Si lo único que hacés es publicar notas, un CMS completo es superficie de ataque y mantenimiento que no necesitás. Así migré un sitio a S3 + CloudFront usando Claude Code, con permisos mínimos, pipelines de stage y prod, y sin access keys en GitHub.
Usamos vocabulario cognitivo para describir estos sistemas, y eso instala expectativas que después se rompen en producción. Acá repaso los conceptos básicos —LLM, MCP, AGI—, qué ocurre realmente dentro de un transformer, por qué el reasoning no es un módulo nuevo, y las métricas de Artificial Analysis que uso para medir en lugar de discutir.
Sigue leyendo: Qué es realmente un LLM — y cómo medirlo con Artificial Analysis →
Las AI dev tools son geniales para un PoC, pero shipear a prod es otra historia. Acá comparto mi enfoque de AI SDLC y las buenas prácticas que aplico, basadas en mi experiencia.
Sigue leyendo: AI SDLC: un compendio de buenas prácticas para desarrollar con IA →
Un complemento escrito de zerogap.uk/agents — donde comparto las arquitecturas RAG, los agentic patterns de orquestación y cómo elegir el correcto para tu problema.
Sigue leyendo: Agentic Patterns y las Muchas Caras del RAG →
Un diseño posible para la infraestructura de un agente de IA en producción sobre AWS: ECS Fargate, CI/CD con evaluación automática, observability con Phoenix, RDS con pgvector, DR multi-región pilot light y un loop de mejora continua, con costos mensuales.
Sigue leyendo: Arquitectura de un Agente — Infraestructura en Producción →
Un patrón para que los usuarios de SharePoint trabajen con datos del back-end sin exponer secretos ni confiar en el cliente: una extensión SPFx obtiene un token de Entra ID, una Azure Function valida el JWT y escribe en Azure Table Storage.
Sigue leyendo: SPFx, Azure Functions y Table Storage con Entra ID →
Mi diseño del HyperAgent Cognition Engine: una arquitectura dual donde dos pipelines cognitivos completos, un Solver y un Critic, combinan pensamiento lateral, razonamiento experto, verificación independiente y refinamiento iterativo.
Un checklist práctico para asegurar sistemas de IA: cuándo usar un LLM y cuándo lógica determinística (y cuándo MCP), cómo proteger el input, sanitizar el output, aislar agents y tools, usar modelos locales con cuidado y evaluar de forma continua.
Un sitio web completo hecho sólo con Python, con NiceGUI en el frontend, FastAPI en el backend y Azure OpenAI vía LangChain, y las medidas de seguridad básicas para publicarlo. El ejemplo es un generador de cuentos para chicos.
Sigue leyendo: Sitio web completo con Python: frontend y backend con IA →
Cómo montar un servidor MCP (Model Context Protocol) remoto sobre Streamable HTTP, con autenticación en Okta y DPoP, protegido por un reverse proxy en Python.
Sigue leyendo: Cómo configurar un servidor MCP con Okta y un reverse proxy en Python →
