Prompt Chaining descompone tareas complejas en pasos secuenciales para evitar instruction neglect, contextual drift y error propagation. Guía práctica con código Python, patrones de producción y Context Engineering.
Casos de Uso Avanzados: RAG, Agentes y Fine-tuning
Guía técnica sobre casos de uso avanzados de LLM locales: RAG, agentes con herramientas, fine-tuning con LoRA/QLoRA, modelos multimodales y programación con IA local.
Ejecución Local de LLM: Runtimes, Operación y Cuantización
Guía completa sobre ejecución local de LLM en 2026: runtimes (llama.cpp, vLLM, SGLang), cuantización (Q4-Q8), formatos de archivo (GGUF, safetensors), selección de modelos y operaciones.
Cómo piensan los LLM: Fundamentos de Inferencia
Guía técnica sobre cómo funcionan los LLM localmente: tokens, transformers, atención, caché KV, prefill y decodificación. Fundamentos esenciales para ejecutar IA local en 2026.