12 hojas de trucos de MCP, RAG y agentes para ingenieros de IA (con imágenes):

1️⃣ Llamada a funciones y MCP para LLMs Antes de que los MCP se hicieran populares, los flujos de trabajo de IA se basaban en la llamada de funciones tradicional para acceder a las herramientas. Ahora, MCP lo está estandarizando para agentes / LLM. La imagen cubre cómo funcionan la llamada a funciones y MCP bajo el capó. Revisa el hilo a continuación 👇

2️⃣ 4 etapas de entrenamiento de LLM desde cero Esta imagen cubre las 4 etapas de la construcción de LLM desde cero para que sean aplicables en la práctica. - Pre-entrenamiento - Ajuste fino de instrucciones - Ajuste fino de preferencias - Ajuste fino del razonamiento Aquí está mi hilo detallado al respecto 👇

3️⃣ 3 Técnicas de incitación para el razonamiento en LLM Esto cubre tres técnicas populares de indicaciones que ayudan a los LLM a pensar con más claridad antes de responder. - Cadena de pensamiento (CoT) - Autoconsistencia (o votación mayoritaria sobre CoT) - Árbol de pensamientos (ToT) Lea mi hilo detallado al respecto a continuación 👇

4️⃣ Entrenar LLM usando otros LLM Los LLM no solo aprenden del texto sin procesar; también aprenden unos de otros. - Llama 4 Scout y Maverick fueron entrenados usando Llama 4 Behemoth. - Gemma 2 y 3 fueron entrenados usando Gemini. La imagen explica 3 técnicas populares. Lea el hilo a continuación 👇

5️⃣ Ajuste fino supervisado y de refuerzo en LLM Esta imagen cubre la diferencia entre el ajuste fino supervisado y el ajuste fino de refuerzo. RFT le permite transformar cualquier LLM de código abierto en una potencia de razonamiento sin ningún dato etiquetado. Lea el hilo a continuación 👇

6️⃣ Transformador vs. Mezcla de expertos en LLM Mezcla de expertos (MoE) es una arquitectura popular que utiliza diferentes "expertos" para mejorar los modelos de transformadores. La siguiente imagen explica en qué se diferencian de los Transformers. Aquí está mi hilo detallado al respecto👇

7️⃣ RAG vs RAG Agentic Naive RAG recupera una vez y genera una vez, no puede buscar dinámicamente más información y no puede razonar a través de consultas complejas. El RAG agéntico resuelve esto. Consulte mi hilo explicativo detallado sobre esto👇

8️⃣ 5 patrones de diseño populares de IA agencial ¡Los comportamientos agénticos permiten a los LLM refinar su producción al incorporar la autoevaluación, la planificación y la colaboración! Esta imagen muestra los 5 patrones de diseño populares para crear agentes de IA. Consulta mi hilo 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.