12 hojas de trucos de MCP, RAG y Agentes para ingenieros de IA (con visuales):

1️⃣ Llamadas a funciones y MCP para LLMs Antes de que los MCP se hicieran populares, los flujos de trabajo de IA dependían de las llamadas a funciones tradicionales para acceder a herramientas. Ahora, el MCP está estandarizándolo para Agentes/LLMs. La visualización cubre cómo funcionan las llamadas a funciones y el MCP bajo el capó. Consulta el hilo a continuación 👇

2️⃣ 4 etapas de entrenamiento de LLMs desde cero Esta visual cubre las 4 etapas de construcción de LLMs desde cero para hacerlos prácticamente aplicables. - Pre-entrenamiento - Ajuste fino de instrucciones - Ajuste fino de preferencias - Ajuste fino de razonamiento Aquí está mi hilo detallado al respecto 👇

3️⃣ 3 Técnicas de Inducción para el Razonamiento en LLMs Esto cubre tres técnicas de inducción populares que ayudan a los LLMs a pensar más claramente antes de responder. - Cadena de Pensamiento (CoT) - Auto-Consistencia (o Votación Mayoritaria sobre CoT) - Árbol de Pensamientos (ToT) Lee mi hilo detallado sobre esto a continuación 👇

4️⃣ Entrenar LLMs utilizando otros LLMs Los LLMs no solo aprenden de texto en bruto; también aprenden unos de otros. - Llama 4 Scout y Maverick fueron entrenados utilizando Llama 4 Behemoth. - Gemma 2 y 3 fueron entrenados utilizando Gemini. La visual explica 3 técnicas populares. Lee el hilo a continuación 👇

5️⃣ Ajuste fino supervisado y por refuerzo en LLMs Esta visualización cubre la diferencia entre el ajuste fino supervisado y el ajuste fino por refuerzo. El ajuste fino por refuerzo (RFT) te permite transformar cualquier LLM de código abierto en una potencia de razonamiento sin necesidad de datos etiquetados. Lee el hilo a continuación 👇

6️⃣ Transformador vs. Mezcla de Expertos en LLMs La Mezcla de Expertos (MoE) es una arquitectura popular que utiliza diferentes "expertos" para mejorar los modelos de Transformador. La visualización a continuación explica cómo se diferencian de los Transformadores. Aquí está mi hilo detallado sobre ello👇

7️⃣ RAG vs RAG Agente El RAG ingenuo recupera una vez y genera una vez, no puede buscar dinámicamente más información y no puede razonar a través de consultas complejas. El RAG agente resuelve esto. Consulta mi hilo explicativo detallado sobre esto👇

8️⃣ 5 patrones de diseño populares de IA Agente Los comportamientos agentes permiten a los LLMs refinar su salida al incorporar autoevaluación, planificación y colaboración. Esta visualización representa los 5 patrones de diseño populares para construir agentes de IA. Consulta mi hilo sobre esto para más información👇

9️⃣ 5 niveles de sistemas de IA Agentic Los sistemas agénticos no solo generan texto; toman decisiones, llaman a funciones e incluso ejecutan flujos de trabajo autónomos. La imagen explica 5 niveles de agencia de IA. He enlazado mi hilo👇 explicativo detallado

🔟 RAG tradicional vs HyDE Las preguntas no son semánticamente similares a las respuestas, por lo que el sistema puede recuperar un contexto irrelevante. En HyDE, primero genere una respuesta hipotética (H) para consultar. Luego, use (H) para recuperar el contexto relevante (C). Escribí un hilo detallado al respecto👇

1️1️⃣ ⃣ RAG vs RAG de gráficos Responder preguntas que necesitan un contexto global es difícil con el RAG tradicional, ya que solo recupera los k fragmentos relevantes. Graph RAG hace que RAG sea más robusto con estructuras de gráficos. Consulta mi hilo detallado a continuación👇

1️2️⃣ ⃣ Almacenamiento en caché KV El almacenamiento en caché de KV es una técnica utilizada para acelerar la inferencia de LLM. He vinculado mi hilo detallado a continuación👇

That's a wrap! If you found it insightful, reshare it with your network. Find me → @_avichawla Every day, I share tutorials and insights on DS, ML, LLMs, and RAGs.