Adquiriendo señal…
Adquiriendo señal…
Lección 3 de 10· Inteligencia artificial
0 de 10 lecciones · 0 %
Todo lo que el modelo "sabe" en un instante dado cabe en su ventana de contexto: instrucciones del sistema, definiciones de herramientas, historial de la conversación, resultados de tools y documentos inyectados. Es un recurso finito, se paga en cada llamada y compite consigo mismo — cada token de catálogo es un token menos de trabajo. Tratarla como un almacén ("le meto todo por si acaso") produce agentes caros, lentos y, contra la intuición, menos precisos: la información relevante se diluye entre ruido.
Retomamos el agente de la lección 1: ventana tokens, reserva de salida , luego entrada útil . Su contexto fijo se compone así:
| Componente | Tokens |
|---|---|
| Instrucciones del sistema y políticas | 1 200 |
| 12 definiciones de herramientas () | 2 160 |
| Historial de la sesión | 6 400 |
| 8 fragmentos recuperados () | 5 600 |
| Total ocupado | 15 360 |
Queda entonces tokens para el trabajo del lazo. A tokens por iteración:
Ahora observa la sensibilidad: si en lugar de 8 fragmentos inyectas 40, el bloque recuperado pasa de a tokens, el espacio de trabajo cae a y las iteraciones a . Has perdido 12 iteraciones — más del 20 % de la capacidad de razonamiento del agente — a cambio de 32 fragmentos que probablemente nadie leerá. Recuperar más no es recuperar mejor.
La confusión entre las tres produce dos patologías simétricas: agentes con amnesia, que vuelven a preguntar lo que ya se les dijo; y agentes con memoria hipertrofiada, que arrastran contexto irrelevante de hace tres semanas y lo tratan como vigente.
La recuperación aumentada de generación (RAG, retrieval-augmented generation) es el mecanismo estándar para llevar conocimiento externo al contexto. El curso de Inteligencia Artificial cubre la parte de vectores y similitud; aquí nos interesa solo el flujo operativo:
Un manual de operación de palabras se trocea en fragmentos de palabras con solape . El paso efectivo entre fragmentos es palabras, así que:
Comprobación: el fragmento 105 empieza en la palabra y cubre hasta la , es decir, más allá del final del documento. Con 104 fragmentos el último terminaría en y quedarían 300 palabras sin indexar. El solape cuesta: se almacenan palabras para un documento de , un 25 % de redundancia que se paga para no partir ideas por la mitad.
Grounding es anclar la respuesta del modelo en material verificable presente en el contexto, en lugar de en sus parámetros. Un agente de operaciones que afirma "el rotor se calibró el martes" debe poder señalar de dónde salió esa afirmación: de un registro que se le inyectó, no de su intuición estadística.
La implementación práctica es la traza de grounding, el patrón que usamos en el copiloto de lab-suite: junto a la respuesta, el sistema expone qué se inyectó, de qué fuente, cuánto pesó en tokens y qué fragmento respalda cada afirmación. Su valor es doble. Para el usuario, convierte una respuesta opaca en una auditable. Para el ingeniero, hace depurable el fallo: cuando el copiloto se equivoca, la traza dice inmediatamente si el error fue de recuperación (no se le dio el dato) o de razonamiento (se le dio y lo interpretó mal). Sin traza, ambos fallos se ven idénticos desde fuera y se "arreglan" tocando el prompt al azar.
Un LLM optimiza la plausibilidad de la continuación, no su veracidad. La alucinación no es un defecto que se elimina con un parche: es el modo de fallo natural del mecanismo cuando falta el dato. Por eso las mitigaciones que funcionan son arquitectónicas, no de redacción:
ver_pases y lo comprueba. Ejecutar la acción y comprobar el efecto son dos cosas distintas.En el gemelo digital ATP-DT el copiloto vive con dos mundos de contexto: el del clúster (documentación de arquitectura, ADRs, catálogos públicos) y el de la organización (datos de operación, identidades, configuraciones). El diseño obliga a declarar, para cada fuente, de qué lado de la frontera está, y prohíbe que material del lado privado se filtre a respuestas del lado público. La regla no se cumple con buenas intenciones en el prompt: se cumple filtrando en la capa de recuperación, antes de que el fragmento llegue al contexto. Lo que nunca se inyecta no puede filtrarse.
Comprueba el criterio de mitigación:
Un copiloto de operaciones afirma que un pase se programó, pero no se programó. ¿Cuál es la mitigación correcta?
El laboratorio reproduce el presupuesto del ejemplo resuelto y el troceo del manual. En el escenario «Agente de la lección» mueve el deslizador Fragmentos inyectados k de 8 a 40: la barra de la ventana se llena de material recuperado y las iteraciones caen de 56 a 44, aunque el recall ya era del 100 % con . Carga «Troceo sin solape» y mira la vista de puntuaciones: tres de los cuatro hechos quedan partidos entre dos fragmentos (puntos ámbar) y el recall no pasa del 25 % por mucho que subas ; devuelve el solape a 100 palabras y el techo vuelve al 100 %. Comprueba también que el número de fragmentos del troceo real coincide con al mover y .
Con el contexto bajo control, la siguiente pregunta es de plomería: cómo conectar un agente a media docena de sistemas sin escribir media docena de integraciones a medida. Esa es la lección 4.
Cierre de la lección
Sigue el recorrido de la lección paso a paso.
Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «IA Agéntica: Agentes que Operan Sistemas Reales».