Apéndice B — Glosario

Términos que aparecen en el manual, con la traducción al uso y el capítulo donde se tratan. Mantengo el término inglés cuando es el que se emplea de hecho en el trabajo diario, que es casi siempre.

B.1 Modelos

Token: Fragmento de texto en el que el modelo trocea la entrada, entre una letra y una palabra. Es la unidad de facturación. Ver Qué hay dentro.

Embedding: Representación de un texto como vector, donde la cercanía indica parecido de significado. Base de la búsqueda semántica.

Transformer: Arquitectura dominante desde 2017, construida sobre el mecanismo de atención (Vaswani et al. 2017).

Atención: Mecanismo por el que, al procesar cada token, el modelo pondera cuánto caso hacer a los demás.

Ventana de contexto: Total de tokens que caben en una llamada, sumando entrada y salida. Ver Inferencia.

Caché KV: Almacén de cálculos intermedios que evita recalcular el contexto ya visto en cada token generado. Explica los descuentos por prefijo repetido.

Temperatura: Parámetro que controla cuánta aleatoriedad hay al elegir el siguiente token.

Top-p / top-k: Formas de recortar los candidatos antes de sortear, por probabilidad acumulada o por número fijo.

MoE (mixture of experts): Arquitectura donde solo se activa una parte del modelo en cada token. Los parámetros totales marcan la memoria; los activos, la velocidad.

Cuantización: Reducir los bits por parámetro para que el modelo ocupe menos, a costa de algo de calidad.

Pesos abiertos: Modelo cuyos parámetros se pueden descargar. No equivale a código abierto ni a licencia libre. Ver El panorama.

Modelo base / instruct / thinking: Sin ajustar, ajustado para obedecer instrucciones, y entrenado además para razonar antes de responder.

Fine-tuning: Ajuste de un modelo con datos propios. Enseña forma, no hechos.

RLHF: Ajuste con preferencias humanas, el paso que convierte un modelo de lenguaje en un asistente (Ouyang et al. 2022).

Alucinación: Salida plausible y falsa. No es un fallo del mecanismo, es su funcionamiento normal aplicado donde no conviene.

Deriva: Cambio de comportamiento sin que nadie toque el sistema: el proveedor actualiza, los usuarios cambian, los documentos se editan.

B.2 Contexto

Prompt: El texto que se envía al modelo. El de sistema lleva las instrucciones generales.

Ingeniería de contexto: Decidir qué entra en la ventana, con qué prioridad y qué se descarta. Ver Contexto.

Few-shot: Incluir ejemplos resueltos en el prompt. Zero-shot es no incluir ninguno.

Chain-of-thought: Pedir (o dejar) que el modelo razone paso a paso antes de responder (Wei et al. 2022).

Salida estructurada: Restringir la generación para que cumpla un esquema. Garantiza la forma, no el contenido.

RAG: Recuperar información y añadirla al contexto antes de responder (Lewis et al. 2020). Ver Recuperación.

Troceado (chunking): Partir los documentos en fragmentos indexables. La decisión más determinante de un RAG.

Búsqueda híbrida: Combinar búsqueda vectorial y léxica. La mejora más rentable del pipeline.

Reranker: Modelo que reordena los fragmentos recuperados con más precisión y más coste.

GraphRAG: Recuperación sobre un grafo de entidades y relaciones, útil para preguntas globales (Edge et al. 2024).

Lost in the middle: Tendencia a atender peor a lo que está en el centro de un contexto largo (Liu et al. 2024).

B.3 Agentes

Agente: Sistema donde el modelo decide los pasos usando herramientas en un bucle. Si los pasos los fijamos nosotros, es un flujo de trabajo (Anthropic 2024).

Flujo de trabajo (workflow): Sistema donde el camino está escrito de antemano y el modelo solo rellena huecos. Fija el camino, no la redacción de la salida. Ver Flujos de trabajo.

Herramienta (tool): Función que el modelo puede pedir que se ejecute. El modelo nunca la ejecuta: la pide.

ReAct: Patrón de alternar razonamiento y acción (Yao et al. 2023).

MCP (Model Context Protocol): Estándar para conectar agentes con herramientas y datos.

A2A (Agent2Agent): Estándar para que agentes de distintas organizaciones se descubran y deleguen tareas.

Human in the loop: Persona que aprueba antes de ejecutar una acción irreversible.

Orquestador y trabajadores: Un agente reparte subtareas y sintetiza. Sirve sobre todo para aislar contexto.

B.4 Producción y seguridad

Gateway: Punto único de acceso a los modelos, con claves, cuotas, enrutado, caché y trazas. Ver Gateways.

Traza: Árbol de todo lo ocurrido en una petición. La unidad de observación. Ver Observabilidad.

Conjunto de evaluación: Casos representativos con el resultado esperado. La pieza que sostiene todo lo demás.

LLM as a judge: Usar un modelo para puntuar salidas de otro. Barato, escalable y sesgado; hay que calibrarlo.

Guardarraíl: Filtro de entrada o salida. Reduce riesgo, no lo elimina.

Inyección de prompt: Instrucciones escondidas en contenido que el modelo procesa. Indirecta cuando llegan por un documento o una web y no por el usuario. Ver Seguridad.

Trifecta letal: Datos privados, contenido no confiable y canal de salida en el mismo agente (Willison 2025).

Agencia excesiva: Dar al agente más permisos o autonomía de los que su tarea necesita.

Envenenamiento de memoria: Colar información falsa en la memoria persistente, contaminando sesiones futuras.

AI Act: Reglamento europeo de IA, basado en niveles de riesgo por uso. Ver Normativa.

GPAI: Modelo de propósito general, con su propio régimen de obligaciones.

Proveedor / responsable del despliegue: Quien pone el sistema en el mercado y quien lo usa bajo su autoridad. Determina qué obligaciones os tocan.

Anthropic. 2024. Building effective agents. Https://www.anthropic.com/engineering/building-effective-agents.

Edge, Darren, Ha Trinh, Newman Cheng, et al. 2024. «From Local to Global: A Graph RAG Approach to Query-Focused Summarization». arXiv preprint arXiv:2404.16130.

Lewis, Patrick, Ethan Perez, Aleksandra Piktus, et al. 2020. «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks». Advances in Neural Information Processing Systems 33.

Liu, Nelson F., Kevin Lin, John Hewitt, et al. 2024. «Lost in the Middle: How Language Models Use Long Contexts». Transactions of the Association for Computational Linguistics 12: 157-73.

Ouyang, Long, Jeffrey Wu, Xu Jiang, et al. 2022. «Training language models to follow instructions with human feedback». Advances in Neural Information Processing Systems 35.

Vaswani, Ashish, Noam Shazeer, Niki Parmar, et al. 2017. «Attention is All you Need». Advances in Neural Information Processing Systems 30.

Wei, Jason, Xuezhi Wang, Dale Schuurmans, et al. 2022. «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models». Advances in Neural Information Processing Systems 35.

Willison, Simon. 2025. The lethal trifecta for AI agents: private data, untrusted content, and external communication. Https://simonwillison.net/2025/Jun/16/the-lethal-trifecta/.

Yao, Shunyu, Jeffrey Zhao, Dian Yu, et al. 2023. «ReAct: Synergizing Reasoning and Acting in Language Models». International Conference on Learning Representations (ICLR).