Inferencia más rápida de LLM sin pérdida de calidad: una guía práctica
Un modelo de 70B genera un token por pasada hacia adelante (forward pass), y cada pasada recarga los pesos desde la VRAM, calcula la atención a través del contexto y sincroniza la memoria. Entre tokens, la GPU se queda inactiva mientras espera a que se resuelvan las dependencias secuenciales.
«La especificación como fuente de verdad, no como un documento secundario».
El Desarrollo Guiado por Especificaciones (Spec-Driven Development) es una de esas ideas a la que los ingenieros de software han recurrido antes y luego han dejado de lado cuando el esfuerzo dejó de ser rentable.
¿Las especificaciones como fuente de verdad o una ceremonia lenta?
El Desarrollo Basado en Especificaciones (Spec-Driven Development) llegó al 2026 como la respuesta seria de los desarrolladores al “deriva” del vibe coding.
El A2A no está muerto. Solo no es universal.
El protocolo Agent2Agent de Google, habitualmente abreviado como A2A, tuvo un primer año extraño.
Patrones de polling confiables para agentes de IA.
Los agentes de sondeo (polling agents) son una de las partes menos glamurosas de la arquitectura de asistentes de IA, pero también son una de las más útiles.
A2A convierte a los agentes en pares de red.
El Protocolo A2A, siglas de Agent2Agent Protocol (Protocolo de Agente a Agente), es un estándar abierto para la comunicación entre sistemas de agentes de IA independientes.
MCP proporciona herramientas a los agentes. A2A les da pares.
La arquitectura de agentes de IA está comenzando a dividirse en dos capas.
Elija el patrón más simple que funcione.
Los sistemas de un solo modelo son simples. Los sistemas de múltiples modelos son potentes. El desafío no consiste en elegir modelos, sino en diseñar la arquitectura que los orqueste.
«El modelo adecuado para la tarea adecuada».
Ejecutar un modelo de 70 mil millones de parámetros para resumir un correo electrónico de 200 palabras es un desperdicio. Ejecutar un modelo de 3 mil millones de parámetros para revisar código en producción es imprudente. La mayoría de los sistemas se encuentran en algún punto intermedio, y ahí es donde entra la enrutación de modelos.
Controla el riesgo, no solo el modelo.
Los LLMs son impredecibles. Hallucinan, filtran datos, generan contenido dañino o rechazan solicitudes legítimas. Los guardrails (mecanismos de contención) limitan el comportamiento del modelo sin sacrificar capacidad.
Gasta tokens donde realmente importan.
Los costos de los LLM escalan de forma lineal con el uso. Un sistema que procesa 10.000 solicitudes al día a $0,01 por solicitud cuesta $100 diarios — $365 al año. A escala empresarial, eso supera los $10.000.
Memoria de trabajo, estructurada y de recuperación para asistentes.
La memoria transforma a los asistentes de reactivos a persistentes, pero también es donde muchos sistemas se deterioran silenciosamente. Las encuestas argumentan que la división entre memoria a corto y largo plazo ya no es suficiente para la memoria de los agentes modernos; los SDK de OpenAI y LangGraph apuntan a una arquitectura más simple: memoria de trabajo, estado duradero y recuperación.
Cómo se construyen realmente los asistentes serios.
Un asistente de IA de producción no es simplemente “un LLM con un prompt”. Es un sistema que acepta intenciones, mantiene el estado, decide cuándo recuperar información o actuar, y expone suficiente detalle en tiempo de ejecución para depurar fallos.
La IA transforma la gestión del conocimiento, no su propósito.
La IA no está reemplazando la gestión del conocimiento; está cambiando su forma tanto para individuos como para equipos.
¿Estrellas, tokens, descargas… quién gana realmente?
Los marcos de agentes de IA de código abierto están experimentando una explosión de popularidad en GitHub. Dos proyectos en el centro del ecosistema de sistemas de IA autoalojados — OpenClaw y Hermes Agent — se han adelantado tanto que el resto del campo compite por un distante tercer lugar.
