
Cuándo hacer fine-tuning de LLMs, cuándo usar RAG o prompting, y cómo encajan LoRA, QLoRA, DoRA, Unsloth, Axolotl, los datasets, las evals y el despliegue.
· 35 min
Agentes de IA · Ingeniería de modelos
Cómo el Schema-Guided Reasoning utiliza vLLM, XGrammar, esquemas de Pydantic y constrained decoding para imponer salidas de LLM estructuralmente válidas.
· 19 min
Ingeniería de modelos · Infraestructura de IA
Evalúa y despliega LoRAX para servir adaptadores LoRA de cola larga, con las API actuales, el endurecimiento del chart de Kubernetes, la seguridad de los adaptadores, el enrutado según la caché y las diferencias con vLLM.
· 20 min
Agentes de IA
Cómo el domain-driven design ayuda a los AI agents a usar un lenguaje compartido, bounded contexts, servicios, repositorios y reglas de negocio deterministas.
· 19 min
Agentes de IA
Cómo diseñar el context engineering para agentes de AI: ventanas de contexto, jerarquía de instrucciones, recuperación, memoria, herramientas, guardrails, procedencia y compresión.
· 31 min
Agentes de IA · Herramientas de desarrollo
Crea un servidor MCP propio con uv y FastMCP, expón herramientas de un feature store de ML, pruébalas en local y conecta el servidor a Claude Desktop.
· 11 min
Ingeniería de modelos
Cómo leer los nombres de los modelos de pesos abiertos separando rol de entrenamiento, arquitectura, método de cuantización, formato de almacenamiento, runtime y ajuste al hardware.
· 18 min
Herramientas de desarrollo
Compara herramientas locales de generación de imágenes en macOS según su instalación, compatibilidad con modelos, control del workflow, reproducibilidad, extensiones y estado de mantenimiento.
· 14 min
Ingeniería de modelos · Herramientas de desarrollo
Compara las herramientas de LLMs locales en macOS por interfaz, formato de modelo, margen de memoria, exposición de la API y flujo de desarrollo en Apple Silicon.
· 14 min
Herramientas de desarrollo
Cómo funciona pyproject.toml para los sistemas de compilación, los metadatos del proyecto, las dependencias de ejecución, los grupos de desarrollo, los puntos de entrada de CLI y la configuración de herramientas.
· 10 min
Herramientas de desarrollo
Archivos de inicio de Zsh: cuándo se cargan ~/.zprofile y ~/.zshrc en macOS y Linux, qué debe incluir cada archivo y cómo diagnosticar el modo del shell en ejecución.
· 8 min
Infraestructura de IA
Qué cambiaron los modelos fundacionales en MLOps: unidades de versión, recuperación, herramientas, evaluación, trazas, serving y las herramientas que hacen cada tarea.
· 20 min
Ingeniería de modelos · Infraestructura de IA
Cómo escalar LLMs entre GPUs y nodos con paralelismo de datos, fragmentado, tensorial, de pipeline, de contexto y de expertos, y qué framework implementa cada uno.
· 22 min
Herramientas de desarrollo
Lista de comprobación de la configuración de un MacBook para AI engineering: herramientas de Xcode, Homebrew, Python con uv, Docker, configuración del terminal y VS Code.
· 8 min
Herramientas de desarrollo
Cómo uso uv en macOS para instalar Python, gestionar dependencias de proyectos, archivos de bloqueo, scripts inline y herramientas CLI puntuales.
· 11 min
Aquí todavía no hay nada.
