Vocabulario de trabajo de las 15 partes, organizado por etapa evolutiva. Cada término enlaza a la clase donde se desarrolla. La primera sección reúne las ingenierías de IA — el vocabulario 2026 de la industria — y el resto sigue el orden del programa.
Índice: Ingenierías de IA · Fundamentos · IA simbólica · Probabilística · ML clásico · Deep learning · Lenguaje y multimodal · Modelos fundacionales · IA generativa · RAG y memoria · Agentes · Multiagentes · IA encarnada · MLOps/AgentOps · Evaluación y seguridad · Frontera
Disciplinas con nombre propio que la industria consolidó alrededor de los agentes. El mapa completo, con su correspondencia clase a clase, está en la clase 112.
- Agent engineering: disciplina paraguas — diseñar, construir, evaluar y operar agentes de forma fiable en producción. Cubre las demás entradas de esta sección.
- Agent persona: identidad operativa de un agente en un gateway empresarial: su rol atado a modelo, herramientas y guardrails como configuración auditable (clase 153).
- Context engineering: decidir qué tokens ganan lugar en la ventana en cada paso: el menor conjunto de alta señal que maximiza el resultado (clase 109, 118).
- Context rot: degradación de la atención del modelo sobre información enterrada en contextos largos; hoy medible con benchmarks dedicados (clase 118).
- Evaluation-driven development (EDD): el eval en CI como gate de despliegue; el eval se escribe antes del cambio, como TDD hizo con los tests (clase 122).
- Graph / flow engineering: formalizar el sistema como grafo explícito de estados — nodos, aristas condicionales, estado tipado, checkpoints — en vez de bucle imperativo (clase 124).
- Harness engineering: diseñar la capa determinista que valida, autoriza, ejecuta y registra cada acción propuesta por el modelo. Ecuación: Agente = Modelo + Harness (clase 113).
- Loop engineering: diseñar el bucle — descubrimiento, descomposición, orquestación, verificación, memoria — y no solo el prompt (clase 114).
- Memory engineering: decidir qué persiste entre sesiones, cómo se recupera y cómo se mide, con benchmarks estandarizados de recuerdo (clase 108).
- Patrones agénticos: catálogo canónico de la industria — Reflection, Tool use, Planning, Multi-agent (Ng) y los cinco workflows de Anthropic (clase 124).
- Prompt engineering: diseñar la instrucción de una llamada individual (clase 079).
- Spec-driven development (SDD): la especificación con criterios de aceptación verificables como contrato entre humano y agente de código (clase 178).
- Agente racional: entidad que percibe y actúa maximizando una medida de desempeño (clase 004).
- Baseline: referencia mínima contra la que se compara cualquier mejora declarada (clase 008).
- Benchmark: conjunto de tareas estandarizado para comparar sistemas; leerlo con criterio es una habilidad (clase 010).
- Falsabilidad: propiedad de una afirmación que puede refutarse con evidencia; base del método experimental del programa (clase 008).
- Invierno de la IA: ciclo histórico de expectativas infladas y recortes (clase 003).
- Medida de desempeño: criterio externo que define el éxito de un agente (clase 004).
- Reproducibilidad: capacidad de re-obtener un resultado con semilla, versión y datos fijos (clase 009).
- Test de Turing: criterio conductual de inteligencia propuesto en 1950 (clase 002).
- A*: búsqueda informada óptima con heurística admisible (clase 015).
- CSP: problema de satisfacción de restricciones — variables, dominios, restricciones (clase 018).
- Espacio de estados: formulación de un problema como estados y operadores (clase 013).
- Heurística: estimación del costo restante que guía la búsqueda; se diseña y valida (clase 016).
- Minimax / poda alfa-beta: decisión adversarial en juegos de suma cero (clase 017).
- Ontología: especificación formal de conceptos y relaciones de un dominio (clase 021).
- Sistema experto: motor de reglas + base de conocimiento con explicación de inferencias (clase 022).
- STRIPS / PDDL: lenguajes de planificación clásica por precondiciones y efectos (clase 023).
- Unificación: emparejamiento de términos lógicos que habilita la inferencia de primer orden (clase 020).
- Algoritmo genético: optimización por selección, cruce y mutación de poblaciones (clase 033).
- Causalidad: distinción entre correlación e intervención; modelos causales (clase 035).
- HMM: modelo oculto de Markov — estados latentes con observaciones ruidosas (clase 028).
- Lógica difusa: pertenencia gradual y control aproximado (clase 032).
- MDP: proceso de decisión de Markov — estados, acciones, recompensas, política (clase 029).
- Monte Carlo: estimación por muestreo aleatorio repetido (clase 031).
- Red bayesiana: grafo dirigido de dependencias probabilísticas (clase 027).
- Teorema de Bayes: actualización de creencias con evidencia nueva (clase 026).
- Utilidad esperada: criterio de decisión bajo incertidumbre (clase 030).
- Backtesting: evaluación temporal sin fuga de futuro en series (clase 045).
- Boosting / ensemble: combinación de modelos débiles en uno fuerte (clase 041).
- Calibración: que las probabilidades predichas coincidan con las frecuencias reales (clase 047).
- Clustering: agrupación no supervisada por similitud (clase 043).
- Detección de anomalías: identificar observaciones que no siguen el patrón (clase 044).
- Feature engineering: construcción y selección de variables predictivas (clase 042).
- Overfitting / regularización: memorizar el train vs. penalizar la complejidad (clase 038).
- Train/validation/test: partición que separa ajuste, selección y estimación honesta (clase 037).
- Atención / Transformer: pesado dinámico de relaciones entre tokens; la arquitectura dominante (clase 055).
- Backpropagation: cálculo del gradiente por regla de la cadena hacia atrás (clase 050).
- CNN: red convolucional para estructura espacial (clase 053).
- Difusión: generación por des-ruido iterativo (clase 058).
- Fine-tuning / destilación: adaptar un modelo preentrenado o comprimirlo en otro menor (clase 059).
- GNN: red neuronal sobre grafos (clase 056).
- LSTM / RNN: redes recurrentes para secuencias (clase 054).
- Perceptrón: neurona lineal con umbral; el límite de separabilidad que motivó todo lo demás (clase 049).
- RL profundo: aprendizaje por refuerzo con aproximadores neuronales (clase 057).
- ASR: reconocimiento automático del habla (clase 067).
- Embedding semántico: vector que captura similitud de significado (clase 066).
- Fusión multimodal: representación conjunta de texto, imagen y audio (clase 070).
- OCR: extracción de texto desde imágenes y documentos (clase 063).
- Segmentación / pose: localización a nivel de píxel y esqueleto (clase 062).
- Tokenización: partir texto en unidades que el modelo procesa (clase 064).
- VLM: modelo visión-lenguaje (clase 069).
- Ancho de banda de memoria: bytes por segundo entre la HBM y las unidades de cálculo; con lote 1 es lo único que fija los tokens/s (clase 081).
- Cadena de valor del cómputo: las cuatro capas —fabricación y HBM, aceleradores, infraestructura y modelos— de las que depende cualquier despliegue (clase 083).
- CUDA / ROCm: las pilas de software que hacen (o dejan de hacer) portable un modelo entre fabricantes de acelerador; el foso real de la industria (clase 083).
- HBM: memoria apilada de alto ancho de banda del acelerador — la "VRAM" que limita qué modelo cabe y a qué velocidad (clase 081).
- Instruction tuning: ajuste con pares instrucción-respuesta para seguir órdenes (clase 076).
- Intensidad aritmética: FLOPs ejecutados por byte leído de memoria; decide si una carga está limitada por cómputo o por memoria (clase 081).
- Leyes de escalamiento: relaciones empíricas entre cómputo, datos y calidad (clase 075).
- LoRA / QLoRA: adaptación eficiente con matrices de bajo rango (clase 077).
- MFU / MBU: fracción del pico de cómputo (model FLOPs utilization) o del ancho de banda (model bandwidth utilization) realmente aprovechada; la métrica honesta frente al "100 % de utilización" que reporta el driver (clase 081).
- Memoria unificada: un único pool físico compartido por CPU y GPU; iguala la capacidad de la VRAM pero no su ancho de banda (clase 082).
- Modelo fundacional: modelo preentrenado a gran escala adaptable a múltiples tareas (clase 074).
- Presupuesto de memoria:
pesos + KV cache + activaciones + overheadmás margen; la cuenta que decide en qué máquina cabe un despliegue (clase 082). - Prompting estructurado: instrucciones + contexto + contrato de salida (clase 079).
- Cuantización: reducir la precisión numérica para inferencia local barata (clase 085).
- RLHF / DPO: alineación con preferencias humanas (clase 078).
- Roofline: modelo que acota el rendimiento a
min(pico_FLOPS, I × ancho_de_banda)y sitúa el punto de codo a partir del cual una carga deja de estar limitada por memoria (clase 081). - Serving / batching: infraestructura de inferencia con caches y lotes (clase 084).
- Tool calling: el modelo emite intenciones de llamada que un runtime ejecuta (clase 080).
- Datos sintéticos: datos generados; útiles y a la vez riesgo de contaminación (clase 097).
- Espacio latente: representación comprimida donde se interpola y edita (clase 088).
- GAN: generador y discriminador en entrenamiento adversarial (clase 089).
- Modelo de difusión: generación por des-ruido; el estándar de imagen (clase 090).
- Procedencia / watermarking: marcas y metadatos de autenticidad del contenido generado (clase 098).
- Text-to-image / condicionamiento: guiar la generación con texto u otras señales (clase 091).
- BM25: ranking léxico clásico; complemento del vectorial (clase 102).
- Búsqueda híbrida: fusión de rankings léxico y vectorial (clase 103).
- Chunking: segmentación de documentos con metadatos y ventanas (clase 101).
- Compactación: resumir con pérdida lo viejo del contexto conservando el rumbo (clase 108, 118).
- GraphRAG / knowledge graph: recuperación sobre grafos de entidades y relaciones (clase 107).
- Memoria episódica / semántica / procedimental: qué pasó / hechos destilados / cómo actuar (clase 108).
- RAG: generación aumentada con recuperación de evidencia citable (clase 105).
- Re-ranking: reordenar candidatos con un modelo más caro y preciso (clase 104).
- Caché semántico: reutilizar respuestas de consultas equivalentes (clase 109).
- Agente: LLM que, en un bucle, decide qué acción ejecutar, observa el resultado real y decide el siguiente paso bajo límites explícitos (clase 112).
- Checkpoint: instantánea del estado del bucle para reanudar sin repetir efectos (clase 118).
- Ciclo ReAct: thought → action → observation; la observación ancla al mundo real (clase 114).
- Espectro de autonomía: dial L0-L5, de modelo puro a autonomía extendida (clase 112).
- Guardrail: control que valida o limita entradas, salidas o acciones (clase 119).
- Harness: capa determinista que valida, autoriza, ejecuta y registra las acciones del modelo (clase 113).
- Human-in-the-loop: aprobación humana interpuesta ante acciones de riesgo (clase 120).
- Idempotencia: ejecutar dos veces produce el mismo efecto que una; requisito para reintentos seguros (clase 116).
- Mínimo privilegio: cada herramienta con los permisos estrictamente necesarios (clase 119).
- Presupuesto: límites duros de pasos, tokens, costo y tiempo por tarea (clase 121).
- Salida estructurada: contrato de resultado con
evidenceylimitationsobligatorios (clase 113). - Tool: operación invocable con contrato (nombre, esquema, retorno); lectura o efecto (clase 116).
- Trayectoria: secuencia auditable de decisiones y observaciones de un run (clase 122).
- A2A: protocolo de descubrimiento e interoperabilidad entre agentes (clase 134).
- Blackboard: memoria compartida donde los agentes leen y publican (clase 130).
- Fan-out / map-reduce: paralelizar subtareas y consolidar resultados (clase 128).
- Handoff: transferencia de responsabilidad y contexto entre agentes (clase 126).
- MCP: Model Context Protocol — contratos estándar de tools, resources y prompts (clase 132).
- Router: clasificador que dirige cada tarea al especialista adecuado (clase 125).
- Skill: instrucciones y recursos portables que empaquetan una capacidad (clase 133).
- Subagente: agente invocado por otro como herramienta, con contexto aislado y retorno resumido (clase 124).
- Supervisor-workers: orquestador que delega en trabajadores y consolida (clase 127).
- Workflow: secuencia de pasos definida por código donde el LLM rellena casillas (clase 124).
- Computer use: agente que opera interfaces gráficas por visión y acciones de teclado/ratón (clase 144).
- Digital twin / sim-to-real: entrenar en simulación y transferir al mundo físico (clase 142).
- Percepción-planificación-acción: la arquitectura clásica de robótica (clase 136).
- RPA agéntica: automatización de escritorio con decisión del modelo (clase 146).
- SLAM: localización y mapeo simultáneos (clase 138).
- AgentOps: operación de agentes — análisis de trayectorias, costos por rol, incidentes (clase 156).
- AI gateway: proxy único de acceso a modelos y agentes: trazas, costos, límites, registros y personas (clase 153).
- Champion-challenger: promoción de modelos por comparación controlada (clase 150).
- Deriva (drift): cambio en los datos o el comportamiento que degrada el sistema (clase 154).
- Observabilidad: inferir el estado interno desde logs, métricas y trazas (clase 153).
- OpenTelemetry / span: estándar de trazas; cada span es una operación medida (clase 153).
- Rollback: volver a un estado bueno conocido tras un despliegue fallido (clase 158).
- SLO: objetivo de nivel de servicio medible (latencia, error, fallback) (clase 153).
- Abstención: que el sistema diga "no sé" cuando la evidencia no alcanza (clase 168).
- Alucinación: afirmación fluida sin anclaje en evidencia (clase 168).
- Eval: prueba estructurada de comportamiento con criterio de éxito ejecutable (clase 160).
- Fairness: análisis de sesgo por grupos afectados (clase 166).
- Golden dataset: conjunto curado de referencia para regresión (clase 161).
- Grounding: anclar cada afirmación a una observación o fuente verificable (clase 168).
- LLM-as-judge: usar un LLM con rúbrica como evaluador; requiere calibración humana (clase 161).
- Prompt injection: instrucciones maliciosas dentro de datos observados (clase 163).
- Red teaming: ataque deliberado y sistemático para encontrar fallos antes que el adversario (clase 162).
- Supply chain de tools: riesgo de herramientas y servidores MCP de terceros (clase 164).
- Aprendizaje continuo: adaptarse sin olvidar catastróficamente (clase 176).
- Causal AI: descubrimiento y uso de estructura causal (clase 173).
- Cómputo en tiempo de inferencia: razonar más muestreando/verificando más (clase 175).
- IA neuro-simbólica: combinar aprendizaje neuronal con razonamiento simbólico (clase 172).
- pass@k: probabilidad de que alguna de k muestras pase todos los tests (clase 178).
- Privacidad diferencial / federado: aprender sin centralizar ni exponer datos individuales (clase 177).
- SWE-bench: benchmark de agentes de código sobre issues reales de GitHub (clase 178).
- Tests de caracterización: tests que fijan el comportamiento actual antes de migrar legado (clase 178).
- World model: modelo interno del entorno que permite simular antes de actuar (clase 174).