🟠 Tu Ejército de Asistentes IA (parte 2): Agentic Context Engineering
Por qué tu IA sigue cometiendo los mismos errores (y el método de Stanford para solucionarlo) - Ingeniería de Contexto de Agentes
📝 Esta es la 2ª parte - nivel avanzado - del artículo anterior: Crea tu ejército de Asistentes IA
Hay que ser muy friki para tener “papers“ favoritos.
Y para desgracia de los queridos lectores de esta newsletter…
Yo lo soy!
Así que si pensabas que habías abierto substack para divertirte y te has encontrado con esto, lo siento pero:
Uno. Esto no es el puto Hormiguero (Si no lo conoces imagínate el equivalente televisivo en diversión a darle zanahorias a un burro para que siga andando en círculos)
y dos: por favor… no te des-sus-cribas 🙏 prometo que vendrán días mejores, y post más “divertidos” 😁 te lo juro!
Vale, si todavía no has:
→ Cerrado la pestaña
→ Borrado tu cuenta de substack
→ Formateado el disco duro
→ Tirado el portátil por la ventana
→ Quemado los pedacitos que han quedado estampados en el suelo
→ Y empezado a pensar seriamente, cómo cojones has acabado en esta secta!
Si todavía no has hecho nada de lo anterior y sigues aquí: esto es lo que te prometo que puedes lograr con tus Asistentes IA y con las técnicas del Agentic Context Engineering:
Superar el rendimiento del Fine-Tuning: ACE logra un rendimiento superior sin modificar los pesos del modelo. Mejora absoluta de +17.1% (aprox. 40% relativo).
Reducción de costes y latencia: Consigue una reducción del 82% al 92% en la latencia de adaptación y un ahorro del 75% al 84% en el coste de tokens.
Solución al “Colapso del Contexto” (Context Collapse): El paper critica los optimizadores actuales (como DSPy o OPRO) por sufrir de “sesgo de brevedad” (resumir demasiado y perder detalles). ACE mantiene un “Playbook” persistente que acumula estrategias y correcciones detalladas sin comprimirlas destructivamente, lo cual es crítico para tareas de razonamiento complejas como las financieras o de codificación.
Eficacia sin supervisión humana: El sistema mejora utilizando únicamente la retroalimentación de la ejecución (si el código funcionó o falló), sin necesidad de datos etiquetados manualmente. En tareas de dominio específico como finanzas (FiNER), esto generó una mejora media del +8.6% en los resultados.
Hola soy Alex dc. y todas las semanas te cuento cómo aprovechar la IA para mejorar tu negocio, de forma directa y práctica sin perderte en el ruido de novedades infinitas de la Inteligencia Artificial.
Antes que nada un saludo 👋 a los 397 nuevos miembros 👨🚀 desde la última publicación. Ya somos más de +10.000 - Puedes suscribirte gratis aquí 👈
Uno de los grandes problemas de los LLM actuales
Tu IA te está haciendo perder el tiempo.
Cada conversación empieza de cero. Le explicas lo mismo 47 veces. Comete el mismo error que corregiste ayer. Y anteayer. Y la semana pasada.
Corriges → Olvida → Repites → Corriges → Olvida...
El loop infinito de la frustración.
¿Y lo peor?
Frustración. Tiempo perdido. La sensación de que “esto de la IA no es para tanto”.
Pero el problema no es la IA.
El problema es cómo la estás usando.
▪️ Si quieres sacar el máximo partido posible a la IA considera hacerte 🎩Miembro Super Fundador de la Mafia ▪️
La Trampa del “Contexto Estático”
Hace unas semanas publiqué cómo crear tu ejército de Asistentes IA personalizados.
La respuesta fue brutal. Muchos dejasteis comentarios muy cariñosos y sé que otros tantos montasteis vuestros asistentes, configurando proyectos, gems, subiendo su “Carpeta de Oro” con toda su documentación.
Pero también sé que muchos os encontrasteis con resultados que no esperabais:
“mi asistente sigue olvidando cosas que ya le dije”
“¿Por qué repite los mismos errores de formato?”
Y tienen razón.
Porque un Asistente IA con contexto estático es solo el primer paso.
Es como escribir un manual de empleado cuando en tu empresa erais 10 personas y seguir con ese manual cuando sois 500
Tu negocio evoluciona. Descubres qué funciona y qué no. Tu audiencia cambia.
El verdadero salto no es tener un asistente que te conoce cuando lo creaste.
Es tener un asistente que APRENDE y mejora de cada interacción.
El Paper de Stanford que mejora tu IA y te ahorra miles de tokens, tiempo y dinero
Investigadores de Stanford y SambaNova acaban de publicar algo que puede transformar cómo usas la IA para siempre.
Se llama ACE: Agentic Context Engineering. (paper: Agentic Context Engineering: Evolving Contexts for Self-Improving Language Models)
📍 Los números:
+10.6% mejora en tareas complejas de agentes
+8.6% mejora en razonamiento financiero
86.9% menos tiempo de adaptación
83.6% menos tokens consumidos
Sin fine-tuning. Sin código complejo. Sin gastar miles de euros.
Solo usando el contexto de forma inteligente.
¿La idea central?
Tratar tu contexto como un playbook evolutivo que acumula lo que funciona y descarta lo que no.
Cada vez que corriges a tu IA, esa corrección se convierte en una regla permanente.
No es magia. Es sistema.
Los 3 Problemas que Agentic Context Engineering (ACE) Resuelve
Antes de explicarte la solución, necesitas entender por qué tu asistente actual falla:
1️⃣ Brevity Bias (Sesgo de Brevedad)
Cuando le das contexto largo a un LLM y le pides que lo “resuma” o “mejore”, tiende a comprimir y perder información crítica.
Tu documento de 10 páginas con instrucciones detalladas se convierte en 2 párrafos genéricos.
Es como pedirle a alguien que resuma “Guerra y Paz” en un tweet.
Algo importante se pierde por el camino. Siempre.
2️⃣ Context Collapse (Colapso de Contexto)
Cada vez que reescribes tu prompt de sistema completo, se degrada un poco.
Como fotocopiar una fotocopia 100 veces.
Al principio se ve bien. Después de 20 iteraciones, es ilegible.
Lo mismo pasa con tu contexto. Cada “mejora” que le pides erosiona detalles importantes que habías añadido antes.
En el paper de Stanford documentaron casos dramáticos: un contexto de 18,282 tokens colapsó a solo 122 tokens en una sola reescritura. La precisión cayó de 66.7% a 57.1%. Peor que no haber adaptado nada.
3️⃣ El Fine-tuning no es una buena solución
Fine-tuning es caro y lento.
Un buen proceso de fine-tuning puede llevar semanas y costar miles de €/$.
Fuera del alcance del 99% de emprendedores.
ACE resuelve estos 3 problemas con una regla simple:
Nunca reescribe todo. Solo añade lo que aprende.
La Arquitectura ACE de 3 Roles (Cómo Funciona)
Te presento a ACE.
El sistema ACE tiene tres “personajes” que trabajan en equipo:
┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ GENERATOR │────▶│ REFLECTOR │────▶│ CURATOR │
│ (Ejecuta) │ │ (Analiza) │ │ (Actualiza) │
└─────────────┘ └─────────────┘ └─────────────┘
▲ │
│ ┌──────────────┐ │
└─────────│ PLAYBOOK │◀─────────────┘
│ (Tu base de │
│ conocimiento)│
└──────────────┘
🔵 GENERATOR (El Ejecutor)
Es tu IA haciendo el trabajo. Lee el playbook, ejecuta la tarea, produce un resultado.
Pero además marca qué bullets (reglas) del playbook usó y si fueron útiles o no.
🟡 REFLECTOR (El Analista)
Aquí empieza la magia.
Después de cada tarea (especialmente cuando TÚ corriges algo), el Reflector analiza:
¿Qué funcionó?
¿Qué falló?
¿Por qué falló?
¿Qué regla evitaría este error en el futuro?
Es como tener un coach que revisa cada jugada después del partido.
🟢 CURATOR (El Curador)
Convierte los insights del Reflector en actualizaciones concretas para el playbook:
Añade nuevas reglas (bullets) que funcionan
Incrementa el contador “helpful” de las que ayudan
Incrementa el contador “harmful” de las que confunden
Fusiona o elimina las redundantes
Es el que mantiene tu playbook siempre actualizado y limpio.
El loop es simple:
Ejecutar → Corregir → Analizar → Actualizar → Repetir
Con cada iteración, tu asistente mejora. Automáticamente.
Tu Playbook: El Cerebro Evolutivo de tu IA
El corazón de ACE es el playbook: un documento estructurado que acumula todo lo que funciona.
No es un prompt largo y desordenado.
Es una base de conocimiento organizada por secciones
No necesitas API. No necesitas programar.
Puedes usar ACE manualmente con cualquier LLM: ChatGPT, Claude o Gemini*
*Yo utilizo Claude, así que puede que me refiera a esta IA en el futuro, pero los pasos en ChatGPT, Gemini, Grok, son los mismos.
El truco está en crear un documento “Playbook” estructurado que vive en tu proyecto/gem y se actualiza periódicamente.
Se vería algo así:
Plantilla de Playbook Lista para Usar
Abre un documento de texto (yo uso .md pero .txt funciona igual) y llámalo ACE_Playbook.md.
Este documento vivirá en el “Knowledge” de tu proyecto de ChatGPT, en los archivos de tu Project de Claude, o en el contexto de tu Gem de Gemini.
Copia esto y adáptalo a tu dominio:
# [TU PROYECTO] PLAYBOOK
Versión: 1.0
Última actualización: [FECHA]
Bullets totales: [N]
---
## TASK GUIDANCE (Guías de ejecución)
### B001 | helpful: 0 | harmful: 0
[Tu primera regla de ejecución más importante]
### B002 | helpful: 0 | harmful: 0
[Segunda regla]
---
## ERROR PREVENTION (Prevención de errores)
### E001 | helpful: 0 | harmful: 0
⚠️ NUNCA [error común a evitar]
### E002 | helpful: 0 | harmful: 0
⚠️ EVITAR [otro error]
---
## DOMAIN KNOWLEDGE (Conocimiento del dominio)
### D001 | helpful: 0 | harmful: 0
[Hecho importante que el LLM no sabe por defecto]
---
## FORMATTING (Estándares de formato)
### F001 | helpful: 0 | harmful: 0
[Cómo debe verse el output]
---
## CHANGELOG
- [FECHA]: Creación inicial con N bullets
Pero te lo voy a poner más fácil todavía.
Cómo Implementar ACE en tu IA
Paso 1: Crea tu Playbook Base
Estas son las instrucciones para que crees tu primera versión del ACE_Playbook.md. con Claude (o tu IA)
Usa este prompt para crear tu playbook inicial:
Voy a pedirte que me ayudes a crear un documento ACE_Playbook.md para [DESCRIBE TU CASO DE USO: ej. “escribir newsletters sobre IA”, “analizar contratos legales”, “crear contenido para LinkedIn”].
Este playbook será mi base de conocimiento evolutiva que irás usando y que actualizaremos juntos con el tiempo.
Necesito que me hagas preguntas para entender:
1. ¿Qué tareas específicas realizaré contigo frecuentemente?
2. ¿Qué errores comunes he visto o cometido antes?
3. ¿Qué estándares de formato/estilo necesito?
4. ¿Qué conocimiento específico de mi dominio debería incluir?
5. ¿Qué herramientas o fuentes uso habitualmente?
Hazme las preguntas UNA POR UNA. Cuando tengamos suficiente información, genera el playbook en este formato exacto:
---
# [NOMBRE] ACE PLAYBOOK
Versión: 1.0
Última actualización: [FECHA]
## TASK_GUIDANCE
[Bullets sobre CÓMO ejecutar tareas correctamente]
## ERROR_PREVENTION
[Bullets sobre errores comunes a EVITAR]
## DOMAIN_KNOWLEDGE
[Bullets sobre conocimiento específico que necesitas saber]
## STYLE_FORMAT
[Bullets sobre cómo debe verse el output]
## CHANGELOG
- [FECHA]: Creación inicial
---
Cada bullet debe seguir este formato EXACTO:
### [SECCIÓN]-[NÚMERO]
**helpful:** 0 | **harmful:** 0
[Contenido del bullet - máximo 2-3 oraciones, accionable y específico]
Los contadores helpful/harmful empiezan en 0 y se actualizarán con el uso.
Empecemos. Primera pregunta:
Responde las preguntas honestamente. Cuanto más específico seas, mejor será tu playbook inicial.
Paso 2: La Estructura Real de un Bullet
Según el paper de Stanford, cada “bullet” (regla) en tu playbook debe tener:
ID único → Para referenciarlo después
Contadores helpful/harmful → Track de cuántas veces ayudó vs confundió
Contenido accionable → Una estrategia, concepto, o patrón a evitar
¿Por qué los contadores?
Porque no todas las reglas son iguales. Algunas funcionan el 95% del tiempo. Otras solo en casos específicos. Los contadores te ayudan a:
Identificar tus reglas más valiosas (alto helpful, bajo harmful)
Detectar reglas problemáticas (alto harmful) que debes refinar o eliminar
Priorizar qué incluir cuando el contexto es limitado
Paso 3: Añade el Playbook a tu Proyecto/Gem
En ChatGPT (Projects):
Ve a tu Proyecto
Sube el archivo
ACE_Playbook.mda “Archivos”En las instrucciones del proyecto, añade:
INSTRUCCIÓN CRÍTICA:
Antes de ejecutar cualquier tarea:
1. Consulta el documento ACE_Playbook.md
2. Identifica qué bullets son relevantes para esta tarea
3. Aplica las estrategias de TASK_GUIDANCE
4. Evita los patrones listados en ERROR_PREVENTIONEn Claude (Projects):
Ve a tu Project
Sube el archivo a “Archivos”
En las instrucciones, añade lo mismo
En Gemini (Gems):
Crea o edita tu Gem
Sube el playbook a los “conocimientos”
Añade la instrucción de consultarlo
Paso 4: El Sistema de Actualización (La Clave de Todo)
Aquí está el secreto que hace que ACE funcione.
Cada vez que corrijas a tu IA, usa este prompt para actualizar el playbook:
=== ANÁLISIS ACE ===
TAREA: [Describe brevemente qué le pediste]
TU RESPUESTA: [Pega o resume lo que la IA produjo]
MI CORRECCIÓN: [Explica qué corregiste y por qué]
FEEDBACK: [Opcional: ¿funcionó la versión corregida?]
---
Ahora actúa como el REFLECTOR ACE y analiza:
1. ROOT CAUSE: ¿Por qué falló? ¿Qué asunción incorrecta hizo la IA?
2. PATTERN: ¿Este error es específico de esta tarea o podría repetirse en otras situaciones similares?
3. PREVENTION: ¿Qué regla clara y accionable habría evitado este error?
Después actúa como el CURATOR ACE y genera la actualización:
FORMATO DE ACTUALIZACIÓN:
ACCIÓN: [ADD | MODIFY | DEPRECATE] SECCIÓN: [TASK_GUIDANCE | ERROR_PREVENTION | DOMAIN_KNOWLEDGE | STYLE_FORMAT] ID: [ID nuevo o existente] CONTENIDO: [El bullet nuevo o modificado] RAZÓN: [Por qué este cambio mejora el playbook]
REGLAS ESTRICTAS:
- NO reescribas el playbook completo
- Solo genera el DELTA (cambio incremental)
- Un concepto por bullet
- Bullets concisos (máximo 2-3 oraciones)
- Usa verbos en imperativo: “Incluir...”, “Evitar...”, “Verificar...”🔥🔥🔥 EL TRUCO QUE YO UTILIZO:
Esta es la forma más sencilla en la que utilizar ACE.
A mí me facilita mucho la vida, me ahorra tiempo y me hace tener mejores resultados.
Tengo un Asistente IA (proyecto) para crear mis primeros borradores cada vez que voy a tratar un tema nuevo.
Este es mi proceso:
Utilizo IA para crear borradores sobre los temas que luego escribiré.
Una vez tengo el borrador empiezo a crear el texto final. A veces el resultado final es 80% diferente otras un 40% al borrador de partida.
Le doy a la IA su borrador inicial y mi texto final y le pido que aplique el protocolo ACE para detectar los cambios que realice.
👌 Resultado: Cada texto que escribo es mejor!
Tengo mejores borradores iniciales en los que luego trabajo y acabo creando mejor contenido.
Ejemplo Real: Mi Playbook de Contenido
Para que veas cómo se ve en la práctica, aquí tienes un fragmento de mi propio playbook para mejorar mi estilo de escritura:
# NEWSLETTER WRITING ACE PLAYBOOK
Versión: 2.1
Última actualización: 2025-01-08
## TASK_GUIDANCE
### TG-001
**helpful:** 12 | **harmful:** 0
Empezar siempre con un gancho que genere tensión o curiosidad en los primeros 2 segundos. El lector decide si sigue o hace scroll antes de terminar la primera oración.
### TG-002
**helpful:** 8 | **harmful:** 1
Una idea principal por párrafo. Si hay dos ideas, son dos párrafos. Sin excepciones.
### TG-003
**helpful:** 15 | **harmful:** 2
Cerrar cada sección con un call-to-action específico o una transición que enganche con lo siguiente. No dejar al lector “flotando”.
### TG-004
**helpful:** 6 | **harmful:** 0
Usar la estructura “Problema visible → Problema real → Solución” para posts largos. Funciona mejor que listar beneficios directamente.
## ERROR_PREVENTION
### EP-001
**helpful:** 18 | **harmful:** 0
NUNCA usar adverbios débiles: “muy”, “realmente”, “bastante”, “increíblemente”. Eliminan fuerza del mensaje. Buscar verbos o sustantivos más específicos.
### EP-002
**helpful:** 14 | **harmful:** 1
EVITAR empezar con “En el mundo actual...” o “Hoy en día...” o “En la era de la IA...”. Son clichés que gritan “escrito por IA”.
### EP-003
**helpful:** 9 | **harmful:** 0
NUNCA hacer listas de más de 5 elementos seguidos. Si hay más, agrupar en categorías o eliminar los más débiles.
### EP-004
**helpful:** 7 | **harmful:** 0
EVITAR preguntas retóricas seguidas (más de 2). Cansan al lector y parecen manipulativas.
## DOMAIN_KNOWLEDGE
### DK-001
**helpful:** 5 | **harmful:** 0
Mi audiencia: emprendedores 25-45, tech-curious pero no técnicos, habla hispana, buscan resultados prácticos no teoría.
### DK-002
**helpful:** 4 | **harmful:** 0
Longitud óptima newsletter: 1500-2500 palabras. Menos se siente incompleto, más agota la atención.
### DK-003
**helpful:** 6 | **harmful:** 0
Los martes y miércoles 8-10am hora España tienen mejor engagement históricamente.
## STYLE_FORMAT
### SF-001
**helpful:** 11 | **harmful:** 0
Párrafos cortos online: máximo 4 líneas en pantalla.
### SF-002
**helpful:** 9 | **harmful:** 0
Usar “tú” siempre, nunca “usted”. Tono: amigo experto tomando café, no profesor en universidad.
### SF-003
**helpful:** 7 | **harmful:** 0
Emojis: máximo 3-4 por sección, solo para enfatizar puntos clave (📍🔥💡⭐️). Nunca decorativos.
### SF-004
**helpful:** 5 | **harmful:** 0
Negritas para ideas clave que el lector debería recordar incluso si hace scroll rápido. No más de 2-3 por párrafo.
## CHANGELOG
- 2025-11-08: Añadido EP-004 (preguntas retóricas) tras feedback de lectores
- 2025-11-05: Modificado TG-003, antes era genérico
- 2025-10-02: Añadido DK-003 (timing publicación) basado en analytics
- 2024-09-21: Creación inicial con 12 bullets
Cómo Interpretar los Contadores
Fíjate en los números:
TG-003 tiene 15 helpful (ayudó) pero 2 harmful (perjudicó). Significa que la mayoría de veces ayuda, pero ocasionalmente confunde. En una futura revisión, quizás lo haga más específico.
EP-001 tiene 18 helpful y 0 harmful. Es una regla de oro. La aplico siempre.
El sistema se auto-corrige con datos, no con opiniones.
Cuándo Añadir y Cuándo NO Añadir
✅ AÑADIR un bullet cuando:
El mismo error ocurrió 2+ veces
Una estrategia funcionó en 3+ tareas similares
Descubriste conocimiento no obvio de tu dominio
Feedback externo (usuario, lector, amigo) confirmó un patrón
❌ NO añadir cuando:
Es conocimiento general que cualquier LLM ya tiene
Solo aplica a un caso muy específico y raro
No puedes verificar si realmente funciona
Duplica un concepto existente con otras palabras
🔄 DEPRECAR (dejar de utilizar) cuando:
harmful_count > helpful_countdespués de 10+ usosTu dominio cambió y la estrategia ya no aplica
Se fusionó con otro bullet más completo
El Prompt Nuclear: Actualización Masiva
Si has acumulado muchas correcciones sin actualizar, usa este prompt:
=== ACTUALIZACIÓN MASIVA ACE ===
Aquí están las correcciones que he hecho en las últimas semanas:
CORRECCIÓN 1:
- Tarea: [qué pedí]
- Error: [qué falló]
- Mi corrección: [cómo lo arreglé]
CORRECCIÓN 2:
[mismo formato]
CORRECCIÓN 3:
[mismo formato]
[Añade todas las que tengas]
---
Actúa como REFLECTOR + CURATOR ACE combinado.
1. Analiza TODAS las correcciones buscando patrones comunes
2. Agrupa errores similares en categorías
3. Para cada patrón, genera UN bullet que prevenga TODOS los errores de ese tipo
4. Prioriza bullets que prevengan errores frecuentes sobre errores raros
Genera las actualizaciones en formato delta:
ACCIÓN: ADD SECCIÓN: [sección] ID: [ID] CONTENIDO: [bullet] PATRÓN_CUBIERTO: [qué errores previene]
IMPORTANTE:
- Máximo 5 bullets nuevos por actualización masiva
- Si un patrón requiere más, el bullet no es lo suficientemente general
- Evita duplicar conceptos existentes
PLAYBOOK ACTUAL:
[Pega tu playbook aquí o indica que lo tienes en el proyecto]
El Calendario de Mantenimiento
Frecuencia Acción:
▪️Cada corrección Guardar en una nota las correcciones que haces
▪️Semanal: Revisar bullets con bajo uso—¿siguen siendo relevantes?. Ejecutar el prompt de actualización con las correcciones acumuladas
▪️Mensual: Revisar bullets con bajo uso o alto “harmful”. Fusionar bullets similares, eliminar deprecated
▪️Trimestral Auditoría completa: ¿el playbook mejora resultados reales?
De Asistente Estático a IA que Evoluciona
Si implementaste mi sistema anterior sobre crear tu ejército de Asistentes IA, esto es la evolución natural.
Asistente IA = Contexto estático + Instrucciones fijas
Asistente ACE = Contexto evolutivo + Aprendizaje continuo
La diferencia:
El Agente IA necesita que TÚ actualices manualmente recordando qué cambiar
ACE mejora con cada uso, captura sistemáticamente cada corrección y la convierte en mejora permanente
En 3 meses de uso, tu playbook tendrá 50-100 reglas específicas de TU dominio.
Reglas que ningún prompt genérico de internet tendrá.
Reglas que hacen que tu IA sea irreemplazable.
Esto es el paso intermedio antes de los Agentes IA autónomos*
*si eres técnico y quieres algo más avanzado para entornos de producción o profesionales te recomiendo estos 3 proyecto en github:
La razón por la que esto funciona tan bien es simple:
Estás convirtiendo tu conocimiento tácito en conocimiento explícito.
Cada vez que corriges a tu IA y piensas “obvio, esto no se hace así”, estás revelando una regla que vive en tu cabeza pero nunca habías escrito.
El playbook ACE captura esas reglas.
Y una vez capturadas, tu IA las aplica automáticamente.
Es como clonar partes de tus ideas y pensamientos de tu cerebro en un documento que la IA puede leer.
El Momento de la Verdad
Puedes seguir corrigiendo a tu IA una y otra vez.
O puedes convertir cada corrección en una mejora permanente.
La diferencia no es tecnología.
Es un sistema.
Los 3 prompts que te di arriba funcionan. Los playbooks funcionan. El sistema de Stanford funciona.
El playbook inicial te tomará 30 minutos.
Las actualizaciones semanales, 10 minutos.
En un mes, tendrás una IA que comete 80% menos errores.
No porque sea más inteligente.
Porque finalmente le has dado la oportunidad de aprender.
Acción para esta semana:
Crea tu playbook inicial con el prompt que te di (30 min)
Úsalo durante una semana anotando cada corrección que hagas
El día 7, ejecuta el prompt de actualización masiva
Repite el loop
En 30 días tendrás un asistente que realmente es mejor.
El sistema funciona. Pero necesita que tú hagas tu parte.
❤️ Gracias por leer La Mafia IA.
Si te ha gustado esta edición, házmelo saber, no te olvides de darle al ♡
¿Conoces a alguien a quien le pueda ayudar esta información? → compártelo.
🗞️ Para noticias IA diarias:
La Mafia IA no te bombardea con noticias (que solo añaden ruido y caos).
Si te interesa estar más al día: En mis perfiles en redes te comento las noticias más importantes en tiempo real, me puedes encontrar en:
＠Thread | 𝕏 X.com | 💼 Linkedin o 📒 Notas de Substack.
▪️ Si quieres sacar el máximo partido posible a la IA considera hacerte 🎩Miembro Super Fundador de la Mafia ▪️ 98/100 plazas ya ocupadas.
Precio actual: 135€. Cada nueva plaza el precio sube 5€.
Qué pasará cuando lleguemos a 100 → cerramos la suscripción a fundadores para siempre! 🔒
Extra Bonus:
Para los desarrolladores 🤓: El paper original de Stanford (arXiv:2510.04618) describe un sistema más complejo con embeddings FAISS para de duplicación semántica y rollouts automatizados. Lo que te he dado aquí es una versión simplificada que captura el 80% del valor con el 20% de la complejidad. Si quieres ir más allá, este repositorio de GitHub tiene una implementación completa en Python.
Muy didáctico Alex, gracias por el curro 🤓
Me encanta. Muy útil. Muchas gracias