Artículos on 2389 Research, Inc

De volcado mental a entrada de blog

Wed, 12 Mar 2025 09:00:00 -0500

Cómo aprovechar los modelos de lenguaje (LLM) para documentar lo que aprendes

En el vertiginoso mundo del desarrollo de software, las soluciones innovadoras y las buenas prácticas suelen quedar sepultadas entre notas sueltas, commits apresurados y sesiones improvisadas de resolución de problemas (ad hoc).

Como muchos desarrolladores, me ha costado capturar todo mi proceso de resolución de problemas, desde la fase inicial de brainstorming (lluvia de ideas) hasta la solución final. Pero descubrí algo transformador: al aprovechar los grandes modelos de lenguaje —los LLM— a lo largo del desarrollo, no solo puedo crear sistemas sólidos, sino también convertir mis ideas en bruto en documentación clara y completa.

Experimentando con GraphRAG: Integración de grafos de conocimiento en canalizaciones RAG

Thu, 06 Mar 2025 09:00:00 -0500

Recientemente, mi equipo y yo hemos estado experimentando con la implementación de distintos aspectos de los pipelines GraphRAG y LazyGraphRAG de Microsoft. Estos enfoques ofrecen soluciones atractivas a algunas de las limitaciones de los sistemas de Generación Aumentada con Recuperación (RAG), sobre todo cuando las consultas requieren una comprensión de alto nivel de un corpus en lugar de limitarse a recuperar datos concretos.

El desafío de RAG

Un colega lo expresó bien: los modelos de lenguaje de gran tamaño (LLMs) son excelentes para el conocimiento general y las tareas de generación de lenguaje, pero carecen de conocimiento contextual sobre dominios específicos. Una de las principales vías para mitigar este problema es mediante técnicas como RAG, en las que se emplea búsqueda semántica u otros métodos afines para recuperar información relevante que ayude a responder la consulta.

Agentes LLM de Autoaprendizaje: un enfoque fractal para el conocimiento específico de dominio

Wed, 08 Jan 2025 09:00:00 -0500

TEXTO EN ESPAÑOL MEJORADO

Durante su entrenamiento, los LLM adquieren una sólida comprensión del lenguaje; sin embargo, están limitados por un punto de corte temporal fijo en cuanto a conocimientos. Además, se optimizan para rendir de forma general en múltiples dominios, lo que los hace versátiles y amplios, aunque no siempre profundos.

De forma predeterminada, suelen producir respuestas genéricas e información superficial. Muy pronto se popularizó el paradigma de dejar que los LLM se ocupen del lenguaje y la semántica, mientras que mecanismos separados aportan el conocimiento especializado. El modo predominante de inyectar ese conocimiento es la Generación Aumentada con Recuperación (RAG, del inglés Retrieval-Augmented Generation), en la que el saber de dominio se almacena como vectores y se consulta mediante técnicas de búsqueda estándar.

El Espíritu de Equipo Importa: Cómo el Contexto Colaborativo Potencia el Rendimiento de los LLM Multiagente

Sun, 05 Jan 2025 09:00:00 -0500

Los agentes se están convirtiendo cada vez más en parte esencial de nuestra vida diaria, resolviendo tareas grandes y pequeñas. Una de nuestras hipótesis centrales es que pronto pasaremos de usar agentes únicos y monolíticos a sistemas compuestos por cientos o incluso miles de agentes especializados. Imagina que publicas una pregunta en Slack y que, de forma fluida, humanos y agentes de IA colaboren para resolver problemas.

La idea fundamental es que los agentes deben adaptarse a nosotros, utilizando los paradigmas de comunicación con los que nos sentimos cómodos—chats grupales, hilos de Slack, canales de Discord. Estos entornos facilitan de manera natural la diversidad de puntos de vista y la resolución colectiva de problemas, así que ¿por qué no aprovecharlos también para la colaboración entre agentes?