Artículos para quien
entrega el stack
Textos sobre React, Node.js, TypeScript y AI. El cuerpo traducido se muestra cuando existe. Si no, ve el texto en inglés y una nota que lo dice.
Etiqueta: llmops
Creación de un bucle de mejora de agentes con las herramientas de evaluación de LangGraph y LangSmith.
Un bucle paso a paso de LangGraph y LangSmith: recolección de datos, tres capas de puntuación, agrupamiento de fallos, conjuntos de datos de regresión sin conexión y evaluaciones previas al envío.
24 min de lecturaUna hoja de ruta de ingeniería de IA para 2026: de Python a agentes y LLMOps.
Un camino de aprendizaje por fases para 2026 en ingeniería de IA, que abarca desde Python y matemáticas, pasando por el aprendizaje automático clásico y el aprendizaje profundo, hasta RAG, MCP, agentes, evaluaciones e implementación.
14 min de lecturaCuando el panel de control muestra estado verde y el agente está equivocado: seguimiento del estado
El panel es de color verde y el agente se equivoca: los fallos se ocultan en el estado transmitido entre los pasos sin problemas. Qué registros de seguimiento, enrutamiento y evaluaciones deben capturarse.
12 min de lectura¿Quién califica al calificador? Validación de los conjuntos de evaluación de agentes antes de confiar en ellos.
¿Quién valida el conjunto de pruebas de evaluación? La deriva en los jueces, la puntuación basada únicamente en los resultados, los modos de fallo privados y los costos ocultos pueden hacer que las evaluaciones de los LLM mientan. Se realizan verificaciones del propio conjunto de pruebas.
7 min de lecturaEvaluación de la recuperación RAG más allá de la recuperación ANN, tomando como ejemplo a Turbopuffer.
Un índice vectorial rápido aún puede no encontrar la respuesta. Aprenda sobre los compromisos de almacenamiento de Turbopuffer, la búsqueda híbrida BM25 más búsqueda vectorial, y cómo un conjunto dorado mide la recuperación real.
7 min de lecturaDe las evaluaciones a los agentes auto-mejorables: cinco eras de la evaluación de agentes
La evaluación de agentes ahora implica la auditoría de huellas. Vea cómo las verificaciones deterministas, los jueces de LLM y agentes, el diagnóstico y un mecanismo meta construyen un ciclo de mejora seguro.
7 min de lecturaRealizar el seguimiento de un pipeline de blog de LangGraph con Langfuse: segmentos, puntuaciones y advertencias.
Configurar un pipeline multiagente de LangGraph con Langfuse: un rastro por artículo, segmentos anidados, advertencias, puntuaciones y una rutina de depuración para borradores deficientes.
8 min de lecturaAgentes seguros para reproducción: mantener las llamadas al LLM fuera del flujo de trabajo mediante temporalidad.
Por qué un agente que se cae durante su ejecución no debe volver a utilizar su LLM: las actividades como límite del no determinismo, las mecánicas de reproducción, los indicadores de estado, las reintentos y los grafos sin estado.
16 min de lecturaNotas prácticas: Ingeniería de agentes de IA fiables: Construcción de evaluaciones para producción
Guía paso a paso operativa de las notas prácticas: Ingeniería de agentes de IA fiables: Construcción para producción, evaluación, contratos, verificaciones y espacios de código listos para uso destinados a los equipos que implementan este patrón.
10 min de lectura
Sobre estos artículos
Presupuesto en 24 h
¿Necesitas el mismo stack en una capa de operador? Envía el brief — presupuesto en 24 h.