Glosario de IA, LLM y datos

Software capaz de razonar sobre las peticiones de un usuario para planificar y ejecutar acciones en su nombre. Anthropic distingue entre agentes, donde el LLM dirige su propio proceso y su uso de herramientas, y flujos de trabajo (workflows), donde el camino lo fija el código (véase Workflow). Su formulación más corta: LLM que usan herramientas de forma autónoma en un bucle. En el aprendizaje por refuerzo, la palabra designa otra cosa: la entidad que aplica una política para maximizar la recompensa esperada.

Fuentes Google, glosario de IA generativa ; Anthropic, Building effective agents ; Anthropic, Effective context engineering

Véase también: Workflow y flujo de trabajo agéntico

Reglamento (UE) 2024/1689, presentado por la Comisión Europea como el primer marco jurídico completo sobre la IA. Fija reglas según cuatro niveles de riesgo: prácticas prohibidas (riesgo inaceptable), sistemas de alto riesgo, riesgo de transparencia (por ejemplo, informar al usuario de que habla con una máquina, hacer identificables los contenidos generados) y riesgo mínimo, sin regla específica. También prevé reglas para los modelos de IA de uso general.

Calendario según la Comisión (página actualizada el 3 de agosto de 2026): entró en vigor el 1 de agosto de 2024 y es aplicable el 2 de agosto de 2026, con excepciones. Las reglas sobre los modelos de uso general se aplican desde agosto de 2025. Las reglas para los usos de alto riesgo enumerados en el anexo III se aplazan al 2 de diciembre de 2027, y las de los sistemas integrados en productos al 2 de agosto de 2028, por el Reglamento (UE) 2026/1744 (Digital Omnibus on AI).

Fuente Comisión Europea, AI Act

Producción, por parte de un modelo de IA generativa, de una salida de apariencia plausible pero factualmente incorrecta, presentada como una afirmación sobre el mundo real. Google da también el sinónimo «confabulación», que considera técnicamente más exacto, aunque señala que «alucinación» se impuso primero.

Fuentes Google, glosario de IA generativa ; Google, Machine Learning Glossary

Conjunto de funciones y reglas de un software que permite interactuar con él de forma automatizada, en lugar de hacerlo a través de su interfaz de usuario.

Ilustración Velista Una empresa de software SaaS expone una API para que sus clientes recuperen sus recomendaciones en sus propios sistemas.

Fuente MDN Web Docs, Glosario: API (en francés)

Programa o sistema que entrena un modelo a partir de datos de entrada. El modelo entrenado puede hacer predicciones útiles sobre datos nuevos procedentes de la misma distribución que los de entrenamiento. El término designa también el campo de estudio correspondiente. El ML es formalmente un subcampo de la IA, aunque algunas organizaciones emplean ya ambos términos de forma intercambiable.

Fuente Google, glosario de ML (fundamentos)

En el vocabulario de Google, un agente elige acciones mediante una política, pasa de un estado a otro del entorno y busca maximizar la recompensa esperada. Cuando evaluadores humanos puntúan las respuestas de un modelo para mejorarlo, se habla de RLHF (véase RLHF).

Fuente Google, Machine Learning Glossary

Véase también: RLHF

En el supervisado, el modelo se entrena con ejemplos etiquetados (características y la etiqueta, es decir, la «respuesta») y luego predice sobre ejemplos sin etiqueta. Un modelo de clasificación predice una clase; un modelo de regresión predice un número. En el no supervisado no hay etiqueta: el ejemplo típico que cita Google es la agrupación (clustering) de ejemplos afines, y una persona puede después dar sentido a cada grupo.

Fuentes Google, glosario de ML (fundamentos) ; Google, Machine Learning Glossary

En el vocabulario de NVIDIA NeMo Guardrails, reglas («rails») aplicadas en distintos momentos. Un rail de entrada actúa antes de que la solicitud llegue al modelo; puede rechazarla o modificarla, por ejemplo ocultando datos sensibles. Un rail de salida actúa tras la generación y antes de la devolución al usuario; puede rechazar o modificar la salida. Otros rails acotan el diálogo, la recuperación de documentos y la ejecución de las herramientas que llama el LLM. El término no está normalizado: esta definición describe el marco de un proveedor.

Fuente NVIDIA, NeMo Guardrails Terminology

Definición del NIST (SP 1500-1): conjuntos de datos voluminosos, caracterizados sobre todo por el volumen, la variedad, la velocidad y/o la variabilidad, que requieren una arquitectura escalable para un almacenamiento, una manipulación y un análisis eficaces.

Fuente NIST, Big Data

Según el Gobierno británico, un dato de buena calidad es adecuado para el uso previsto. Recomienda seis dimensiones, definidas por DAMA UK: exactitud, completitud, unicidad, coherencia, actualidad y validez.

Ilustración Velista Un mismo artículo presente bajo dos referencias (unicidad); un precio de la competencia registrado hace diez días (actualidad).

Fuentes GOV.UK, Meet the data quality dimensions ; GOV.UK, What is data quality?

También en el glosario: Calidad de datos

Colección de datos brutos, con mayor frecuencia (aunque no solo) organizada en una hoja de cálculo o en un archivo CSV. Un ejemplo corresponde por lo general a una fila del conjunto: características y, eventualmente, una etiqueta.

Fuente Google, glosario de ML (fundamentos)

Según Google, número de tokens que un modelo puede procesar para un prompt dado: cuanto mayor es la ventana, más información tiene el modelo para producir respuestas coherentes. Según Anthropic, cantidad de texto que un modelo de lenguaje puede releer y utilizar para generar texto nuevo. Una ventana mayor permite tratar prompts más largos y complejos; una menor puede limitar la coherencia en intercambios largos.

Fuentes Google, glosario de IA generativa ; Anthropic, glosario

Marco atribuido a Joseph Juran que reparte los costes de la calidad en cuatro categorías: prevención, evaluación, fallo interno y fallo externo. Las dos primeras son los costes de conformidad, las otras dos los costes de no conformidad.

Lectura Velista, sin fuente Aplicado a la IA: la prevención son la calidad de los datos, las consignas y las barreras de protección; la evaluación son las evals; el fallo interno son las respuestas rechazadas o retocadas; el fallo externo es el error que llega al cliente.

Fuentes iSixSigma, Cost of Quality ; The Cost of Quality: A Primer

También en el glosario: Coste de la calidad

Según la CNIL, toda información relativa a una persona física identificada o identificable. La persona puede ser identificada directamente (nombre, apellidos) o indirectamente (número de teléfono, dirección postal o de correo electrónico, voz), a partir de un solo dato o del cruce de varios. El RGPD regula el tratamiento de estos datos.

Fuente CNIL, La CNIL en bref (en francés)

Evolución de la relación entre las características y la etiqueta. El modelo aprende esa relación con su conjunto de entrenamiento; si deja de reflejar el mundo real, sus predicciones se degradan con el tiempo. Ejemplo de Google: la noción de «coche de bajo consumo» cambia, y un modelo etiquetado en 1994 casi seguro estaría equivocado en 2024. Google recomienda reentrenar más rápido que el ritmo de la deriva. Véase también No estacionariedad.

Fuente Google, Machine Learning Glossary

Véase también: No estacionariedad

Véase también en el glosario: Health score, Frescura de los datos

Reducción de un modelo grande (el profesor) a un modelo más pequeño (el alumno) que imita sus predicciones lo más fielmente posible. Ventajas del alumno: inferencia más rápida, menor consumo de memoria y de energía. Contrapartida: sus predicciones suelen ser peores que las del profesor.

Fuente Google, glosario de IA generativa

Cociente entre la variación relativa de la cantidad demandada y la del precio. La demanda es elástica cuando su variación supera la del precio, e inelástica en el caso contrario.

Fuentes Office québécois de la langue française, Grand dictionnaire terminologique (en francés) ; Éduscol, L'élasticité-prix de la demande (en francés)

También en el glosario: Elasticidad de precio

Matriz de números de coma flotante extraída de una capa oculta de una red neuronal que describe las entradas de esa capa; con mayor frecuencia, el vector aprendido por una capa de embedding. No son números aleatorios: elementos similares tienen conjuntos de números similares. Los valores cambian en cada reentrenamiento, incluso con los mismos datos.

Fuente Google, Machine Learning Glossary

El entrenamiento es la etapa en la que un sistema de ML construye un modelo a partir de datos. El preentrenamiento designa el entrenamiento inicial de un modelo con un gran conjunto de datos; un modelo preentrenado suele afinarse después (fine-tuning), destilarse o ajustarse para seguir instrucciones.

Fuentes Google, glosario de ML (fundamentos) ; Google, glosario de IA generativa

Una característica es un dato de entrada de un modelo; un ejemplo incluye una o varias características. La etiqueta es, en el aprendizaje supervisado, la «respuesta» o el resultado de un ejemplo: «spam» o «no spam» en un conjunto de detección de spam, la cantidad de lluvia caída en un conjunto meteorológico. Un ejemplo etiquetado asocia características y una etiqueta; un ejemplo sin etiqueta sirve para la inferencia.

Fuente Google, glosario de ML (fundamentos)

La evaluación es el proceso que mide la calidad de un modelo o compara varios modelos. Un modelo supervisado se juzga con un conjunto de validación y un conjunto de prueba. Las «evals» designan con mayor frecuencia las evaluaciones de LLM: métricas y benchmarks que ayudan a detectar los puntos que mejorar, a comparar los LLM y a comprobar que son seguros. Existen tres modos: automático (un programa compara la salida con una respuesta de referencia, o un «autorater» la juzga), humano y mixto (un autorater entrenado con juicios humanos).

Fuente Google, glosario de IA generativa

Según Palantir, que dice haber inventado este puesto, ingeniero situado directamente junto a los clientes, a menudo in situ, para comprender con rapidez sus problemas más importantes y después diseñar y poner en marcha soluciones basadas en datos. En sus ofertas recientes, Palantir describe la misión como el despliegue de software y de IA en las operaciones críticas de grandes instituciones, con «un compromiso radical con el resultado». Esta definición procede del proveedor que originó el término; otras empresas usan el título con alcances variables, que no se tratan aquí.

Fuente Palantir, oferta Forward Deployed Software Engineer

Pase de entrenamiento adicional, específico de una tarea, aplicado a un modelo preentrenado para afinar sus parámetros para un uso concreto, normalmente con cientos o miles de ejemplos dirigidos. Google distingue la modificación de todos los parámetros (full fine-tuning), la de solo una parte, la adición de capas y las técnicas que ahorran parámetros, como LoRA. Google lo compara con la destilación y con el aprendizaje por prompt.

Fuente Google, glosario de IA generativa

Modelo muy grande preentrenado con un conjunto de entrenamiento enorme y variado. Responde bien a una amplia gama de peticiones y puede servir de modelo base para un ajuste fino o para otra personalización.

Fuente Google, glosario de IA generativa

Según Gartner, especificación de los derechos de decisión y de un marco de responsabilidad para garantizar un comportamiento adecuado en la valoración, la creación, el consumo y el control de los datos y de la analítica. Según DAMA-DMBOK2, ejercicio de autoridad y control (planificación, seguimiento, aplicación) sobre la gestión de los activos de datos.

Fuentes Gartner, Data Governance ; Gobierno de Canadá (GCwiki), citando DAMA-DMBOK2

En un ensayo clínico, según el National Cancer Institute, grupo que no recibe el nuevo tratamiento estudiado; se compara con el grupo que lo recibe para saber si el tratamiento funciona. La base terminológica de la UE lo describe como la referencia con la que se compara en un experimento, utilizada normalmente para medir el efecto de un tratamiento comparando el grupo de control y el grupo experimental.

Ilustración Velista Aplicar recomendaciones de precios a un lote de tiendas y mantener un lote de tiendas comparables con la práctica habitual.

Fuentes National Cancer Institute, control group ; Base terminológica de la UE (IATE), vía Gaois

Véase también en el glosario: Canibalización

Expresión de sentido impreciso, según Google. Puede designar una política que consiste en mirar con espíritu crítico las salidas de la IA generativa, o una estrategia que garantiza que las personas contribuyan a dar forma, evaluar y afinar el comportamiento de un modelo. Ejemplo de Google: una IA genera código que revisan ingenieros.

Fuente Google, glosario de IA generativa

Campo emergente sin definición formal. La mayoría de los expertos coinciden en que sus modelos crean un contenido a la vez complejo, coherente y original: texto, imagen, audio, música, vídeo. Tecnologías más antiguas (LSTM, RNN) también pueden generar contenido coherente; las opiniones divergen sobre si pertenecen a la IA generativa. Google la contrapone al ML predictivo.

Fuente Google, glosario de IA generativa

En el ML clásico, proceso que consiste en hacer predicciones aplicando un modelo entrenado a ejemplos sin etiqueta. En un LLM, proceso que consiste en usar un modelo entrenado para generar una respuesta a un prompt. La palabra tiene un sentido algo distinto en estadística.

Fuente Google, glosario de ML (fundamentos)

Según Anthropic, conjunto de estrategias para seleccionar y mantener el conjunto óptimo de tokens (de información) durante la inferencia de un LLM, incluido todo lo que llega al contexto al margen de los prompts. Anthropic la presenta como la continuación natural de la ingeniería de prompts, cuyo objeto principal es la redacción de prompts eficaces, en particular los prompts de sistema. Con agentes que trabajan en varios turnos, hay que gestionar todo el estado del contexto: instrucciones de sistema, herramientas, MCP, datos externos, historial de mensajes.

Fuente Anthropic, Effective context engineering for AI agents

Programa o modelo no humano capaz de resolver tareas sofisticadas, por ejemplo traducir un texto o identificar enfermedades en imágenes médicas. El machine learning es formalmente un subcampo de la IA.

Fuente Google, glosario de ML (fundamentos)

Capacidad de explicar o presentar el razonamiento de un modelo en términos comprensibles para una persona. Según Google, la mayoría de los modelos de regresión lineal y los bosques de decisión son muy interpretables. En cambio, un modelo de «caja negra» es un modelo cuyo razonamiento es imposible o difícil de comprender para las personas: es el caso de la mayoría de los modelos profundos y de los LLM.

Fuentes Google, glosario de ML (fundamentos) ; Google, Machine Learning Glossary

Según OWASP, vulnerabilidad que se produce cuando los prompts de un usuario modifican el comportamiento o la salida de un LLM de forma no prevista. Es posible porque los LLM no separan las instrucciones de los datos externos. La inyección se llama indirecta cuando la instrucción maliciosa se encuentra en un contenido externo que el modelo lee (página web, archivo).

Fuentes OWASP, LLM01 Prompt Injection ; OWASP, LLM01 (edición 2023-24)

Según Google, como mínimo un modelo de lenguaje con un número muy elevado de parámetros; de manera más informal, cualquier modelo de lenguaje basado en la arquitectura Transformer. Todos estos modelos son autorregresivos: predicen el token siguiente a partir de los tokens ya producidos. Anthropic describe igualmente los modelos de lenguaje autorregresivos como preentrenados para predecir la palabra siguiente a partir del contexto del documento.

Fuentes Google, glosario de IA generativa ; Anthropic, glosario

Según Anthropic, protocolo abierto que estandariza la forma en que las aplicaciones proporcionan contexto a los LLM. Permite a los sistemas de IA acceder a recursos externos de manera estandarizada. El «conector MCP» es una funcionalidad de la API de Anthropic que permite conectarse a servidores MCP sin construir un cliente MCP.

Fuente Anthropic, glosario

Según Google Cloud, cultura y práctica de ingeniería del ML que busca unificar el desarrollo (Dev) y la operación (Ops) de los sistemas de ML. Practicar MLOps es defender la automatización y la supervisión en todas las etapas de construcción de un sistema de ML: integración, pruebas, puesta en producción, despliegue y gestión de la infraestructura. El documento de Google abarca la integración continua (CI), la entrega continua (CD) y el entrenamiento continuo (CT).

Fuente Google Cloud, MLOps: entrega continua y pipelines de automatización

Construcción matemática que procesa datos de entrada y devuelve una salida; dicho de otro modo, el conjunto de parámetros y de estructura que un sistema necesita para hacer predicciones. Un modelo de regresión lineal se compone de pesos y de un sesgo; una red neuronal, de capas ocultas de neuronas con sus pesos; un árbol de decisión, de su forma, sus condiciones y sus hojas. Un modelo puede guardarse, restaurarse o copiarse.

Fuente Google, glosario de ML (fundamentos)

Modelo pequeño diseñado para funcionar en dispositivos con recursos de cálculo limitados: teléfonos móviles, tabletas, sistemas embebidos. Google cita Gemini Nano como un modelo diseñado para uso en el dispositivo.

Fuentes Google, Machine Learning Glossary ; Google, glosario de IA generativa

Característica de una variable cuyos valores cambian según una o varias dimensiones, con mayor frecuencia el tiempo. Ejemplos de Google: las ventas de bañadores de una tienda varían con la estación; la cosecha de una fruta es nula casi todo el año y luego abundante durante un periodo corto. Su contrario es la estacionariedad. Google precisa que muy pocas variables son estacionarias en el mundo real.

Fuente Google, glosario de ML (fundamentos)

Según la Open Source Initiative (definición 1.0 de IA de código abierto), un sistema de IA es open source si otorga las libertades de usarlo, estudiarlo, modificarlo y compartirlo, para cualquier uso, con o sin modificación. Ejercer esas libertades supone acceder a la forma preferida para modificar el sistema: una información suficientemente detallada sobre los datos de entrenamiento para que una persona cualificada pueda construir un sistema sustancialmente equivalente, el código completo de entrenamiento y de ejecución, y los parámetros del modelo (los pesos). La OSI precisa que los «modelos» o «pesos» open source deben incluir la información sobre los datos y el código que sirvieron para producirlos.

Fuente Open Source Initiative, Open Source AI Definition 1.0

Modelo cuyos pesos están ampliamente disponibles. La NTIA estadounidense, en su informe de 2024, designa estos modelos como «open foundation models» y señala que los desarrolladores pueden publicarlos con niveles de apertura variados: pesos, código, datos de entrenamiento o de ajuste y documentación pueden ponerse a disposición, cada uno, por varios canales, con restricciones variables.

No confundir con open source: la definición de la OSI exige además la información sobre los datos y el código de entrenamiento (véase Open source).

Fuentes NTIA, informe sobre los modelos con pesos ampliamente disponibles ; NTIA, contexto del informe

Véase también: Open source (IA)

Los parámetros son los pesos y los sesgos que un modelo aprende durante el entrenamiento. Los hiperparámetros son los valores que se proporcionan al modelo (o que un servicio de ajuste modifica) de un entrenamiento a otro, como la tasa de aprendizaje. La temperatura es un hiperparámetro (véase Temperatura).

Fuente Google, glosario de ML (fundamentos)

Véase también: Temperatura

Según IBM, proceso de la cadena de suministro que se apoya en datos históricos para la planificación de la demanda y anticipa la demanda futura de los clientes. Los métodos van de la proyección de tendencias a modelos sofisticados de analítica predictiva impulsados por IA. AWS la describe como un campo de la analítica predictiva que busca prever la demanda de los clientes.

Ilustración Velista Prever las ventas de la semana siguiente de un artículo en promoción para ajustar el aprovisionamiento y el precio.

Fuentes IBM, What is demand forecasting? ; AWS, Demand Forecasting (libro blanco)

Véase también en el glosario: Repricing

Según Google, texto introducido como entrada de un LLM para condicionarlo a comportarse de cierta manera. Un prompt puede ser corto o muy largo; Google distingue las categorías pregunta, instrucción, ejemplo, rol y entrada parcial por completar. La ingeniería de prompts es el arte de crear prompts que obtengan las respuestas deseadas; depende, entre otras cosas, del conjunto de preentrenamiento, de la temperatura y de otros parámetros de decodificación. Para Anthropic, su objeto principal es la redacción de prompts eficaces, en particular los prompts de sistema.

Fuentes Google, glosario de IA generativa ; Anthropic, Effective context engineering

Un prompt zero-shot no proporciona ningún ejemplo de la respuesta deseada. Un prompt one-shot da uno y un prompt few-shot da varios (sinónimo: aprendizaje en contexto). El few-shot suele producir mejores resultados que los otros dos, a costa de un prompt más largo.

Fuente Google, glosario de IA generativa

Comparación estadística de dos o más técnicas. La técnica A suele ser la existente y la B la nueva. La prueba indica cuál rinde mejor y si la diferencia es estadísticamente significativa. Suele centrarse en una sola medida, pero puede comparar varias.

Ilustración Velista Comparar la regla de precios actual (A) con una regla recomendada por un modelo (B), en tiendas comparables.

Fuente Google, Machine Learning Glossary

Véase también en el glosario: Canibalización

Según Google, técnica que mejora la calidad de las salidas de un LLM anclándolas en fuentes de conocimiento recuperadas después del entrenamiento del modelo; el LLM accede a información procedente de bases de conocimiento o de documentos de confianza. Motivaciones citadas: aumentar la exactitud factual, dar acceso a conocimientos ausentes del entrenamiento, cambiar los conocimientos utilizados, permitir citar fuentes. En el ejemplo de Google, el backend busca los datos pertinentes, los añade a la consulta del usuario y pide luego al LLM que produzca una síntesis a partir de ellos. Para Anthropic, el modelo se amplía con una base de conocimiento externa o un conjunto de documentos pasados a la ventana de contexto.

Fuentes Google, glosario de ML (fundamentos) ; Anthropic, glosario

Una red neuronal es un modelo que contiene al menos una capa oculta. Un modelo profundo (red neuronal profunda, deep neural network) contiene más de una. Algunas redes pueden imitar relaciones no lineales extremadamente complejas entre las características y la etiqueta. Google señala que los modelos lineales suelen ser más fáciles de entrenar y más interpretables que los modelos profundos, los cuales, en cambio, aprenden relaciones complejas entre características.

Fuente Google, glosario de ML (fundamentos)

Uso de la retroalimentación de evaluadores humanos para mejorar la calidad de las respuestas de un modelo. Ejemplo de Google: pedir a los usuarios que valoren una respuesta con un pulgar hacia arriba o hacia abajo; el sistema ajusta después sus respuestas futuras. Anthropic indica haber entrenado a Claude con RLHF para convertirlo en un asistente más útil.

Fuentes Google, glosario de IA generativa ; Anthropic, glosario

Google distingue dos formas, en el sentido de la ética y la equidad. La primera: estereotipos, prejuicios o favoritismo hacia ciertas cosas, personas o grupos, que pueden afectar a la recogida e interpretación de los datos, al diseño de un sistema y a las interacciones con él (sesgo de automatización, de confirmación, etc.). La segunda: un error sistemático introducido por un procedimiento de muestreo o de notificación (sesgo de selección, de cobertura, de no respuesta, etc.).

No confundir con el término de sesgo (ordenada en el origen) de un modelo, ni con el sesgo de predicción.

Fuente Google, glosario de ML (fundamentos)

Véase también en el glosario: Sesgo de supervivencia

Según la documentación de Anthropic, capacidad modular que amplía las funciones de Claude. Cada skill agrupa instrucciones, metadatos y, opcionalmente, recursos (scripts, plantillas) que Claude utiliza automáticamente cuando es pertinente. A diferencia de un prompt, instrucción de una conversación para una tarea puntual, un skill se carga bajo demanda y evita repetir las mismas consignas de una conversación a otra. Cuando se activa un skill, Claude lee su archivo SKILL.md, cuyas instrucciones entran entonces en la ventana de contexto; los scripts se ejecutan y solo su resultado entra en el contexto; los demás archivos solo se leen si la tarea lo exige.

Conviene señalar El término y el formato descritos aquí son los de la documentación de Anthropic.

Fuente Anthropic, Agent Skills

El sobreajuste consiste en crear un modelo que se ciñe tan estrechamente a los datos de entrenamiento que no logra predecir correctamente sobre datos nuevos. La regularización y un conjunto de entrenamiento grande y variado lo reducen. La generalización es la capacidad de un modelo para predecir correctamente sobre datos nuevos nunca vistos: es lo opuesto al sobreajuste. Una curva de generalización, que traza la pérdida de entrenamiento y la pérdida de validación, señala un sobreajuste cuando la segunda pasa a ser claramente más alta que la primera.

Fuente Google, glosario de ML (fundamentos)

Según Google, hiperparámetro que controla el grado de aleatoriedad de la salida de un modelo: una temperatura alta da una salida más aleatoria y una baja, una salida menos aleatoria. La mejor elección depende de la aplicación. Anthropic la describe igualmente como el parámetro que controla la aleatoriedad de las predicciones del modelo durante la generación de texto.

Fuentes Google, glosario de IA generativa ; Anthropic, glosario

Según Anthropic, el texto enviado al modelo (una secuencia de caracteres) se codifica en una secuencia de tokens que el modelo procesa. Tokens más grandes mejoran la eficiencia en el preentrenamiento y en la inferencia; tokens más pequeños permiten manejar palabras raras o nunca vistas.

Fuente Anthropic, glosario

Según la documentación de Anthropic, mecanismo que permite a Claude llamar a funciones que uno define o que proporciona Anthropic. Claude determina cuándo llamar a una herramienta según la petición del usuario y la descripción de la herramienta, y devuelve entonces una llamada estructurada que ejecuta la aplicación (herramientas de cliente) o Anthropic (herramientas de servidor).

Fuente Anthropic, Tool use with Claude

Según Google, acto de pedir a un modelo de IA generativa que cree un software: los prompts describen el objetivo y las funciones del software, que el modelo traduce en código fuente. El código no siempre se corresponde con las intenciones, de ahí las iteraciones. El término se acuñó para designar una nueva clase de programación en la que uno se deja llevar por las «vibes». Implicaba en origen un enfoque deliberadamente laxo, en el que incluso podía no examinarse el código generado; ha pasado a designar cualquier forma de programación generada por IA. Google distingue el «conversational coding» (diálogo iterativo con el modelo, sentido original del término) del «specificational coding» (escribir y mantener un archivo de descripción del software en lenguaje humano, que el modelo o un ingeniero transforma en software).

Fuente Google, glosario de IA generativa

Según la documentación de AWS, servicio que permite aprovisionar una sección lógicamente aislada de la nube de AWS, en la que se lanzan recursos dentro de una red virtual que uno define.

Fuente AWS, Virtual Private Cloud

Según Anthropic, un workflow es un sistema en el que LLM y herramientas se orquestan mediante caminos de código predefinidos, mientras que en un agente el LLM dirige dinámicamente su propio proceso y su uso de herramientas. Los workflows ofrecen previsibilidad y coherencia en tareas bien definidas; los agentes convienen cuando la flexibilidad y la decisión guiada por el modelo son necesarias a gran escala. Anthropic recomienda buscar la solución más sencilla y añadir complejidad solo si es necesario, lo que puede significar no construir un sistema agéntico. Google define el agentic workflow como un proceso dinámico en el que un agente planifica y ejecuta de forma autónoma acciones para alcanzar un objetivo, con eventual razonamiento, llamada a herramientas externas y autocorrección.

Fuentes Anthropic, Building effective agents ; Google, glosario de IA generativa