Aprende IA desde Cero: Guía Completa de LLMs
Esto no es un curso. No es un blog. No hay opiniones ni marketing.
Aquí se explica cómo funcionan los modelos de lenguaje por dentro. Con datos reales, fuentes verificables, y código que puedes ejecutar tú mismo. Si algo no se puede demostrar, no está aquí.
Cada concepto tiene su guía completa. Empiezan con los fundamentos y después la explicación técnica para que encaje.
Cómo Funciona la IA por Dentro
Sección titulada «Cómo Funciona la IA por Dentro»Un modelo de lenguaje predice la siguiente palabra. No piensa, no busca, no verifica. Calcula probabilidades sobre tokens. Esta guía recorre todo el proceso de principio a fin.
Qué es la Tokenización
Sección titulada «Qué es la Tokenización»Los modelos no leen texto. Leen números. Tu texto se parte en trozos llamados tokens y cada trozo se convierte en un número. Esto determina cómo el modelo ve todo lo que le escribes.
Qué es un Embedding
Sección titulada «Qué es un Embedding»Después de la tokenización, cada token se convierte en un vector de números que representa su significado. Palabras con usos parecidos acaban con vectores cercanos. Es la forma en que el modelo convierte el lenguaje en algo con lo que puede calcular.
Qué es un LLM
Sección titulada «Qué es un LLM»Un programa basado en la arquitectura Transformer que predice el siguiente token usando atención y redes neuronales. Sin recurrencia, sin reglas escritas a mano. Solo patrones estadísticos aprendidos de billones de tokens.
Qué es el Mecanismo de Atención
Sección titulada «Qué es el Mecanismo de Atención»El corazón del Transformer. Permite que cada token mire a todos los demás de la secuencia para captar el contexto, mediante query, key y value. Es lo que resuelve a qué se refiere cada palabra según las que la rodean.
Qué son los Logits
Sección titulada «Qué son los Logits»Los números brutos que el modelo asigna a cada token posible antes de decidir cuál viene después. Pueden ser positivos o negativos. No son probabilidades. Son puntuaciones sin procesar.
Qué es Softmax
Sección titulada «Qué es Softmax»Una función matemática que convierte los logits en probabilidades que suman 1. Es lo que permite al modelo elegir un token. Se calcula con una exponencial y una división.
Qué es la Temperatura
Sección titulada «Qué es la Temperatura»Un número que se usa para controlar cuánto riesgo toma el modelo al elegir la siguiente palabra. Se divide entre los logits antes de softmax. Más baja, más predecible. Más alta, más variada.
Qué es el Sampling
Sección titulada «Qué es el Sampling»El último paso antes de que veas una palabra en pantalla. El modelo tiene probabilidades para cada token y tiene que elegir uno. Puede elegir siempre el más probable, o usar filtros como top-p y top-k.
Cómo Funciona la Predicción de Tokens
Sección titulada «Cómo Funciona la Predicción de Tokens»Un LLM genera texto de uno en uno. Predice un token, lo añade a la secuencia, y repite. Esto se llama generación autoregresiva. No hay planificación. Solo predicción del siguiente paso.
Qué es el Context Window
Sección titulada «Qué es el Context Window»La ventana de contexto es la cantidad máxima de texto que el modelo puede tener en cuenta. Todo lo que está fuera de la ventana no existe para el modelo. Se mide en tokens y tiene implicaciones directas en la calidad de las respuestas.
Por Qué la IA Inventa Cosas
Sección titulada «Por Qué la IA Inventa Cosas»Los LLM alucinan. Generan texto falso que suena perfecto. Esto ocurre porque el mecanismo premia la fluidez, no la verdad. Hay demostración matemática de que no se puede eliminar del todo.
Un LLM No Piensa
Sección titulada «Un LLM No Piensa»No entiende, no siente, no quiere. Calcula el siguiente token más probable. Parece inteligente porque los textos de entrenamiento fueron escritos por personas inteligentes. La fluidez no es comprensión.
Cómo Escribir Prompts que Funcionen
Sección titulada «Cómo Escribir Prompts que Funcionen»Un prompt no es una pregunta. Es el contexto estadístico que determina los tokens de salida. Aquí se explica qué funciona, qué no funciona, y por qué, desde la mecánica interna del modelo.
Qué es un Agente de IA
Sección titulada «Qué es un Agente de IA»Un agente combina un LLM, un arnés de instrucciones y un conjunto de herramientas dentro de un bucle iterativo. El modelo decide qué hacer en cada paso. Aquí se explica el ciclo ReAct, los componentes internos, los niveles de autonomía y los modos de fallo documentados.
Qué es RAG
Sección titulada «Qué es RAG»RAG combina la memoria paramétrica del modelo con una base de documentos externa que se consulta antes de generar la respuesta. Aquí se explica el retrieval, el chunking, los embeddings, la recuperación por vecindad y por qué RAG no elimina las alucinaciones.
Qué es la Ingeniería de Contexto
Sección titulada «Qué es la Ingeniería de Contexto»La ingeniería de contexto es la arquitectura que decide qué información entra en la ventana del modelo en cada llamada. Aquí se explica la compactación, la memoria externa, la recuperación bajo demanda y el problema Lost in the Middle.
Cómo se Entrena una IA
Sección titulada «Cómo se Entrena una IA»Un modelo no se programa, se entrena. Aprende ajustando sus parámetros para predecir el siguiente token sobre enormes cantidades de texto, mediante descenso de gradiente. Aquí se explican la tarea de entrenamiento, qué son los parámetros y las leyes de escala.
Qué es el Fine-Tuning
Sección titulada «Qué es el Fine-Tuning»Adaptar un modelo ya entrenado a una tarea, un dominio o un estilo concretos con entrenamiento adicional. Aquí se explican el fine-tuning completo, los métodos eficientes como LoRA y en qué se diferencia de RAG.
Qué es RLHF
Sección titulada «Qué es RLHF»El aprendizaje por refuerzo con feedback humano alinea un modelo con lo que las personas consideran una buena respuesta. Aquí se explican los tres pasos, qué consigue y qué límites tiene, además de alternativas como DPO y Constitutional AI.
Guías prácticas para aplicar todo esto
Sección titulada «Guías prácticas para aplicar todo esto»Una vez entendida la mecánica interna, estas guías llevan los conceptos al uso real. Cada una parte de una situación cotidiana y termina con criterios accionables.
La fórmula del prompt perfecto
Sección titulada «La fórmula del prompt perfecto»Rol, contexto, tarea y formato: la estructura que convierte una instrucción vaga en resultados de nivel experto.
Por qué la IA miente: guía sobre alucinaciones
Sección titulada «Por qué la IA miente: guía sobre alucinaciones»Cuándo confabula, cómo detectarlo y qué técnicas reales reducen los errores factuales sin eliminarlos.
Temperatura en IA: creatividad y precisión
Sección titulada «Temperatura en IA: creatividad y precisión»Cómo el parámetro temperatura mueve el equilibrio entre respuestas seguras y respuestas creativas.
Agentes de IA: autonomía, acción y control humano
Sección titulada «Agentes de IA: autonomía, acción y control humano»Qué es un agente, qué herramientas utiliza, dónde falla y por qué necesita supervisión estratégica del usuario.
Guía sobre RAG: inteligencia artificial con consulta de fuentes
Sección titulada «Guía sobre RAG: inteligencia artificial con consulta de fuentes»Cómo la IA recupera documentos externos antes de responder, sus ventajas reales y sus límites de fiabilidad.
Ingeniería de contexto: cómo simula la memoria la IA
Sección titulada «Ingeniería de contexto: cómo simula la memoria la IA»Por qué la IA parece recordar, cómo la aplicación guarda y recupera la información, y por qué la continuidad puede fallar.
Qué pasa en la práctica
Sección titulada «Qué pasa en la práctica»- Entender cómo funciona el modelo ayuda a tener expectativas realistas.
- Saber sus límites evita frustraciones y errores costosos.
- Distinguir lo que hace bien de lo que hace mal permite aprovecharlo mejor.
Error común
Sección titulada «Error común»Pensar que el modelo busca en internet cuando responde. No lo hace. Solo usa patrones estadísticos aprendidos durante el entrenamiento.
Todas las guías están interconectadas. Cada concepto enlaza a los que necesita. El orden recomendado es el que ves arriba: de lo más básico a lo más aplicado.