Glosario de agentes de AI

Las palabras que vas a escuchar en una Session, explicadas sin vueltas. Para cualquier área: no hace falta programar para entender ninguna.

Glosario de la comunidad Frontier. Si falta una palabra o una definición se puede decir mejor, escribinos a frontierargentina@gmail.com y la sumamos.

Lo básico

Modelo (LLM). El programa que lee texto y escribe texto: Claude, GPT, Gemini, Llama y parecidos. Lo que responde depende mucho de lo que le das.
Prompt. Lo que le escribís al modelo: la tarea, el contexto, los ejemplos. Un buen prompt se parece más a un brief que a una pregunta.
Instrucciones de sistema. Las reglas fijas que el modelo recibe antes de cada conversación: qué rol cumple, qué puede hacer y en qué tono responde. En inglés, system prompt.
Token. El pedazo de texto con el que el modelo lee y escribe: a veces una palabra entera, a veces media. Los precios y los límites se cuentan en tokens, no en palabras.
Ventana de contexto. Todo lo que el modelo tiene en cuenta a la vez: instrucciones, conversación, documentos y resultados de herramientas. Lo que no entra, para el modelo no existe.
Alucinación. Cuando el modelo afirma algo falso con la misma seguridad que algo cierto. Baja si le das las fuentes y le pedís que las cite, pero no desaparece: por eso se revisa.

Agente. Un modelo que, además de responder, usa herramientas en un ciclo: decide un paso, lo hace, mira el resultado y decide el siguiente, hasta terminar la tarea.
Herramienta. Una acción que el agente puede hacer fuera del texto: buscar en la web, leer un archivo, consultar una base, mandar un mail. El modelo pide usarla y el sistema la ejecuta. En inglés, tool.
Workflow. Una secuencia de pasos definida de antemano, donde el modelo hace algunas partes. La diferencia con un agente: en el workflow el camino lo decidís vos; en el agente, el modelo. Muchas tareas salen mejor como workflow.
MCP. Model Context Protocol: un estándar abierto para conectar herramientas y datos a un agente. Un conector MCP de tu CRM o tu calendario sirve para cualquier agente que lo soporte.
Skill. Instrucciones y archivos empaquetados para una tarea puntual, que el agente carga solo cuando la necesita. Por ejemplo, Preparar tu demo.
Agente de código. Un agente que trabaja sobre un repositorio: lee el código, lo cambia y corre las pruebas. Claude Code, Codex, Cursor y parecidos.
Subagente. Un agente que otro agente lanza para resolver una parte de la tarea, con su propio contexto, y que le devuelve solo el resultado.
Aprobación humana. El punto en que una persona tiene que decir que sí antes de que el agente haga algo que no se puede deshacer: pagar, borrar, mandar algo afuera. En inglés, human in the loop.

RAG. Buscar los pedazos relevantes de tus documentos y pasárselos al modelo junto con la pregunta, para que responda con tu información y no de memoria.
Embedding. El significado de un texto convertido en números. Sirve para buscar por sentido y no por palabra exacta: está debajo de casi todos los RAG.
Memoria. Lo que un agente guarda entre una conversación y otra (preferencias, decisiones, contexto del proyecto) para no arrancar de cero.
AGENTS.md. Un archivo en la raíz de un repositorio con las reglas del proyecto escritas para agentes de código. Hay una plantilla.
Fine-tuning. Volver a entrenar un modelo con tus ejemplos. Casi nunca es el primer paso: antes conviene probar con mejores instrucciones y mejor contexto.

Eval. Un conjunto de casos de prueba con lo que tiene que pasar en cada uno, que corrés cada vez que cambiás algo. Es la forma de saber si mejoró o empeoró sin adivinar. Hay una plantilla para armarlos.
Modelo como juez. Usar un modelo para puntuar las respuestas de otro según criterios escritos. Sirve cuando no hay una única respuesta correcta; igual conviene revisar una muestra a mano. En inglés, LLM-as-a-judge.
Prompt injection. Texto escondido en un mail, una página o un documento que intenta darle órdenes al agente. Por eso lo que viene de afuera se trata como datos y no como instrucciones.
Guardrails. Los límites que pone el sistema alrededor del agente: qué herramientas puede usar, qué datos puede ver, cuándo tiene que pedir aprobación.
Costo y latencia. Cuánto sale y cuánto tarda cada corrida. Un agente que da treinta pasos puede ser lento y caro aunque cada paso sea barato.