[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:stajic:es":3,"public-menus:all":38,"post:generative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing:es":205,"related:post:generative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing:es:1":2241},{"statusCode":4,"data":5,"message":37},200,{"tenantId":6,"lang":7,"defaultLang":8,"siteUrl":9,"contactEmail":10,"brandName":11,"logoUrl":12,"siteName":11,"siteDescription":13,"ogImage":10,"robotsIndex":14,"socialLinks":10,"reservedSlugs":10,"seoPolicy":15},"stajic","es","de","https:\u002F\u002Fstajic.de",null,"Stajic Platform","\u002FLogo_Planet.svg","Stajic Portal",true,{"branding":16,"relatedContent":17,"crossDomainLinks":18},{"logoUrl":12},{"enabled":14},[19,22,25,28,31,34],{"url":20,"label":21,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Ffigure.rocks","figure.rocks",{"url":23,"label":24,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Floving.rocks","loving.rocks",{"url":26,"label":27,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.com","bazify.com",{"url":29,"label":30,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.de","bazify.de",{"url":32,"label":33,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.at","bazify.at",{"url":35,"label":36,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.ba","bazify.ba","Portal settings resolved",[39,45],{"id":40,"name":41,"location":42,"isActive":14,"isDefault":43,"items":44},1,"main-navigation","header",false,[],{"id":46,"name":47,"location":48,"isActive":14,"isDefault":14,"items":49},4,"main-menu","sidebar",[50,66,79,93,103,118,133],{"id":51,"title":52,"url":60,"target":61,"icon":62,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":64,"portfolioId":10,"children":65},"item-18",{"de":53,"en":54,"es":55,"fr":56,"it":54,"ru":57,"sr":58,"zh":59},"Startseite","Home","Inicio","Accueil","Главная","Почетна","首页","\u002Ffull-stack-web-developer-munich-performance-seo-and-maintainable-builds","_self","i-lucide-home","page",111,[],{"id":67,"title":68,"url":75,"target":61,"icon":76,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":77,"portfolioId":10,"children":78},"item-22",{"de":69,"en":69,"es":70,"fr":69,"it":71,"ru":72,"sr":73,"zh":74},"Vision","Visión","Visione","Видение","Визија","想象","\u002Fueber-uns-webdesign-muenchen-webaplikation","i-lucide-eye",113,[],{"id":80,"title":81,"url":89,"target":61,"icon":90,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":91,"portfolioId":10,"children":92},"item-19",{"de":82,"en":83,"es":84,"fr":83,"it":85,"ru":86,"sr":87,"zh":88},"Leistungen","Services","Servicios","Servizi","Услуги","Услуге","服务","\u002Fservices-dienstleistungen-muenchen","i-lucide-wrench",116,[],{"id":94,"title":95,"url":99,"target":61,"icon":100,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":101,"portfolioId":10,"children":102},"item-23",{"de":96,"en":96,"es":96,"fr":96,"it":96,"ru":97,"sr":97,"zh":98},"Blog","Блог","博客","\u002Fblog","i-lucide-book-open",112,[],{"id":104,"title":105,"url":114,"target":61,"icon":115,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":116,"portfolioId":10,"children":117},"item-32",{"de":106,"en":107,"es":108,"fr":109,"it":110,"ru":111,"sr":112,"zh":113},"Neue Technologien","New Technologies","Nuevas tecnologías","Nouvelles technologies","Nuove tecnologie","Новые технологии","Нове технологије","新技术！","\u002Fneue-webtechnologien","i-lucide-sparkles",122,[],{"id":119,"title":120,"url":129,"target":61,"icon":130,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":131,"portfolioId":10,"children":132},"item-20",{"de":121,"en":122,"es":123,"fr":124,"it":125,"ru":126,"sr":127,"zh":128},"Kontakt","Contact us!","Contacto","Contact","Contatto","Контакт","Контактирајте нас","联系我们！","\u002Fcontact","i-lucide-mail",115,[],{"id":134,"title":135,"url":144,"target":61,"icon":145,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":147},"item-21",{"de":136,"en":137,"es":138,"fr":139,"it":140,"ru":141,"sr":142,"zh":143},"Unsere Arbeit","Our Work","Nuestro trabajo","Nos réalisations","I nostri lavori","Наши работы","Наши радови","文件夹","\u002Fportfolio","i-lucide-briefcase",114,[148,161,175,181,193],{"id":149,"title":150,"url":144,"target":61,"icon":159,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":160},"item-24",{"de":151,"en":152,"es":153,"fr":154,"it":155,"ru":156,"sr":157,"zh":158},"Alle Projekte","All Projects","Todos los proyectos","Tous les projets","Tutti i progetti","Все проекты","Сви пројекти","所有项目","i-lucide-grid-3x3",[],{"id":162,"title":163,"url":171,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":174},"item-29",{"de":164,"en":165,"es":166,"fr":167,"it":168,"ru":169,"sr":170,"zh":143},"Local Roots, Global Reach","Local Roots - Global Reach","Empresa local ","Entreprise locale","Azienda locale","Местная компания","Локално предузеће глобално тржиште","\u002Fportfolio\u002Flocal-roots-global-reach-communication-media-systems-for-modern-business","i-lucide-folder","custom",[],{"id":176,"title":177,"url":179,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":180},"item-28",{"de":178,"en":178,"es":178,"fr":178,"it":178,"ru":178,"sr":178,"zh":178},"Solr Suggester","\u002Fportfolio\u002Fsolr-fuzzy-suggester-und-solr-infix-suggester-abfrage-ueber-ajax-und-filterung",[],{"id":182,"title":183,"url":191,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":192},"item-27",{"de":184,"en":185,"es":186,"fr":187,"it":188,"ru":189,"sr":190,"zh":185},"Firmenwebseite SEO","Company Website SEO","Sitio web corporativo SEO","Site web d’entreprise SEO","Sito web aziendale SEO","Корпоративный сайт SEO","Пословна веб-страница SEO","\u002Fportfolio\u002Fseo-sem-branding-mobile-webseite-muenchen",[],{"id":194,"title":195,"url":203,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":204},"item-31",{"de":196,"en":197,"es":198,"fr":199,"it":200,"ru":201,"sr":202,"zh":197},"Digitalisierungsportal","Digitalization Portal","Portal de digitalización","Portail de numérisation","Portale di digitalizzazione","Портал цифровизации","Портал за дигитализацију","\u002Fportfolio\u002Fdigitalisierungsportal-archiv-museum-bibliothek-ead-lido-mets-mods",[],{"statusCode":4,"data":206,"message":2240},{"id":207,"title":208,"slug":209,"content":210,"contentJson":211,"excerpt":1066,"featuredImage":1067,"featuredImageAlt":1068,"featuredImageCaption":10,"featuredImageTitle":10,"featuredImageCopyright":10,"featuredImageAuthor":10,"featuredImageSourceUrl":10,"featuredImageLicense":10,"featuredImageIsAiGenerated":43,"status":1069,"publishedAt":1070,"createdAt":1071,"updatedAt":1072,"seoLocalePaths":1073,"categories":1082,"author":1103,"translations":1108},"481","IA generativa explicada: modelos, recuperación, herramientas y aplicaciones no son lo mismo","generative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u003Cp>La IA generativa no es un solo componente. Un sistema de IA generativa en producción normalmente combina un modelo generativo con código de aplicación que proporciona instrucciones y contexto, recupera conocimiento externo cuando es necesario, expone herramientas para leer o modificar sistemas externos, gestiona el estado de ejecución y los permisos, y convierte el resultado en un producto utilizable. Tratar el modelo, la recuperación, las herramientas, el contexto, el entorno de ejecución y la aplicación como si fueran lo mismo oculta las fronteras que determinan la frescura, la seguridad, la fiabilidad, el coste y el control.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Respuesta directa\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>El modelo genera; la recuperación encuentra evidencia externa; las herramientas acceden a datos o realizan acciones; el contexto es lo que el modelo puede ver para la inferencia actual; el entorno de ejecución coordina la ejecución; la aplicación posee las reglas de producto, el estado, los permisos, la persistencia y la experiencia de usuario.\u003C\u002Fstrong> Estas capas pueden ser empaquetadas juntas por un proveedor, pero sus responsabilidades siguen siendo diferentes.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Nota sobre terminología y versiones\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Este artículo define responsabilidades arquitectónicas duraderas en lugar de una pila de proveedor concreta. Los ejemplos de implementación actuales se volvieron a verificar el \u003Cstrong>8 de octubre de 2026\u003C\u002Fstrong>. Las API de los proveedores y los nombres de los productos pueden cambiar; las fronteras de responsabilidad son más estables que cualquier SDK o endpoint individual.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Contenido\">\u003Cstrong class=\"editorjs-toc__title\">Contenido\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-5\" class=\"editorjs-toc__link\">¿Qué significa realmente “IA generativa”?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-9\" class=\"editorjs-toc__link\">El modelo útil más simple de un sistema de IA generativa\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-13\" class=\"editorjs-toc__link\">Las seis fronteras que importan\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-15\" class=\"editorjs-toc__link\">1. El modelo: la generación es su responsabilidad principal\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-19\" class=\"editorjs-toc__link\">2. Recuperación: encontrar evidencia externa es una operación separada\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-24\" class=\"editorjs-toc__link\">3. Herramientas: el acceso y la acción no son conocimiento del modelo\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-29\" class=\"editorjs-toc__link\">4. Contexto: lo que el modelo puede ver en este momento\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-33\" class=\"editorjs-toc__link\">5. Entorno de ejecución y orquestación: coordinar el bucle\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-37\" class=\"editorjs-toc__link\">6. La aplicación: donde la IA se convierte en producto\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-41\" class=\"editorjs-toc__link\">Cómo funcionan las partes juntas en una solicitud real\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-45\" class=\"editorjs-toc__link\">Diferentes productos de IA usan combinaciones diferentes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-48\" class=\"editorjs-toc__link\">Evidencia de implementación: Aaasaasa AI Client\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-55\" class=\"editorjs-toc__link\">Errores de categoría comunes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-57\" class=\"editorjs-toc__link\">Modos de fallo cuando los límites se desdibujan\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-60\" class=\"editorjs-toc__link\">¿Qué es estable y qué es sensible a la versión?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-64\" class=\"editorjs-toc__link\">La prueba de límites de componentes de IA\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-67\" class=\"editorjs-toc__link\">Lo que la IA generativa no es\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-71\" class=\"editorjs-toc__link\">A dónde ir después en el grafo de conocimiento\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-75\" class=\"editorjs-toc__link\">Limitaciones\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-79\" class=\"editorjs-toc__link\">¿Qué cambiaría esta respuesta?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-82\" class=\"editorjs-toc__link\">Conclusión\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-86\" class=\"editorjs-toc__link\">Preguntas frecuentes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-88\" class=\"editorjs-toc__link\">Glosario\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-90\" class=\"editorjs-toc__link\">Fuentes primarias y evidencia de implementación\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Ch2 id=\"section-5\">¿Qué significa realmente “IA generativa”?\u003C\u002Fh2>\n\u003Cp>A nivel de modelo, la IA generativa se refiere a modelos de IA que generan contenido sintético derivado, como texto, imágenes, audio, vídeo, código u otra salida digital. NIST AI 600-1 utiliza este significado orientado al modelo y analiza por separado los riesgos a nivel de modelo, sistema, aplicación y caso de uso.\u003C\u002Fp>\n\u003Cp>Esa distinción importa porque un modelo de IA no es lo mismo que el sistema de IA completo. El glosario actual del NIST define un modelo de IA como un componente que produce salidas a partir de entradas utilizando técnicas computacionales, estadísticas o de aprendizaje automático, mientras que un sistema de IA puede incluir software, hardware, aplicaciones, herramientas o utilidades que operan utilizando IA.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Una frontera útil\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>Modelo generativo ≠ aplicación de IA generativa.\u003C\u002Fstrong>\u003Cbr>Un modelo es un componente computacional. Un producto de IA utilizable es un sistema construido alrededor de ese componente.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-9\">El modelo útil más simple de un sistema de IA generativa\u003C\u002Fh2>\n\u003Cp>Como primer modelo mental, imagina un asistente empresarial que responde: “¿Puede este cliente recibir un reembolso hoy?”. Una respuesta útil puede requerir varias responsabilidades diferentes. El modelo de lenguaje puede interpretar la pregunta y redactar la explicación, pero el estado actual del pedido puede provenir de una herramienta de base de datos, la política de reembolsos puede provenir de la recuperación de documentos, los permisos pueden ser aplicados por la aplicación, y la acción final puede requerir una llamada a API controlada.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Una ruta de ejecución común\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Solicitud del usuario\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">La aplicación recibe una pregunta o tarea en lenguaje natural.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Política y estado de la aplicación\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">La identidad, el inquilino, los permisos, el estado actual del flujo de trabajo y las reglas del producto definen qué puede hacer la solicitud.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Recuperación o acceso directo a datos\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">El sistema obtiene evidencia externa o hechos actuales cuando el conocimiento del modelo es insuficiente.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Construcción del contexto\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Las instrucciones, la entrada del usuario, la evidencia seleccionada, el estado relevante y las definiciones de herramientas se ensamblan para el modelo.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Inferencia del modelo\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">El modelo generativo interpreta el contexto proporcionado y produce texto, salida estructurada o una solicitud de herramienta.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Ejecución de herramientas cuando es necesario\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">El entorno de ejecución o la aplicación valida y ejecuta las llamadas a herramientas aprobadas fuera del modelo.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Observación y continuación\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Los resultados de las herramientas pueden volver al modelo como nuevo contexto para otro paso de inferencia.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Validación y salida del producto\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">La aplicación valida el resultado, registra el estado requerido o los datos de auditoría, y presenta o ejecuta el resultado final.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Los sistemas reales no siempre siguen esta secuencia exactamente. La recuperación puede ocurrir antes de la primera llamada al modelo, las herramientas pueden seleccionarse durante un bucle de agente, la lógica determinista de la aplicación puede evitar por completo el modelo, y la validación puede ocurrir en varias etapas. El objetivo es separar responsabilidades, no imponer un flujo de trabajo universal.\u003C\u002Fp>\n\u003Ch2 id=\"section-13\">Las seis fronteras que importan\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Seis responsabilidades dentro de un producto de IA\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Tarea principal\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Entradas típicas\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">No es lo mismo que\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Modelo\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Recuperación\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Herramientas\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Contexto\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Entorno de ejecución \u002F orquestador\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Aplicación\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-15\">1. El modelo: la generación es su responsabilidad principal\u003C\u002Fh2>\n\u003Cp>Un modelo generativo asigna las entradas proporcionadas a salidas generadas. Para un modelo de lenguaje, eso puede incluir texto en lenguaje natural, JSON estructurado, código, clasificaciones, resúmenes, planes o argumentos de llamadas a herramientas. Los modelos generativos multimodales pueden trabajar con tipos adicionales de entrada y salida.\u003C\u002Fp>\n\u003Cp>El modelo puede contener un conocimiento aprendido sustancial en sus parámetros, pero el conocimiento parametrizado no es una base de datos en vivo. El modelo no sabe automáticamente sobre un documento creado hace cinco minutos, el nivel de stock actual, un registro privado de un cliente o el estado de una aplicación, a menos que esa información se proporcione a través de la ruta de entrada actual.\u003C\u002Fp>\n\u003Cp>Por eso, cambiar el modelo no resuelve automáticamente el conocimiento obsoleto, los permisos faltantes, la recuperación rota, la propiedad incorrecta del estado o la ejecución insegura de herramientas. Esos fallos a menudo pertenecen a otras capas.\u003C\u002Fp>\n\u003Ch2 id=\"section-19\">2. Recuperación: encontrar evidencia externa es una operación separada\u003C\u002Fh2>\n\u003Cp>La recuperación selecciona información de una fuente externa antes o durante la generación. El trabajo de Generación Aumentada por Recuperación de 2020 de Lewis et al. hizo explícita la separación al combinar un modelo generativo paramétrico con memoria no paramétrica recuperada. Los sistemas de producción modernos utilizan muchas variantes de recuperación, pero la idea arquitectónica sigue siendo la misma: se puede obtener evidencia útil en el momento de la inferencia en lugar de depender únicamente de lo que el modelo aprendió durante el entrenamiento.\u003C\u002Fp>\n\u003Cp>La recuperación puede utilizar búsqueda léxica, embeddings, búsqueda vectorial, búsqueda híbrida, SQL, grafos de conocimiento, filtros de metadatos, APIs u otros mecanismos de selección. Una base de datos vectorial es, por lo tanto, un posible componente de recuperación, no la definición de RAG.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">La relevancia no es autoridad\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un pasaje recuperado puede ser altamente relevante y aun así estar desactualizado, no autorizado, provenir de la versión incorrecta o ser insuficiente para respaldar una afirmación. La calidad de la recuperación y la calidad de la evidencia deben evaluarse por separado.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">¿Qué es RAG? La explicación más simple de cómo funciona\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">La explicación canónica en lenguaje sencillo de la generación aumentada por recuperación, incluida la separación entre LLM, conocimiento, estado, memoria y herramientas.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Lee los fundamentos de RAG →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-24\">3. Herramientas: el acceso y la acción no son conocimiento del modelo\u003C\u002Fh2>\n\u003Cp>Una herramienta es una interfaz a través de la cual un entorno de ejecución de IA puede solicitar funcionalidad fuera del modelo. Una herramienta puede consultar una base de datos, buscar en la web, leer un archivo, calcular un valor, llamar a un servicio interno, crear un ticket, enviar un mensaje, modificar un registro o desencadenar otra operación controlada.\u003C\u002Fp>\n\u003Cp>La documentación actual de llamada a funciones de OpenAI hace explícito este límite: la llamada a funciones permite que los modelos interactúen con sistemas externos y accedan a datos o acciones proporcionados por la aplicación. El modelo puede proponer o seleccionar una llamada, pero el sistema externo realiza la operación real.\u003C\u002Fp>\n\u003Cp>El uso de herramientas, por lo tanto, crea dos preguntas separadas: ¿Puede el modelo solicitar esta capacidad? y ¿Autorizará y ejecutará la aplicación dicha solicitud? Un sistema de producción no debe confundir la intención del modelo con el permiso para causar un efecto secundario.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">La intención del modelo no es autoridad de ejecución\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un modelo puede emitir una solicitud de herramienta válida y aun así ser denegada. La autorización, la validación de argumentos, los límites de velocidad, las reglas de transacción, los requisitos de auditoría y la reversión pertenecen fuera del modelo.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-29\">4. Contexto: lo que el modelo puede ver en este momento\u003C\u002Fh2>\n\u003Cp>El contexto es la información disponible para el modelo en un paso de inferencia particular. La guía de ingeniería de contexto de Anthropic describe el contexto como el conjunto de tokens incluidos al muestrear de un LLM. En la práctica, ese conjunto puede contener instrucciones del sistema, mensajes del usuario, historial de conversación, evidencia recuperada, definiciones de herramientas, resultados de herramientas, resúmenes de memoria y estado de aplicación seleccionado.\u003C\u002Fp>\n\u003Cp>El contexto, por lo tanto, no es ni la base de conocimiento completa ni la memoria a largo plazo. Una empresa puede almacenar diez millones de documentos mientras solo unos pocos pasajes entran en una llamada al modelo. Un entorno de ejecución puede persistir un año de historial de conversación mientras expone solo las piezas necesarias para la tarea actual.\u003C\u002Fp>\n\u003Cp>La ventana de contexto también crea una restricción de ingeniería. Agregar más texto no garantiza una mejor respuesta; la información irrelevante, desactualizada, contradictoria o de baja autoridad puede diluir la evidencia que realmente importa.\u003C\u002Fp>\n\u003Ch2 id=\"section-33\">5. Entorno de ejecución y orquestación: coordinar el bucle\u003C\u002Fh2>\n\u003Cp>La capa de entorno de ejecución u orquestación coordina cómo participa el modelo en una tarea. Dependiendo de la arquitectura, puede gestionar sesiones, solicitudes al modelo, descubrimiento de herramientas, bucles de llamadas a herramientas, reintentos, transferencias, eventos de streaming, tiempos de espera, puntos de control, compactación o entornos de ejecución.\u003C\u002Fp>\n\u003Cp>Algunos entornos de ejecución son código de aplicación ligero alrededor de una API de modelo. Otros son arneses de agente completos. Un entorno de ejecución gestionado por un proveedor puede poseer parte del bucle mientras la aplicación sigue siendo dueña de la verdad del dominio, la autorización, los efectos secundarios del negocio y el ciclo de vida del producto.\u003C\u002Fp>\n\u003Cp>Este límite es importante porque dónde se ejecuta el entorno de ejecución y dónde se ejecuta la inferencia son decisiones separadas. Un cliente o proceso de agente que se ejecuta localmente aún puede llamar a un modelo remoto, mientras que una aplicación remota puede llamar a un modelo alojado en infraestructura bajo el control de la organización.\u003C\u002Fp>\n\u003Ch2 id=\"section-37\">6. La aplicación: donde la IA se convierte en producto\u003C\u002Fh2>\n\u003Cp>La aplicación es el límite del producto en torno a los componentes de IA. Es responsable de la experiencia de usuario, el modelo de dominio, el estado actual, la identidad, el alcance del inquilino, los permisos, la persistencia, las integraciones de servicios, la validación, la observabilidad, la lógica de facturación o cuotas cuando corresponda, y las reglas que determinan qué puede ver o hacer la IA.\u003C\u002Fp>\n\u003Cp>Esta es la capa que convierte \"un modelo puede producir resultados útiles\" en \"un sistema puede ofrecer una capacidad fiable\". El mismo modelo puede participar en un asistente de investigación privado, un flujo de trabajo de soporte, un agente de código o una aplicación de comercio porque la aplicación circundante cambia los datos, las herramientas, las políticas, el estado y el contrato de ejecución.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">El modelo es reemplazable; el límite del producto no lo es\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">La sustitución de proveedor y modelo puede ser un objetivo arquitectónico. El estado autoritativo de la aplicación, los permisos, las reglas de dominio, el registro de auditoría y el contrato de usuario no pueden simplemente delegarse al modelo que esté seleccionado en ese momento.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-41\">Cómo funcionan las partes juntas en una solicitud real\u003C\u002Fh2>\n\u003Cp>Consideremos un asistente de soporte al que se le pregunta: \"Reembolsa el pedido 4711 si aún es elegible, y explica por qué\". La solicitud combina conocimiento, estado actual, autorización, razonamiento y un efecto secundario.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Necesidad\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Capa correcta\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Por qué\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Política de reembolso\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Recuperación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El sistema debe encontrar la política aplicable actual y preservar su procedencia.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Estado del pedido 4711\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Acceso directo a datos\u002Fherramientas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El registro actual del pedido es estado autoritativo volátil, no algo que deba adivinarse a partir del conocimiento del modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Autoridad del usuario para reembolsar\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aplicación \u002F autorización\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Los permisos deben aplicarse independientemente de lo que solicite el modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Interpretar la política frente a los hechos del pedido\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modelo + contexto\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El modelo puede razonar sobre la evidencia de la política y el estado actual del pedido que se le proporciona.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ejecutar reembolso\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Herramienta + reglas de transacción de la aplicación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Una operación externa controlada cambia el estado real.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Explicar el resultado\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modelo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El modelo puede generar la explicación para el usuario a partir de resultados validados.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Auditar lo sucedido\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aplicación \u002F tiempo de ejecución\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El sistema registra evidencia, llamadas, decisiones, efectos secundarios y errores según sea necesario.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Si el asistente solo tiene el modelo de lenguaje, puede hablar sobre reembolsos pero no puede saber de forma segura si el pedido 4711 es actualmente elegible ni realizar la transacción. Si solo tiene recuperación, puede encontrar la política pero aún carece del estado en vivo del pedido. Si tiene herramientas sin autorización de la aplicación, puede volverse capaz pero inseguro. La fiabilidad proviene de componer las capas con una propiedad explícita.\u003C\u002Fp>\n\u003Ch2 id=\"section-45\">Diferentes productos de IA usan combinaciones diferentes\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">La presencia de un modelo no define toda la arquitectura\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Recuperación\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Herramientas\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Estado autoritativo\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Capacidad típica\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Asistente solo con modelo\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Asistente basado en recuperación\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Asistente que usa herramientas\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Aplicación agéntica\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Estos son patrones de arquitectura, no clasificaciones de madurez. Una función solo con modelo puede ser el diseño correcto cuando la tarea no necesita hechos o acciones externas. Añadir recuperación, herramientas, memoria o un bucle de agente solo se justifica cuando la tarea requiere esas capacidades.\u003C\u002Fp>\n\u003Ch2 id=\"section-48\">Evidencia de implementación: Aaasaasa AI Client\u003C\u002Fh2>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Evidencia de implementación principal\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">La siguiente sección describe una implementación que construí y revisé contra el código base y la documentación de arquitectura de Aaasaasa AI Client con fecha de \u003Cstrong>26 de julio de 2026\u003C\u002Fstrong>. Es evidencia de la utilidad de estos límites, no una afirmación de que una implementación sea un estándar universal o un producto empresarial desplegado comercialmente.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cp>Aaasaasa AI Client es un espacio de trabajo de IA de escritorio local-first construido con Nuxt 4, Electron y TypeScript. Su AI Hub separa deliberadamente agente\u002Fcliente, proveedor, modelo, ubicación de tiempo de ejecución, permisos y cliente web en lugar de tratarlos como una única configuración de \"IA\".\u003C\u002Fp>\n\u003Cp>Esa separación crea un comportamiento concreto. Direct Chat puede hablar con modelos sin herramientas de sistema de archivos o shell. Un agente Codex puede usar un espacio de trabajo seleccionado y un perfil de permisos. Ollama puede proporcionar inferencia local directa, mientras que LM Studio y los endpoints configurables compatibles con OpenAI representan otras rutas de proveedor. Un proceso Codex que se ejecuta localmente aún puede usar un modelo en la nube, por lo que la interfaz y la arquitectura no equiparan el tiempo de ejecución local con la inferencia local.\u003C\u002Fp>\n\u003Cp>La implementación también contiene soporte de Qdrant\u002Fvectores, capacidades de extracción de documentos y un broker MCP de directorio autenticado. Esos componentes ilustran otro límite: la infraestructura de recuperación y el acceso a herramientas pueden vivir en el mismo producto sin convertirse en propiedades del modelo en sí.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Concepto A01\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Evidencia de implementación de Aaasaasa AI Client\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modelo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un identificador de modelo específico del proveedor se selecciona por separado del proveedor y del tiempo de ejecución.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Proveedor\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ollama, LM Studio, servicios compatibles con OpenAI y otras rutas de proveedor se representan por separado.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tiempo de ejecución\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La ubicación del agente\u002Ftiempo de ejecución local o remoto se rastrea independientemente del modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Herramientas \u002F acceso\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Direct Chat no tiene herramientas de sistema de archivos ni shell; el acceso controlado a directorios se gestiona por separado.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Permisos\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Los perfiles de permisos del espacio de trabajo son política de aplicación\u002Fsesión, no capacidad del modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Infraestructura de recuperación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El soporte de vectores y la extracción de documentos existen como capacidades de datos\u002Frecuperación en lugar de características del modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aplicación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El producto Electron\u002FNuxt coordina interfaz, credenciales, proveedores, descubrimiento de tiempo de ejecución, permisos, herramientas e interacción con el modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Lección de implementación\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">La arquitectura se volvió más fácil de razonar una vez que \u003Cstrong>modelo, proveedor, tiempo de ejecución, permisos, herramientas, datos y cliente\u003C\u002Fstrong> dejaron de representarse como una única elección de configuración. La distinción es operativa: determina qué puede ejecutarse localmente, qué puede acceder a archivos, qué puede llamar a inferencia en la nube de pago y qué capa posee la autorización.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-55\">Errores de categoría comunes\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Error de categoría\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Lo que realmente está sucediendo\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“La IA conoce nuestros documentos.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La capa de aplicación o de recuperación pone a disposición del modelo el contenido seleccionado de los documentos.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“RAG es nuestra base de datos vectorial.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La base de datos vectorial puede ser un índice o almacén utilizado por un pipeline de recuperación; RAG es el patrón de recuperación más generación.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“El modelo llamó a nuestro CRM.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El modelo produjo una solicitud de herramienta; el runtime o la aplicación autorizó y ejecutó la llamada externa.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Es IA local porque el agente de escritorio se ejecuta localmente.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La ubicación del runtime y la ubicación de la inferencia son distintas. Un runtime local puede seguir invocando un modelo remoto.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“El modelo tiene permiso para editar archivos.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La aplicación o el runtime otorga una capacidad de herramienta bajo una política de permisos; el permiso no es una propiedad intrínseca del modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Más contexto significa más conocimiento.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El contexto es la entrada finita que se pone a disposición para una inferencia. Un contexto más grande puede contener más ruido, conflicto o información obsoleta.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“El chatbot es la arquitectura de IA.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La interfaz de chat es una interfaz. El sistema también puede incluir identidad, estado, recuperación, herramientas, runtime, validación, persistencia y observabilidad.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-57\">Modos de fallo cuando los límites se desdibujan\u003C\u002Fh2>\n\u003Cp>Los errores de límites no son meramente problemas de terminología. Crean fallos de producción distintos que requieren soluciones diferentes.\u003C\u002Fp>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Diagnostica la capa que falla antes de reemplazar el modelo\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Síntoma\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Problema de límites probable\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Primera verificación arquitectónica\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Respuesta obsoleta\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Falta un dato de la empresa\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Efecto secundario inseguro\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Respuesta confusa con mucho texto proporcionado\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Uso inesperado de la nube\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">El agente se bloquea o se repite\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-60\">¿Qué es estable y qué es sensible a la versión?\u003C\u002Fh2>\n\u003Cp>Las distinciones arquitectónicas de este artículo son intencionalmente neutrales respecto al proveedor. Los ejemplos actuales a continuación son hechos de implementación que deben volver a verificarse cuando las API evolucionen.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Área\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Idea arquitectónica estable\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Ejemplo actual verificado el 8 de octubre de 2026\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modelo de IA vs sistema\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un modelo es un componente dentro de un sistema más amplio\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El glosario actual del NIST define por separado modelo de IA y sistema de IA.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">RAG\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La generación puede condicionarse a información externa recuperada\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La formulación de Lewis et al. de 2020 sigue siendo la referencia fundacional; los métodos de recuperación en producción ahora se extienden mucho más allá de un único diseño de índice denso.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Recuperación alojada\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La recuperación puede exponerse como una herramienta gestionada\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">OpenAI File Search es actualmente una herramienta de la API Responses que busca en bases de conocimiento de archivos cargados mediante recuperación semántica y por palabras clave.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Llamada a funciones o herramientas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un modelo puede solicitar capacidades externas definidas por la aplicación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">OpenAI documenta actualmente la llamada a funciones como una interfaz hacia sistemas, datos y acciones externos.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ingeniería de contexto\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El comportamiento del modelo depende de la información finita suministrada para la inferencia actual\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La guía de ingeniería actual de Anthropic define el contexto como el conjunto de tokens incluido al muestrear del LLM y se centra en curar ese conjunto.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">API de proveedores\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Los SDK, nombres de herramientas, formas de endpoints y funciones compatibles cambian\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Trata la documentación del proveedor como sensible a la versión incluso cuando el límite de responsabilidad permanece estable.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Un artículo de referencia debería, por lo tanto, preservar ambos niveles: conceptos estables para la arquitectura y evidencia fechada para las implementaciones actuales. Mezclar los dos hace que un artículo envejezca innecesariamente rápido.\u003C\u002Fp>\n\u003Ch2 id=\"section-64\">La prueba de límites de componentes de IA\u003C\u002Fh2>\n\u003Cp>Al evaluar una función de IA, haz las siguientes preguntas en orden. Las respuestas revelan qué componentes tiene realmente el sistema y qué responsabilidades siguen siendo implícitas.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Siete preguntas para un diseño de producción\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. ¿Qué genera la salida?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Identifica el modelo exacto y las modalidades o salidas estructuradas que proporciona.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. ¿Qué hechos son autoritativos fuera del modelo?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Identifica documentos, bases de datos, API, estado actual y otras fuentes de verdad.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. ¿Cómo se selecciona la información relevante?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Separa la búsqueda directa, la búsqueda, la recuperación, el ranking y la construcción de contexto.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. ¿Qué puede causar efectos secundarios reales?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Enumera herramientas y acciones externas, luego identifica quién las valida y autoriza.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. ¿Qué llega al modelo como contexto?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Haz explícitos las instrucciones, la evidencia, el estado, el historial, la memoria y las definiciones de herramientas.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. ¿Quién es dueño del bucle?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Identifica el runtime o harness que gestiona llamadas, eventos, reintentos, bucles de herramientas y sesiones.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. ¿Qué sigue siendo responsabilidad de la aplicación?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Haz explícitos la identidad, los permisos, el estado del dominio, la validación, la persistencia, la observabilidad y la UX.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-67\">Lo que la IA generativa no es\u003C\u002Fh2>\n\u003Cp>La IA generativa no es sinónimo de un LLM, aunque los LLM son una clase importante de modelo generativo. Tampoco es sinónimo de RAG, una base de datos vectorial, un agente, un protocolo de herramientas, una interfaz de chatbot o una aplicación.\u003C\u002Fp>\n\u003Cp>Esos conceptos pueden estar conectados, pero cada uno responde a una pregunta arquitectónica diferente. Un LLM pregunta cómo se produce la salida de lenguaje. La recuperación pregunta de dónde proviene la evidencia externa. Las herramientas preguntan cómo se exponen las capacidades externas. El contexto pregunta qué puede ver el modelo. El runtime pregunta cómo se coordina la ejecución. La aplicación pregunta cómo la capacidad se convierte en un producto controlado.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Si solo recuerdas un modelo\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>Modelo = generar.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Recuperación = encontrar evidencia.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Herramientas = leer o actuar fuera del modelo.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Contexto = lo que el modelo ve ahora.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Runtime = coordinar la ejecución.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Aplicación = poseer el producto, el estado, las reglas y los permisos.\u003C\u002Fstrong>\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-71\">A dónde ir después en el grafo de conocimiento\u003C\u002Fh2>\n\u003Cp>Una vez que estos límites están claros, los temas más profundos se vuelven más fáciles de ubicar. RAG pertenece a la recuperación y a la construcción de contexto. Retrieval Trigger decide cuándo se requiere evidencia externa. La memoria del agente se refiere a lo que persiste a lo largo del tiempo. La llamada a herramientas y MCP pertenecen al acceso a capacidades. Los harness de agentes pertenecen a la orquestación del runtime. RBAC, el aislamiento de inquilinos y la autorización de dominio pertenecen al límite de seguridad de la aplicación y la plataforma.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fwhere-does-an-llm-get-its-data-rag-data-sources-in-python\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">¿De dónde obtiene sus datos un LLM? Fuentes de datos RAG en Python\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Una continuación práctica que muestra cómo archivos, SQL, APIs, búsqueda de texto completo, embeddings y ensamblaje de contexto conectan datos externos a un LLM.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Ver la ruta de datos en código →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fwhen-should-an-ai-stop-trusting-its-own-knowledge-the-retrieval-trigger\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">¿Cuándo debería una IA dejar de confiar en su propio conocimiento? — El disparador de recuperación\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Un modelo de decisión para determinar cuándo un sistema de IA debería dejar de depender únicamente del conocimiento del modelo y obtener evidencia externa.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Leer el modelo de decisión de recuperación →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-75\">Limitaciones\u003C\u002Fh2>\n\u003Cp>El modelo de seis capas es un mapa de responsabilidades, no un requisito de que cada producto despliegue seis servicios separados. Una aplicación pequeña puede implementar la construcción de contexto, la recuperación y la orquestación dentro de un solo proceso. Una plataforma gestionada puede agrupar varias responsabilidades detrás de una sola API. El despliegue físico puede combinarse mientras la propiedad semántica permanece distinta.\u003C\u002Fp>\n\u003Cp>La terminología también varía entre proveedores e investigaciones. “Agente”, “runtime”, “memoria”, “herramienta”, “conector” y “contexto” pueden definirse de manera diferente. Las definiciones aquí se eligen para hacer explícita la propiedad operativa y el diagnóstico de fallos, en lugar de afirmar que todos los frameworks utilizan un vocabulario idéntico.\u003C\u002Fp>\n\u003Cp>La sección del Cliente de IA de Aaasaasa documenta un patrón de implementación. Demuestra que los límites explícitos son prácticos, pero no prueba que la misma disposición de componentes sea óptima para todos los productos de IA.\u003C\u002Fp>\n\u003Ch2 id=\"section-79\">¿Qué cambiaría esta respuesta?\u003C\u002Fh2>\n\u003Cp>El mapa de responsabilidades necesitaría revisión si las propias arquitecturas de modelos comenzaran a poseer estado externo autoritativo, permisos, efectos secundarios transaccionales duraderos y acceso verificable a fuentes como propiedades intrínsecas en lugar de capacidades proporcionadas por un sistema circundante. Las arquitecturas de producción actuales no hacen que eso sea una suposición general segura.\u003C\u002Fp>\n\u003Cp>Los ejemplos de implementación individuales cambiarán mucho antes. Las herramientas de recuperación alojadas, las APIs de agentes, las integraciones MCP, las funciones de gestión de contexto y las capacidades de los proveedores evolucionan rápidamente. Esos detalles deben actualizarse sin colapsar las distinciones subyacentes entre generación, evidencia, acceso a capacidades, contexto, ejecución y control de la aplicación.\u003C\u002Fp>\n\u003Ch2 id=\"section-82\">Conclusión\u003C\u002Fh2>\n\u003Cp>La IA generativa se vuelve más fácil de diseñar una vez que “la IA” deja de tratarse como una sola caja negra. El modelo es el componente generativo, no el producto completo. La recuperación proporciona evidencia externa. Las herramientas exponen capacidades. El contexto lleva información seleccionada a la inferencia actual. El runtime coordina la ejecución. La aplicación posee el límite autoritativo del producto.\u003C\u002Fp>\n\u003Cp>Esa separación es útil para más que la explicación. Les dice a los ingenieros dónde se originan los hechos obsoletos, dónde pertenece la autorización, por qué un runtime local aún puede usar inferencia en la nube, por qué RAG no equivale a una base de datos vectorial, por qué las llamadas a herramientas requieren validación y por qué cambiar el modelo no puede reparar todos los fallos del sistema.\u003C\u002Fp>\n\u003Cp>La pregunta arquitectónica duradera, por lo tanto, no es “¿Qué modelo de IA estamos usando?” Es: ¿Qué responsabilidad posee cada componente, qué evidencia cruza cada límite y qué capa tiene permitido cambiar el estado real?\u003C\u002Fp>\n\u003Ch2 id=\"section-86\">Preguntas frecuentes\u003C\u002Fh2>\n\u003Csection class=\"editorjs-faq my-6 rounded-xl border border-gray-200 p-5 dark:border-gray-700\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Límites de los sistemas de IA generativa\u003C\u002Fh3>\u003Cdiv id=\"faq1\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Es lo mismo la IA generativa que un LLM?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. Un LLM es un tipo de modelo generativo. La IA generativa también incluye otras modalidades, y un sistema de IA generativa en producción puede incluir recuperación, herramientas, lógica de runtime, estado de la aplicación, permisos, persistencia e interfaces de usuario alrededor del modelo.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq2\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Es RAG parte del modelo?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Generalmente no. RAG es un patrón de aplicación\u002Fsistema que recupera información externa y proporciona evidencia seleccionada al modelo. Algunas plataformas empaquetan la recuperación estrechamente con las APIs del modelo, pero la responsabilidad sigue siendo distinta.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq3\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Se requiere una base de datos vectorial para RAG?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. RAG puede usar búsqueda vectorial, búsqueda léxica, recuperación híbrida, SQL, APIs, grafos de conocimiento u otros métodos. La propiedad que lo define es la recuperación de información externa para la generación, no una tecnología de almacenamiento.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq4\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Son las herramientas lo mismo que el contexto?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. Una herramienta es una capacidad externa. Su definición puede representarse en el contexto, y su resultado puede ingresar posteriormente al contexto, pero la capacidad real se ejecuta fuera del modelo.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq5\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Ejecutar un cliente de IA localmente significa que el modelo es local?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. La ubicación del runtime y la ubicación de la inferencia son separadas. Una aplicación de escritorio local o un agente puede llamar a un modelo remoto, mientras que una aplicación remota puede llamar a un modelo alojado internamente.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq6\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Quién debería hacer cumplir los permisos para las herramientas de IA?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">El límite de seguridad de la aplicación o del runtime debería hacer cumplir la autorización. Un modelo puede solicitar una operación, pero la intención del modelo nunca debería tratarse como autoridad de ejecución suficiente.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq7\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Dónde pertenece el estado actual de la aplicación?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">El estado volátil autoritativo normalmente debería permanecer en la aplicación o el sistema de dominio que lo posee. La IA puede recibir el estado relevante a través de contexto controlado o acceso a herramientas cuando sea necesario.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-88\">Glosario\u003C\u002Fh2>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Términos clave\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"generative-model\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Modelo generativo\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Un modelo de IA diseñado para generar contenido sintético derivado, como texto, imágenes, audio, video, código o salida estructurada.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"retrieval\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Recuperación\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">El proceso de seleccionar información relevante de una fuente o almacén externo para la tarea actual.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"rag\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">RAG\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Generación Aumentada por Recuperación: un patrón en el que se proporciona información externa recuperada a un modelo generativo para mejorar la salida actual.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"tool\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Herramienta\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Una capacidad expuesta a un runtime de IA para leer datos, calcular, buscar o realizar una acción externa.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"context\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Contexto\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">La información disponible para el modelo en un paso de inferencia particular.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"runtime-orchestrator\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Runtime \u002F orquestador\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">La capa de software que coordina llamadas al modelo, llamadas a herramientas, bucles de tareas, sesiones, reintentos, eventos o entornos de ejecución.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"application\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Aplicación\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">La capa de producto y dominio que posee la interacción del usuario, el estado autoritativo, los permisos, la validación, la persistencia y el comportamiento del negocio.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"provider\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Proveedor\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">El servicio o runtime que expone acceso a uno o más modelos; la identidad del proveedor y la identidad del modelo son cuestiones separadas.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Ch2 id=\"section-90\">Fuentes primarias y evidencia de implementación\u003C\u002Fh2>\n\u003Cp>Las definiciones estables a continuación están ancladas en estándares\u002Finvestigación; los ejemplos de implementación de rápida evolución utilizan documentación de ingeniería oficial actual. Aaasaasa AI Client es evidencia de implementación original y se verificó contra el estado de su base de código\u002Fdocumentación con fecha del 26 de julio de 2026.\u003C\u002Fp>\n\u003Ca href=\"https:\u002F\u002Fnvlpubs.nist.gov\u002Fnistpubs\u002Fai\u002FNIST.AI.600-1.pdf\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NIST AI 600-1 — Perfil de Inteligencia Artificial Generativa\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">El perfil de IA generativa del NIST, que incluye la definición de IA generativa y la distinción explícita entre preocupaciones a nivel de modelo, sistema, aplicación y caso de uso.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fcsrc.nist.gov\u002Fglossary\u002Fterm\u002Fartificial_intelligence_model\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NIST — Modelo de Inteligencia Artificial\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Definición actual del glosario del NIST de un modelo de IA como un componente de un sistema de información que produce salidas a partir de entradas utilizando técnicas de IA.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fcsrc.nist.gov\u002Fglossary\u002Fterm\u002Fartificial_intelligence_system\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NIST — Sistema de Inteligencia Artificial\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Definición actual del glosario del NIST que muestra que un sistema de IA puede incluir sistemas de datos, software, hardware, aplicaciones, herramientas o utilidades que utilizan IA.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2005.11401\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Lewis et al. — Generación Aumentada por Recuperación para Tareas de PLN Intensivas en Conocimiento\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">El artículo de 2020 que introdujo la formulación de RAG que combina un modelo generativo con memoria no paramétrica recuperada.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ftools-file-search\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Búsqueda de Archivos\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Documentación oficial actual para la recuperación de archivos alojados en la API de Respuestas utilizando bases de conocimiento de archivos cargados, búsqueda semántica y búsqueda por palabras clave.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ffunction-calling\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Llamada a Funciones\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Documentación oficial actual que describe la llamada a herramientas\u002Ffunciones como la interfaz entre los modelos y los sistemas externos, datos y acciones.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Ingeniería de Contexto Efectiva para Agentes de IA\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Guía de ingeniería que define el contexto como el conjunto de tokens disponible durante el muestreo del LLM y explica por qué la selección de contexto es un problema de recursos finitos.\u003C\u002Fp>\u003C\u002Fa>",{"time":212,"blocks":213,"version":1065},1791475578297,[214,220,228,235,243,248,253,258,265,270,275,307,312,317,360,365,370,375,380,385,390,395,402,411,416,421,426,431,437,442,447,452,457,462,467,472,477,482,487,492,498,503,508,543,548,553,584,589,594,600,605,610,615,642,648,653,682,687,692,732,737,742,775,780,785,790,817,822,827,832,838,843,848,856,864,869,874,879,884,889,894,899,904,909,914,919,924,958,963,991,996,1001,1011,1020,1029,1038,1047,1056],{"id":215,"data":216,"type":218,"tunes":219},"intro",{"text":217},"La IA generativa no es un solo componente. Un sistema de IA generativa en producción normalmente combina un modelo generativo con código de aplicación que proporciona instrucciones y contexto, recupera conocimiento externo cuando es necesario, expone herramientas para leer o modificar sistemas externos, gestiona el estado de ejecución y los permisos, y convierte el resultado en un producto utilizable. Tratar el modelo, la recuperación, las herramientas, el contexto, el entorno de ejecución y la aplicación como si fueran lo mismo oculta las fronteras que determinan la frescura, la seguridad, la fiabilidad, el coste y el control.","paragraph",{},{"id":221,"data":222,"type":226,"tunes":227},"direct",{"body":223,"title":224,"variant":225},"\u003Cstrong>El modelo genera; la recuperación encuentra evidencia externa; las herramientas acceden a datos o realizan acciones; el contexto es lo que el modelo puede ver para la inferencia actual; el entorno de ejecución coordina la ejecución; la aplicación posee las reglas de producto, el estado, los permisos, la persistencia y la experiencia de usuario.\u003C\u002Fstrong> Estas capas pueden ser empaquetadas juntas por un proveedor, pero sus responsabilidades siguen siendo diferentes.","Respuesta directa","info","callout",{},{"id":229,"data":230,"type":226,"tunes":234},"scope-note",{"body":231,"title":232,"variant":233},"Este artículo define responsabilidades arquitectónicas duraderas en lugar de una pila de proveedor concreta. Los ejemplos de implementación actuales se volvieron a verificar el \u003Cstrong>8 de octubre de 2026\u003C\u002Fstrong>. Las API de los proveedores y los nombres de los productos pueden cambiar; las fronteras de responsabilidad son más estables que cualquier SDK o endpoint individual.","Nota sobre terminología y versiones","note",{},{"id":236,"data":237,"type":241,"tunes":242},"toc",{"title":238,"maxLevel":239,"minLevel":240},"Contenido",3,2,"tableOfContents",{},{"id":244,"data":245,"type":42,"tunes":247},"h-meaning",{"text":246,"level":240},"¿Qué significa realmente “IA generativa”?",{},{"id":249,"data":250,"type":218,"tunes":252},"p-meaning-1",{"text":251},"A nivel de modelo, la IA generativa se refiere a modelos de IA que generan contenido sintético derivado, como texto, imágenes, audio, vídeo, código u otra salida digital. NIST AI 600-1 utiliza este significado orientado al modelo y analiza por separado los riesgos a nivel de modelo, sistema, aplicación y caso de uso.",{},{"id":254,"data":255,"type":218,"tunes":257},"p-meaning-2",{"text":256},"Esa distinción importa porque un modelo de IA no es lo mismo que el sistema de IA completo. El glosario actual del NIST define un modelo de IA como un componente que produce salidas a partir de entradas utilizando técnicas computacionales, estadísticas o de aprendizaje automático, mientras que un sistema de IA puede incluir software, hardware, aplicaciones, herramientas o utilidades que operan utilizando IA.",{},{"id":259,"data":260,"type":226,"tunes":264},"model-system-rule",{"body":261,"title":262,"variant":263},"\u003Cstrong>Modelo generativo ≠ aplicación de IA generativa.\u003C\u002Fstrong>\u003Cbr>Un modelo es un componente computacional. Un producto de IA utilizable es un sistema construido alrededor de ese componente.","Una frontera útil","success",{},{"id":266,"data":267,"type":42,"tunes":269},"h-simple",{"text":268,"level":240},"El modelo útil más simple de un sistema de IA generativa",{},{"id":271,"data":272,"type":218,"tunes":274},"p-simple-1",{"text":273},"Como primer modelo mental, imagina un asistente empresarial que responde: “¿Puede este cliente recibir un reembolso hoy?”. Una respuesta útil puede requerir varias responsabilidades diferentes. El modelo de lenguaje puede interpretar la pregunta y redactar la explicación, pero el estado actual del pedido puede provenir de una herramienta de base de datos, la política de reembolsos puede provenir de la recuperación de documentos, los permisos pueden ser aplicados por la aplicación, y la acción final puede requerir una llamada a API controlada.",{},{"id":276,"data":277,"type":305,"tunes":306},"simple-flow",{"steps":278,"title":303,"orientation":304},[279,282,285,288,291,294,297,300],{"label":280,"description":281},"1. Solicitud del usuario","La aplicación recibe una pregunta o tarea en lenguaje natural.",{"label":283,"description":284},"2. Política y estado de la aplicación","La identidad, el inquilino, los permisos, el estado actual del flujo de trabajo y las reglas del producto definen qué puede hacer la solicitud.",{"label":286,"description":287},"3. Recuperación o acceso directo a datos","El sistema obtiene evidencia externa o hechos actuales cuando el conocimiento del modelo es insuficiente.",{"label":289,"description":290},"4. Construcción del contexto","Las instrucciones, la entrada del usuario, la evidencia seleccionada, el estado relevante y las definiciones de herramientas se ensamblan para el modelo.",{"label":292,"description":293},"5. Inferencia del modelo","El modelo generativo interpreta el contexto proporcionado y produce texto, salida estructurada o una solicitud de herramienta.",{"label":295,"description":296},"6. Ejecución de herramientas cuando es necesario","El entorno de ejecución o la aplicación valida y ejecuta las llamadas a herramientas aprobadas fuera del modelo.",{"label":298,"description":299},"7. Observación y continuación","Los resultados de las herramientas pueden volver al modelo como nuevo contexto para otro paso de inferencia.",{"label":301,"description":302},"8. Validación y salida del producto","La aplicación valida el resultado, registra el estado requerido o los datos de auditoría, y presenta o ejecuta el resultado final.","Una ruta de ejecución común","auto","processFlow",{},{"id":308,"data":309,"type":218,"tunes":311},"p-simple-2",{"text":310},"Los sistemas reales no siempre siguen esta secuencia exactamente. La recuperación puede ocurrir antes de la primera llamada al modelo, las herramientas pueden seleccionarse durante un bucle de agente, la lógica determinista de la aplicación puede evitar por completo el modelo, y la validación puede ocurrir en varias etapas. El objetivo es separar responsabilidades, no imponer un flujo de trabajo universal.",{},{"id":313,"data":314,"type":42,"tunes":316},"h-boundaries",{"text":315,"level":240},"Las seis fronteras que importan",{},{"id":318,"data":319,"type":358,"tunes":359},"boundary-comparison",{"rows":320,"title":346,"layout":347,"columns":348},[321,326,330,334,338,342],{"id":322,"label":323,"values":324},"model","Modelo",[325,325,325],"",{"id":327,"label":328,"values":329},"retrieval","Recuperación",[325,325,325],{"id":331,"label":332,"values":333},"tools","Herramientas",[325,325,325],{"id":335,"label":336,"values":337},"context","Contexto",[325,325,325],{"id":339,"label":340,"values":341},"runtime","Entorno de ejecución \u002F orquestador",[325,325,325],{"id":343,"label":344,"values":345},"application","Aplicación",[325,325,325],"Seis responsabilidades dentro de un producto de IA","table",[349,352,355],{"id":350,"label":351},"job","Tarea principal",{"id":353,"label":354},"input","Entradas típicas",{"id":356,"label":357},"not","No es lo mismo que","comparison",{},{"id":361,"data":362,"type":42,"tunes":364},"h-model",{"text":363,"level":240},"1. El modelo: la generación es su responsabilidad principal",{},{"id":366,"data":367,"type":218,"tunes":369},"p-model-1",{"text":368},"Un modelo generativo asigna las entradas proporcionadas a salidas generadas. Para un modelo de lenguaje, eso puede incluir texto en lenguaje natural, JSON estructurado, código, clasificaciones, resúmenes, planes o argumentos de llamadas a herramientas. Los modelos generativos multimodales pueden trabajar con tipos adicionales de entrada y salida.",{},{"id":371,"data":372,"type":218,"tunes":374},"p-model-2",{"text":373},"El modelo puede contener un conocimiento aprendido sustancial en sus parámetros, pero el conocimiento parametrizado no es una base de datos en vivo. El modelo no sabe automáticamente sobre un documento creado hace cinco minutos, el nivel de stock actual, un registro privado de un cliente o el estado de una aplicación, a menos que esa información se proporcione a través de la ruta de entrada actual.",{},{"id":376,"data":377,"type":218,"tunes":379},"p-model-3",{"text":378},"Por eso, cambiar el modelo no resuelve automáticamente el conocimiento obsoleto, los permisos faltantes, la recuperación rota, la propiedad incorrecta del estado o la ejecución insegura de herramientas. Esos fallos a menudo pertenecen a otras capas.",{},{"id":381,"data":382,"type":42,"tunes":384},"h-retrieval",{"text":383,"level":240},"2. Recuperación: encontrar evidencia externa es una operación separada",{},{"id":386,"data":387,"type":218,"tunes":389},"p-retrieval-1",{"text":388},"La recuperación selecciona información de una fuente externa antes o durante la generación. El trabajo de Generación Aumentada por Recuperación de 2020 de Lewis et al. hizo explícita la separación al combinar un modelo generativo paramétrico con memoria no paramétrica recuperada. Los sistemas de producción modernos utilizan muchas variantes de recuperación, pero la idea arquitectónica sigue siendo la misma: se puede obtener evidencia útil en el momento de la inferencia en lugar de depender únicamente de lo que el modelo aprendió durante el entrenamiento.",{},{"id":391,"data":392,"type":218,"tunes":394},"p-retrieval-2",{"text":393},"La recuperación puede utilizar búsqueda léxica, embeddings, búsqueda vectorial, búsqueda híbrida, SQL, grafos de conocimiento, filtros de metadatos, APIs u otros mecanismos de selección. Una base de datos vectorial es, por lo tanto, un posible componente de recuperación, no la definición de RAG.",{},{"id":396,"data":397,"type":226,"tunes":401},"retrieval-rule",{"body":398,"title":399,"variant":400},"Un pasaje recuperado puede ser altamente relevante y aun así estar desactualizado, no autorizado, provenir de la versión incorrecta o ser insuficiente para respaldar una afirmación. La calidad de la recuperación y la calidad de la evidencia deben evaluarse por separado.","La relevancia no es autoridad","warning",{},{"id":403,"data":404,"type":409,"tunes":410},"ref-rag",{"url":405,"title":406,"excerpt":407,"ctaLabel":408},"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works","¿Qué es RAG? La explicación más simple de cómo funciona","La explicación canónica en lenguaje sencillo de la generación aumentada por recuperación, incluida la separación entre LLM, conocimiento, estado, memoria y herramientas.","Lee los fundamentos de RAG","referralArticle",{},{"id":412,"data":413,"type":42,"tunes":415},"h-tools",{"text":414,"level":240},"3. Herramientas: el acceso y la acción no son conocimiento del modelo",{},{"id":417,"data":418,"type":218,"tunes":420},"p-tools-1",{"text":419},"Una herramienta es una interfaz a través de la cual un entorno de ejecución de IA puede solicitar funcionalidad fuera del modelo. Una herramienta puede consultar una base de datos, buscar en la web, leer un archivo, calcular un valor, llamar a un servicio interno, crear un ticket, enviar un mensaje, modificar un registro o desencadenar otra operación controlada.",{},{"id":422,"data":423,"type":218,"tunes":425},"p-tools-2",{"text":424},"La documentación actual de llamada a funciones de OpenAI hace explícito este límite: la llamada a funciones permite que los modelos interactúen con sistemas externos y accedan a datos o acciones proporcionados por la aplicación. El modelo puede proponer o seleccionar una llamada, pero el sistema externo realiza la operación real.",{},{"id":427,"data":428,"type":218,"tunes":430},"p-tools-3",{"text":429},"El uso de herramientas, por lo tanto, crea dos preguntas separadas: ¿Puede el modelo solicitar esta capacidad? y ¿Autorizará y ejecutará la aplicación dicha solicitud? Un sistema de producción no debe confundir la intención del modelo con el permiso para causar un efecto secundario.",{},{"id":432,"data":433,"type":226,"tunes":436},"tool-rule",{"body":434,"title":435,"variant":263},"Un modelo puede emitir una solicitud de herramienta válida y aun así ser denegada. La autorización, la validación de argumentos, los límites de velocidad, las reglas de transacción, los requisitos de auditoría y la reversión pertenecen fuera del modelo.","La intención del modelo no es autoridad de ejecución",{},{"id":438,"data":439,"type":42,"tunes":441},"h-context",{"text":440,"level":240},"4. Contexto: lo que el modelo puede ver en este momento",{},{"id":443,"data":444,"type":218,"tunes":446},"p-context-1",{"text":445},"El contexto es la información disponible para el modelo en un paso de inferencia particular. La guía de ingeniería de contexto de Anthropic describe el contexto como el conjunto de tokens incluidos al muestrear de un LLM. En la práctica, ese conjunto puede contener instrucciones del sistema, mensajes del usuario, historial de conversación, evidencia recuperada, definiciones de herramientas, resultados de herramientas, resúmenes de memoria y estado de aplicación seleccionado.",{},{"id":448,"data":449,"type":218,"tunes":451},"p-context-2",{"text":450},"El contexto, por lo tanto, no es ni la base de conocimiento completa ni la memoria a largo plazo. Una empresa puede almacenar diez millones de documentos mientras solo unos pocos pasajes entran en una llamada al modelo. Un entorno de ejecución puede persistir un año de historial de conversación mientras expone solo las piezas necesarias para la tarea actual.",{},{"id":453,"data":454,"type":218,"tunes":456},"p-context-3",{"text":455},"La ventana de contexto también crea una restricción de ingeniería. Agregar más texto no garantiza una mejor respuesta; la información irrelevante, desactualizada, contradictoria o de baja autoridad puede diluir la evidencia que realmente importa.",{},{"id":458,"data":459,"type":42,"tunes":461},"h-runtime",{"text":460,"level":240},"5. Entorno de ejecución y orquestación: coordinar el bucle",{},{"id":463,"data":464,"type":218,"tunes":466},"p-runtime-1",{"text":465},"La capa de entorno de ejecución u orquestación coordina cómo participa el modelo en una tarea. Dependiendo de la arquitectura, puede gestionar sesiones, solicitudes al modelo, descubrimiento de herramientas, bucles de llamadas a herramientas, reintentos, transferencias, eventos de streaming, tiempos de espera, puntos de control, compactación o entornos de ejecución.",{},{"id":468,"data":469,"type":218,"tunes":471},"p-runtime-2",{"text":470},"Algunos entornos de ejecución son código de aplicación ligero alrededor de una API de modelo. Otros son arneses de agente completos. Un entorno de ejecución gestionado por un proveedor puede poseer parte del bucle mientras la aplicación sigue siendo dueña de la verdad del dominio, la autorización, los efectos secundarios del negocio y el ciclo de vida del producto.",{},{"id":473,"data":474,"type":218,"tunes":476},"p-runtime-3",{"text":475},"Este límite es importante porque dónde se ejecuta el entorno de ejecución y dónde se ejecuta la inferencia son decisiones separadas. Un cliente o proceso de agente que se ejecuta localmente aún puede llamar a un modelo remoto, mientras que una aplicación remota puede llamar a un modelo alojado en infraestructura bajo el control de la organización.",{},{"id":478,"data":479,"type":42,"tunes":481},"h-application",{"text":480,"level":240},"6. La aplicación: donde la IA se convierte en producto",{},{"id":483,"data":484,"type":218,"tunes":486},"p-app-1",{"text":485},"La aplicación es el límite del producto en torno a los componentes de IA. Es responsable de la experiencia de usuario, el modelo de dominio, el estado actual, la identidad, el alcance del inquilino, los permisos, la persistencia, las integraciones de servicios, la validación, la observabilidad, la lógica de facturación o cuotas cuando corresponda, y las reglas que determinan qué puede ver o hacer la IA.",{},{"id":488,"data":489,"type":218,"tunes":491},"p-app-2",{"text":490},"Esta es la capa que convierte \"un modelo puede producir resultados útiles\" en \"un sistema puede ofrecer una capacidad fiable\". El mismo modelo puede participar en un asistente de investigación privado, un flujo de trabajo de soporte, un agente de código o una aplicación de comercio porque la aplicación circundante cambia los datos, las herramientas, las políticas, el estado y el contrato de ejecución.",{},{"id":493,"data":494,"type":226,"tunes":497},"app-rule",{"body":495,"title":496,"variant":225},"La sustitución de proveedor y modelo puede ser un objetivo arquitectónico. El estado autoritativo de la aplicación, los permisos, las reglas de dominio, el registro de auditoría y el contrato de usuario no pueden simplemente delegarse al modelo que esté seleccionado en ese momento.","El modelo es reemplazable; el límite del producto no lo es",{},{"id":499,"data":500,"type":42,"tunes":502},"h-work-together",{"text":501,"level":240},"Cómo funcionan las partes juntas en una solicitud real",{},{"id":504,"data":505,"type":218,"tunes":507},"p-together-1",{"text":506},"Consideremos un asistente de soporte al que se le pregunta: \"Reembolsa el pedido 4711 si aún es elegible, y explica por qué\". La solicitud combina conocimiento, estado actual, autorización, razonamiento y un efecto secundario.",{},{"id":509,"data":510,"type":347,"tunes":542},"support-table",{"content":511,"stretched":43,"withHeadings":14},[512,516,519,523,527,531,535,538],[513,514,515],"Necesidad","Capa correcta","Por qué",[517,328,518],"Política de reembolso","El sistema debe encontrar la política aplicable actual y preservar su procedencia.",[520,521,522],"Estado del pedido 4711","Acceso directo a datos\u002Fherramientas","El registro actual del pedido es estado autoritativo volátil, no algo que deba adivinarse a partir del conocimiento del modelo.",[524,525,526],"Autoridad del usuario para reembolsar","Aplicación \u002F autorización","Los permisos deben aplicarse independientemente de lo que solicite el modelo.",[528,529,530],"Interpretar la política frente a los hechos del pedido","Modelo + contexto","El modelo puede razonar sobre la evidencia de la política y el estado actual del pedido que se le proporciona.",[532,533,534],"Ejecutar reembolso","Herramienta + reglas de transacción de la aplicación","Una operación externa controlada cambia el estado real.",[536,323,537],"Explicar el resultado","El modelo puede generar la explicación para el usuario a partir de resultados validados.",[539,540,541],"Auditar lo sucedido","Aplicación \u002F tiempo de ejecución","El sistema registra evidencia, llamadas, decisiones, efectos secundarios y errores según sea necesario.",{},{"id":544,"data":545,"type":218,"tunes":547},"p-together-2",{"text":546},"Si el asistente solo tiene el modelo de lenguaje, puede hablar sobre reembolsos pero no puede saber de forma segura si el pedido 4711 es actualmente elegible ni realizar la transacción. Si solo tiene recuperación, puede encontrar la política pero aún carece del estado en vivo del pedido. Si tiene herramientas sin autorización de la aplicación, puede volverse capaz pero inseguro. La fiabilidad proviene de componer las capas con una propiedad explícita.",{},{"id":549,"data":550,"type":42,"tunes":552},"h-configs",{"text":551,"level":240},"Diferentes productos de IA usan combinaciones diferentes",{},{"id":554,"data":555,"type":358,"tunes":583},"config-comparison",{"rows":556,"title":573,"layout":347,"columns":574},[557,561,565,569],{"id":558,"label":559,"values":560},"bare","Asistente solo con modelo",[325,325,325,325],{"id":562,"label":563,"values":564},"rag","Asistente basado en recuperación",[325,325,325,325],{"id":566,"label":567,"values":568},"tool","Asistente que usa herramientas",[325,325,325,325],{"id":570,"label":571,"values":572},"agent","Aplicación agéntica",[325,325,325,325],"La presencia de un modelo no define toda la arquitectura",[575,576,577,580],{"id":327,"label":328},{"id":331,"label":332},{"id":578,"label":579},"state","Estado autoritativo",{"id":581,"label":582},"result","Capacidad típica",{},{"id":585,"data":586,"type":218,"tunes":588},"p-configs-1",{"text":587},"Estos son patrones de arquitectura, no clasificaciones de madurez. Una función solo con modelo puede ser el diseño correcto cuando la tarea no necesita hechos o acciones externas. Añadir recuperación, herramientas, memoria o un bucle de agente solo se justifica cuando la tarea requiere esas capacidades.",{},{"id":590,"data":591,"type":42,"tunes":593},"h-implementation",{"text":592,"level":240},"Evidencia de implementación: Aaasaasa AI Client",{},{"id":595,"data":596,"type":226,"tunes":599},"implementation-scope",{"body":597,"title":598,"variant":233},"La siguiente sección describe una implementación que construí y revisé contra el código base y la documentación de arquitectura de Aaasaasa AI Client con fecha de \u003Cstrong>26 de julio de 2026\u003C\u002Fstrong>. Es evidencia de la utilidad de estos límites, no una afirmación de que una implementación sea un estándar universal o un producto empresarial desplegado comercialmente.","Evidencia de implementación principal",{},{"id":601,"data":602,"type":218,"tunes":604},"p-impl-1",{"text":603},"Aaasaasa AI Client es un espacio de trabajo de IA de escritorio local-first construido con Nuxt 4, Electron y TypeScript. Su AI Hub separa deliberadamente agente\u002Fcliente, proveedor, modelo, ubicación de tiempo de ejecución, permisos y cliente web en lugar de tratarlos como una única configuración de \"IA\".",{},{"id":606,"data":607,"type":218,"tunes":609},"p-impl-2",{"text":608},"Esa separación crea un comportamiento concreto. Direct Chat puede hablar con modelos sin herramientas de sistema de archivos o shell. Un agente Codex puede usar un espacio de trabajo seleccionado y un perfil de permisos. Ollama puede proporcionar inferencia local directa, mientras que LM Studio y los endpoints configurables compatibles con OpenAI representan otras rutas de proveedor. Un proceso Codex que se ejecuta localmente aún puede usar un modelo en la nube, por lo que la interfaz y la arquitectura no equiparan el tiempo de ejecución local con la inferencia local.",{},{"id":611,"data":612,"type":218,"tunes":614},"p-impl-3",{"text":613},"La implementación también contiene soporte de Qdrant\u002Fvectores, capacidades de extracción de documentos y un broker MCP de directorio autenticado. Esos componentes ilustran otro límite: la infraestructura de recuperación y el acceso a herramientas pueden vivir en el mismo producto sin convertirse en propiedades del modelo en sí.",{},{"id":616,"data":617,"type":347,"tunes":641},"impl-map",{"content":618,"stretched":43,"withHeadings":14},[619,622,624,627,630,633,636,639],[620,621],"Concepto A01","Evidencia de implementación de Aaasaasa AI Client",[323,623],"Un identificador de modelo específico del proveedor se selecciona por separado del proveedor y del tiempo de ejecución.",[625,626],"Proveedor","Ollama, LM Studio, servicios compatibles con OpenAI y otras rutas de proveedor se representan por separado.",[628,629],"Tiempo de ejecución","La ubicación del agente\u002Ftiempo de ejecución local o remoto se rastrea independientemente del modelo.",[631,632],"Herramientas \u002F acceso","Direct Chat no tiene herramientas de sistema de archivos ni shell; el acceso controlado a directorios se gestiona por separado.",[634,635],"Permisos","Los perfiles de permisos del espacio de trabajo son política de aplicación\u002Fsesión, no capacidad del modelo.",[637,638],"Infraestructura de recuperación","El soporte de vectores y la extracción de documentos existen como capacidades de datos\u002Frecuperación en lugar de características del modelo.",[344,640],"El producto Electron\u002FNuxt coordina interfaz, credenciales, proveedores, descubrimiento de tiempo de ejecución, permisos, herramientas e interacción con el modelo.",{},{"id":643,"data":644,"type":226,"tunes":647},"impl-lesson",{"body":645,"title":646,"variant":263},"La arquitectura se volvió más fácil de razonar una vez que \u003Cstrong>modelo, proveedor, tiempo de ejecución, permisos, herramientas, datos y cliente\u003C\u002Fstrong> dejaron de representarse como una única elección de configuración. La distinción es operativa: determina qué puede ejecutarse localmente, qué puede acceder a archivos, qué puede llamar a inferencia en la nube de pago y qué capa posee la autorización.","Lección de implementación",{},{"id":649,"data":650,"type":42,"tunes":652},"h-errors",{"text":651,"level":240},"Errores de categoría comunes",{},{"id":654,"data":655,"type":347,"tunes":681},"errors-table",{"content":656,"stretched":43,"withHeadings":14},[657,660,663,666,669,672,675,678],[658,659],"Error de categoría","Lo que realmente está sucediendo",[661,662],"“La IA conoce nuestros documentos.”","La capa de aplicación o de recuperación pone a disposición del modelo el contenido seleccionado de los documentos.",[664,665],"“RAG es nuestra base de datos vectorial.”","La base de datos vectorial puede ser un índice o almacén utilizado por un pipeline de recuperación; RAG es el patrón de recuperación más generación.",[667,668],"“El modelo llamó a nuestro CRM.”","El modelo produjo una solicitud de herramienta; el runtime o la aplicación autorizó y ejecutó la llamada externa.",[670,671],"“Es IA local porque el agente de escritorio se ejecuta localmente.”","La ubicación del runtime y la ubicación de la inferencia son distintas. Un runtime local puede seguir invocando un modelo remoto.",[673,674],"“El modelo tiene permiso para editar archivos.”","La aplicación o el runtime otorga una capacidad de herramienta bajo una política de permisos; el permiso no es una propiedad intrínseca del modelo.",[676,677],"“Más contexto significa más conocimiento.”","El contexto es la entrada finita que se pone a disposición para una inferencia. Un contexto más grande puede contener más ruido, conflicto o información obsoleta.",[679,680],"“El chatbot es la arquitectura de IA.”","La interfaz de chat es una interfaz. El sistema también puede incluir identidad, estado, recuperación, herramientas, runtime, validación, persistencia y observabilidad.",{},{"id":683,"data":684,"type":42,"tunes":686},"h-failures",{"text":685,"level":240},"Modos de fallo cuando los límites se desdibujan",{},{"id":688,"data":689,"type":218,"tunes":691},"p-failure-intro",{"text":690},"Los errores de límites no son meramente problemas de terminología. Crean fallos de producción distintos que requieren soluciones diferentes.",{},{"id":693,"data":694,"type":358,"tunes":731},"failure-comparison",{"rows":695,"title":720,"layout":347,"columns":721},[696,700,704,708,712,716],{"id":697,"label":698,"values":699},"stale","Respuesta obsoleta",[325,325,325],{"id":701,"label":702,"values":703},"missing","Falta un dato de la empresa",[325,325,325],{"id":705,"label":706,"values":707},"unsafe","Efecto secundario inseguro",[325,325,325],{"id":709,"label":710,"values":711},"noise","Respuesta confusa con mucho texto proporcionado",[325,325,325],{"id":713,"label":714,"values":715},"route","Uso inesperado de la nube",[325,325,325],{"id":717,"label":718,"values":719},"loop","El agente se bloquea o se repite",[325,325,325],"Diagnostica la capa que falla antes de reemplazar el modelo",[722,725,728],{"id":723,"label":724},"symptom","Síntoma",{"id":726,"label":727},"likely","Problema de límites probable",{"id":729,"label":730},"fix","Primera verificación arquitectónica",{},{"id":733,"data":734,"type":42,"tunes":736},"h-version",{"text":735,"level":240},"¿Qué es estable y qué es sensible a la versión?",{},{"id":738,"data":739,"type":218,"tunes":741},"p-version-1",{"text":740},"Las distinciones arquitectónicas de este artículo son intencionalmente neutrales respecto al proveedor. Los ejemplos actuales a continuación son hechos de implementación que deben volver a verificarse cuando las API evolucionen.",{},{"id":743,"data":744,"type":347,"tunes":774},"version-table",{"content":745,"stretched":43,"withHeadings":14},[746,750,754,758,762,766,770],[747,748,749],"Área","Idea arquitectónica estable","Ejemplo actual verificado el 8 de octubre de 2026",[751,752,753],"Modelo de IA vs sistema","Un modelo es un componente dentro de un sistema más amplio","El glosario actual del NIST define por separado modelo de IA y sistema de IA.",[755,756,757],"RAG","La generación puede condicionarse a información externa recuperada","La formulación de Lewis et al. de 2020 sigue siendo la referencia fundacional; los métodos de recuperación en producción ahora se extienden mucho más allá de un único diseño de índice denso.",[759,760,761],"Recuperación alojada","La recuperación puede exponerse como una herramienta gestionada","OpenAI File Search es actualmente una herramienta de la API Responses que busca en bases de conocimiento de archivos cargados mediante recuperación semántica y por palabras clave.",[763,764,765],"Llamada a funciones o herramientas","Un modelo puede solicitar capacidades externas definidas por la aplicación","OpenAI documenta actualmente la llamada a funciones como una interfaz hacia sistemas, datos y acciones externos.",[767,768,769],"Ingeniería de contexto","El comportamiento del modelo depende de la información finita suministrada para la inferencia actual","La guía de ingeniería actual de Anthropic define el contexto como el conjunto de tokens incluido al muestrear del LLM y se centra en curar ese conjunto.",[771,772,773],"API de proveedores","Los SDK, nombres de herramientas, formas de endpoints y funciones compatibles cambian","Trata la documentación del proveedor como sensible a la versión incluso cuando el límite de responsabilidad permanece estable.",{},{"id":776,"data":777,"type":218,"tunes":779},"p-version-2",{"text":778},"Un artículo de referencia debería, por lo tanto, preservar ambos niveles: conceptos estables para la arquitectura y evidencia fechada para las implementaciones actuales. Mezclar los dos hace que un artículo envejezca innecesariamente rápido.",{},{"id":781,"data":782,"type":42,"tunes":784},"h-test",{"text":783,"level":240},"La prueba de límites de componentes de IA",{},{"id":786,"data":787,"type":218,"tunes":789},"p-test-1",{"text":788},"Al evaluar una función de IA, haz las siguientes preguntas en orden. Las respuestas revelan qué componentes tiene realmente el sistema y qué responsabilidades siguen siendo implícitas.",{},{"id":791,"data":792,"type":305,"tunes":816},"boundary-test",{"steps":793,"title":815,"orientation":304},[794,797,800,803,806,809,812],{"label":795,"description":796},"1. ¿Qué genera la salida?","Identifica el modelo exacto y las modalidades o salidas estructuradas que proporciona.",{"label":798,"description":799},"2. ¿Qué hechos son autoritativos fuera del modelo?","Identifica documentos, bases de datos, API, estado actual y otras fuentes de verdad.",{"label":801,"description":802},"3. ¿Cómo se selecciona la información relevante?","Separa la búsqueda directa, la búsqueda, la recuperación, el ranking y la construcción de contexto.",{"label":804,"description":805},"4. ¿Qué puede causar efectos secundarios reales?","Enumera herramientas y acciones externas, luego identifica quién las valida y autoriza.",{"label":807,"description":808},"5. ¿Qué llega al modelo como contexto?","Haz explícitos las instrucciones, la evidencia, el estado, el historial, la memoria y las definiciones de herramientas.",{"label":810,"description":811},"6. ¿Quién es dueño del bucle?","Identifica el runtime o harness que gestiona llamadas, eventos, reintentos, bucles de herramientas y sesiones.",{"label":813,"description":814},"7. ¿Qué sigue siendo responsabilidad de la aplicación?","Haz explícitos la identidad, los permisos, el estado del dominio, la validación, la persistencia, la observabilidad y la UX.","Siete preguntas para un diseño de producción",{},{"id":818,"data":819,"type":42,"tunes":821},"h-not",{"text":820,"level":240},"Lo que la IA generativa no es",{},{"id":823,"data":824,"type":218,"tunes":826},"p-not-1",{"text":825},"La IA generativa no es sinónimo de un LLM, aunque los LLM son una clase importante de modelo generativo. Tampoco es sinónimo de RAG, una base de datos vectorial, un agente, un protocolo de herramientas, una interfaz de chatbot o una aplicación.",{},{"id":828,"data":829,"type":218,"tunes":831},"p-not-2",{"text":830},"Esos conceptos pueden estar conectados, pero cada uno responde a una pregunta arquitectónica diferente. Un LLM pregunta cómo se produce la salida de lenguaje. La recuperación pregunta de dónde proviene la evidencia externa. Las herramientas preguntan cómo se exponen las capacidades externas. El contexto pregunta qué puede ver el modelo. El runtime pregunta cómo se coordina la ejecución. La aplicación pregunta cómo la capacidad se convierte en un producto controlado.",{},{"id":833,"data":834,"type":226,"tunes":837},"remember",{"body":835,"title":836,"variant":263},"\u003Cstrong>Modelo = generar.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Recuperación = encontrar evidencia.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Herramientas = leer o actuar fuera del modelo.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Contexto = lo que el modelo ve ahora.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Runtime = coordinar la ejecución.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Aplicación = poseer el producto, el estado, las reglas y los permisos.\u003C\u002Fstrong>","Si solo recuerdas un modelo",{},{"id":839,"data":840,"type":42,"tunes":842},"h-next",{"text":841,"level":240},"A dónde ir después en el grafo de conocimiento",{},{"id":844,"data":845,"type":218,"tunes":847},"p-next-1",{"text":846},"Una vez que estos límites están claros, los temas más profundos se vuelven más fáciles de ubicar. RAG pertenece a la recuperación y a la construcción de contexto. Retrieval Trigger decide cuándo se requiere evidencia externa. La memoria del agente se refiere a lo que persiste a lo largo del tiempo. La llamada a herramientas y MCP pertenecen al acceso a capacidades. Los harness de agentes pertenecen a la orquestación del runtime. RBAC, el aislamiento de inquilinos y la autorización de dominio pertenecen al límite de seguridad de la aplicación y la plataforma.",{},{"id":849,"data":850,"type":409,"tunes":855},"ref-data",{"url":851,"title":852,"excerpt":853,"ctaLabel":854},"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fwhere-does-an-llm-get-its-data-rag-data-sources-in-python","¿De dónde obtiene sus datos un LLM? Fuentes de datos RAG en Python","Una continuación práctica que muestra cómo archivos, SQL, APIs, búsqueda de texto completo, embeddings y ensamblaje de contexto conectan datos externos a un LLM.","Ver la ruta de datos en código",{},{"id":857,"data":858,"type":409,"tunes":863},"ref-trigger",{"url":859,"title":860,"excerpt":861,"ctaLabel":862},"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fwhen-should-an-ai-stop-trusting-its-own-knowledge-the-retrieval-trigger","¿Cuándo debería una IA dejar de confiar en su propio conocimiento? — El disparador de recuperación","Un modelo de decisión para determinar cuándo un sistema de IA debería dejar de depender únicamente del conocimiento del modelo y obtener evidencia externa.","Leer el modelo de decisión de recuperación",{},{"id":865,"data":866,"type":42,"tunes":868},"h-limit",{"text":867,"level":240},"Limitaciones",{},{"id":870,"data":871,"type":218,"tunes":873},"p-limit-1",{"text":872},"El modelo de seis capas es un mapa de responsabilidades, no un requisito de que cada producto despliegue seis servicios separados. Una aplicación pequeña puede implementar la construcción de contexto, la recuperación y la orquestación dentro de un solo proceso. Una plataforma gestionada puede agrupar varias responsabilidades detrás de una sola API. El despliegue físico puede combinarse mientras la propiedad semántica permanece distinta.",{},{"id":875,"data":876,"type":218,"tunes":878},"p-limit-2",{"text":877},"La terminología también varía entre proveedores e investigaciones. “Agente”, “runtime”, “memoria”, “herramienta”, “conector” y “contexto” pueden definirse de manera diferente. Las definiciones aquí se eligen para hacer explícita la propiedad operativa y el diagnóstico de fallos, en lugar de afirmar que todos los frameworks utilizan un vocabulario idéntico.",{},{"id":880,"data":881,"type":218,"tunes":883},"p-limit-3",{"text":882},"La sección del Cliente de IA de Aaasaasa documenta un patrón de implementación. Demuestra que los límites explícitos son prácticos, pero no prueba que la misma disposición de componentes sea óptima para todos los productos de IA.",{},{"id":885,"data":886,"type":42,"tunes":888},"h-change",{"text":887,"level":240},"¿Qué cambiaría esta respuesta?",{},{"id":890,"data":891,"type":218,"tunes":893},"p-change-1",{"text":892},"El mapa de responsabilidades necesitaría revisión si las propias arquitecturas de modelos comenzaran a poseer estado externo autoritativo, permisos, efectos secundarios transaccionales duraderos y acceso verificable a fuentes como propiedades intrínsecas en lugar de capacidades proporcionadas por un sistema circundante. Las arquitecturas de producción actuales no hacen que eso sea una suposición general segura.",{},{"id":895,"data":896,"type":218,"tunes":898},"p-change-2",{"text":897},"Los ejemplos de implementación individuales cambiarán mucho antes. Las herramientas de recuperación alojadas, las APIs de agentes, las integraciones MCP, las funciones de gestión de contexto y las capacidades de los proveedores evolucionan rápidamente. Esos detalles deben actualizarse sin colapsar las distinciones subyacentes entre generación, evidencia, acceso a capacidades, contexto, ejecución y control de la aplicación.",{},{"id":900,"data":901,"type":42,"tunes":903},"h-conclusion",{"text":902,"level":240},"Conclusión",{},{"id":905,"data":906,"type":218,"tunes":908},"p-conclusion-1",{"text":907},"La IA generativa se vuelve más fácil de diseñar una vez que “la IA” deja de tratarse como una sola caja negra. El modelo es el componente generativo, no el producto completo. La recuperación proporciona evidencia externa. Las herramientas exponen capacidades. El contexto lleva información seleccionada a la inferencia actual. El runtime coordina la ejecución. La aplicación posee el límite autoritativo del producto.",{},{"id":910,"data":911,"type":218,"tunes":913},"p-conclusion-2",{"text":912},"Esa separación es útil para más que la explicación. Les dice a los ingenieros dónde se originan los hechos obsoletos, dónde pertenece la autorización, por qué un runtime local aún puede usar inferencia en la nube, por qué RAG no equivale a una base de datos vectorial, por qué las llamadas a herramientas requieren validación y por qué cambiar el modelo no puede reparar todos los fallos del sistema.",{},{"id":915,"data":916,"type":218,"tunes":918},"p-conclusion-3",{"text":917},"La pregunta arquitectónica duradera, por lo tanto, no es “¿Qué modelo de IA estamos usando?” Es: ¿Qué responsabilidad posee cada componente, qué evidencia cruza cada límite y qué capa tiene permitido cambiar el estado real?",{},{"id":920,"data":921,"type":42,"tunes":923},"h-faq",{"text":922,"level":240},"Preguntas frecuentes",{},{"id":925,"data":926,"type":925,"tunes":957},"faq",{"items":927,"title":956},[928,932,936,940,944,948,952],{"id":929,"answer":930,"question":931},"faq1","No. Un LLM es un tipo de modelo generativo. La IA generativa también incluye otras modalidades, y un sistema de IA generativa en producción puede incluir recuperación, herramientas, lógica de runtime, estado de la aplicación, permisos, persistencia e interfaces de usuario alrededor del modelo.","¿Es lo mismo la IA generativa que un LLM?",{"id":933,"answer":934,"question":935},"faq2","Generalmente no. RAG es un patrón de aplicación\u002Fsistema que recupera información externa y proporciona evidencia seleccionada al modelo. Algunas plataformas empaquetan la recuperación estrechamente con las APIs del modelo, pero la responsabilidad sigue siendo distinta.","¿Es RAG parte del modelo?",{"id":937,"answer":938,"question":939},"faq3","No. RAG puede usar búsqueda vectorial, búsqueda léxica, recuperación híbrida, SQL, APIs, grafos de conocimiento u otros métodos. La propiedad que lo define es la recuperación de información externa para la generación, no una tecnología de almacenamiento.","¿Se requiere una base de datos vectorial para RAG?",{"id":941,"answer":942,"question":943},"faq4","No. Una herramienta es una capacidad externa. Su definición puede representarse en el contexto, y su resultado puede ingresar posteriormente al contexto, pero la capacidad real se ejecuta fuera del modelo.","¿Son las herramientas lo mismo que el contexto?",{"id":945,"answer":946,"question":947},"faq5","No. La ubicación del runtime y la ubicación de la inferencia son separadas. Una aplicación de escritorio local o un agente puede llamar a un modelo remoto, mientras que una aplicación remota puede llamar a un modelo alojado internamente.","¿Ejecutar un cliente de IA localmente significa que el modelo es local?",{"id":949,"answer":950,"question":951},"faq6","El límite de seguridad de la aplicación o del runtime debería hacer cumplir la autorización. Un modelo puede solicitar una operación, pero la intención del modelo nunca debería tratarse como autoridad de ejecución suficiente.","¿Quién debería hacer cumplir los permisos para las herramientas de IA?",{"id":953,"answer":954,"question":955},"faq7","El estado volátil autoritativo normalmente debería permanecer en la aplicación o el sistema de dominio que lo posee. La IA puede recibir el estado relevante a través de contexto controlado o acceso a herramientas cuando sea necesario.","¿Dónde pertenece el estado actual de la aplicación?","Límites de los sistemas de IA generativa",{},{"id":959,"data":960,"type":42,"tunes":962},"h-glossary",{"text":961,"level":240},"Glosario",{},{"id":964,"data":965,"type":964,"tunes":990},"glossary",{"title":966,"entries":967},"Términos clave",[968,972,974,976,979,981,985,987],{"term":969,"anchor":970,"definition":971},"Modelo generativo","generative-model","Un modelo de IA diseñado para generar contenido sintético derivado, como texto, imágenes, audio, video, código o salida estructurada.",{"term":328,"anchor":327,"definition":973},"El proceso de seleccionar información relevante de una fuente o almacén externo para la tarea actual.",{"term":755,"anchor":562,"definition":975},"Generación Aumentada por Recuperación: un patrón en el que se proporciona información externa recuperada a un modelo generativo para mejorar la salida actual.",{"term":977,"anchor":566,"definition":978},"Herramienta","Una capacidad expuesta a un runtime de IA para leer datos, calcular, buscar o realizar una acción externa.",{"term":336,"anchor":335,"definition":980},"La información disponible para el modelo en un paso de inferencia particular.",{"term":982,"anchor":983,"definition":984},"Runtime \u002F orquestador","runtime-orchestrator","La capa de software que coordina llamadas al modelo, llamadas a herramientas, bucles de tareas, sesiones, reintentos, eventos o entornos de ejecución.",{"term":344,"anchor":343,"definition":986},"La capa de producto y dominio que posee la interacción del usuario, el estado autoritativo, los permisos, la validación, la persistencia y el comportamiento del negocio.",{"term":625,"anchor":988,"definition":989},"provider","El servicio o runtime que expone acceso a uno o más modelos; la identidad del proveedor y la identidad del modelo son cuestiones separadas.",{},{"id":992,"data":993,"type":42,"tunes":995},"h-sources",{"text":994,"level":240},"Fuentes primarias y evidencia de implementación",{},{"id":997,"data":998,"type":218,"tunes":1000},"p-sources-note",{"text":999},"Las definiciones estables a continuación están ancladas en estándares\u002Finvestigación; los ejemplos de implementación de rápida evolución utilizan documentación de ingeniería oficial actual. Aaasaasa AI Client es evidencia de implementación original y se verificó contra el estado de su base de código\u002Fdocumentación con fecha del 26 de julio de 2026.",{},{"id":1002,"data":1003,"type":1009,"tunes":1010},"src-nist-profile",{"link":1004,"meta":1005},"https:\u002F\u002Fnvlpubs.nist.gov\u002Fnistpubs\u002Fai\u002FNIST.AI.600-1.pdf",{"image":1006,"title":1007,"description":1008},{"url":325},"NIST AI 600-1 — Perfil de Inteligencia Artificial Generativa","El perfil de IA generativa del NIST, que incluye la definición de IA generativa y la distinción explícita entre preocupaciones a nivel de modelo, sistema, aplicación y caso de uso.","linkTool",{},{"id":1012,"data":1013,"type":1009,"tunes":1019},"src-nist-model",{"link":1014,"meta":1015},"https:\u002F\u002Fcsrc.nist.gov\u002Fglossary\u002Fterm\u002Fartificial_intelligence_model",{"image":1016,"title":1017,"description":1018},{"url":325},"NIST — Modelo de Inteligencia Artificial","Definición actual del glosario del NIST de un modelo de IA como un componente de un sistema de información que produce salidas a partir de entradas utilizando técnicas de IA.",{},{"id":1021,"data":1022,"type":1009,"tunes":1028},"src-nist-system",{"link":1023,"meta":1024},"https:\u002F\u002Fcsrc.nist.gov\u002Fglossary\u002Fterm\u002Fartificial_intelligence_system",{"image":1025,"title":1026,"description":1027},{"url":325},"NIST — Sistema de Inteligencia Artificial","Definición actual del glosario del NIST que muestra que un sistema de IA puede incluir sistemas de datos, software, hardware, aplicaciones, herramientas o utilidades que utilizan IA.",{},{"id":1030,"data":1031,"type":1009,"tunes":1037},"src-rag-paper",{"link":1032,"meta":1033},"https:\u002F\u002Farxiv.org\u002Fabs\u002F2005.11401",{"image":1034,"title":1035,"description":1036},{"url":325},"Lewis et al. — Generación Aumentada por Recuperación para Tareas de PLN Intensivas en Conocimiento","El artículo de 2020 que introdujo la formulación de RAG que combina un modelo generativo con memoria no paramétrica recuperada.",{},{"id":1039,"data":1040,"type":1009,"tunes":1046},"src-openai-file-search",{"link":1041,"meta":1042},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ftools-file-search",{"image":1043,"title":1044,"description":1045},{"url":325},"OpenAI — Búsqueda de Archivos","Documentación oficial actual para la recuperación de archivos alojados en la API de Respuestas utilizando bases de conocimiento de archivos cargados, búsqueda semántica y búsqueda por palabras clave.",{},{"id":1048,"data":1049,"type":1009,"tunes":1055},"src-openai-functions",{"link":1050,"meta":1051},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ffunction-calling",{"image":1052,"title":1053,"description":1054},{"url":325},"OpenAI — Llamada a Funciones","Documentación oficial actual que describe la llamada a herramientas\u002Ffunciones como la interfaz entre los modelos y los sistemas externos, datos y acciones.",{},{"id":1057,"data":1058,"type":1009,"tunes":1064},"src-anthropic-context",{"link":1059,"meta":1060},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"image":1061,"title":1062,"description":1063},{"url":325},"Anthropic — Ingeniería de Contexto Efectiva para Agentes de IA","Guía de ingeniería que define el contexto como el conjunto de tokens disponible durante el muestreo del LLM y explica por qué la selección de contexto es un problema de recursos finitos.",{},"2.31","La IA generativa es más que un modelo. Aprende cómo los modelos, la recuperación, las herramientas, el contexto, los entornos de ejecución y las aplicaciones encajan en los sistemas de IA en producción.","\u002Fuploads\u002F2026\u002F10\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing-1791475411822-pp0dvz.webp","generative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing-1791475411822-pp0dvz","PUBLISHED","2026-10-08T12:00:00.000Z","2026-10-08T16:00:39.350Z","2026-10-08T16:10:51.437Z",{"en":1074,"de":1075,"sr":1076,"es":1077,"fr":1078,"it":1079,"ru":1080,"zh":1081},"\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Fde\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Fsr\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Fes\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Ffr\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Fit\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Fru\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Fzh\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing",[1083,1087,1091,1095,1099],{"id":1084,"name":1085,"slug":1086},84,"Política y límites de datos","policy-and-data",{"id":1088,"name":1089,"slug":1090},57,"Límites de datos","data-boundaries",{"id":1092,"name":1093,"slug":1094},80,"Acceso e identidad","access-and-identity",{"id":1096,"name":1097,"slug":1098},68,"Riesgos, controles y evidencias","risks-and-controls",{"id":1100,"name":1101,"slug":1102},54,"Modelo de amenazas","threat-model",{"id":1104,"login":1105,"email":1106,"displayName":1107},"20","rooth8233","aleksandar@stajic.de","Aleksandar Stajić",[1109,1812],{"lang":1110,"title":1111,"content":1112,"contentJson":1113,"excerpt":1811},"en","Generative AI Explained: Models, Retrieval, Tools and Applications Are Not the Same Thing","{\"time\":1791475413504,\"blocks\":[{\"id\":\"intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Generative AI is not one component. A production generative AI system usually combines a generative model with application code that supplies instructions and context, retrieves external knowledge when needed, exposes tools for reading or changing external systems, manages runtime state and permissions, and turns the result into a usable product. Treating the model, retrieval, tools, context, runtime, and application as the same thing hides the boundaries that determine freshness, security, reliability, cost, and control.\"},\"tunes\":{}},{\"id\":\"direct\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"\u003Cstrong>The model generates; retrieval finds external evidence; tools access data or perform actions; context is what the model can see for the current inference; the runtime coordinates execution; the application owns product rules, state, permissions, persistence, and user experience.\u003C\u002Fstrong> These layers can be packaged together by a vendor, but their responsibilities remain different.\"},\"tunes\":{}},{\"id\":\"scope-note\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Terminology and version note\",\"body\":\"This article defines durable architectural responsibilities rather than one vendor stack. Current implementation examples were re-checked on \u003Cstrong>8 October 2026\u003C\u002Fstrong>. Vendor APIs and product names can change; the responsibility boundaries are more stable than any individual SDK or endpoint.\"},\"tunes\":{}},{\"id\":\"toc\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"h-meaning\",\"type\":\"header\",\"data\":{\"text\":\"What does “generative AI” actually mean?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-meaning-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"At the model level, generative AI refers to AI models that generate derived synthetic content such as text, images, audio, video, code, or other digital output. NIST AI 600-1 uses this model-oriented meaning and separately discusses risks at model, system, application, and use-case levels.\"},\"tunes\":{}},{\"id\":\"p-meaning-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"That distinction matters because an AI model is not the same thing as the complete AI system. NIST's current glossary defines an AI model as a component that produces outputs from inputs using computational, statistical, or machine-learning techniques, while an AI system can include software, hardware, applications, tools, or utilities that operate using AI.\"},\"tunes\":{}},{\"id\":\"model-system-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"A useful boundary\",\"body\":\"\u003Cstrong>Generative model ≠ generative AI application.\u003C\u002Fstrong>\u003Cbr>A model is one computational component. A usable AI product is a system built around that component.\"},\"tunes\":{}},{\"id\":\"h-simple\",\"type\":\"header\",\"data\":{\"text\":\"The simplest useful model of a generative AI system\",\"level\":2},\"tunes\":{}},{\"id\":\"p-simple-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"For a first mental model, imagine a company assistant answering: “Can this customer receive a refund today?” A useful answer may require several different responsibilities. The language model can interpret the question and write the explanation, but the current order state may come from a database tool, the refund policy may come from document retrieval, permissions may be enforced by the application, and the final action may require a controlled API call.\"},\"tunes\":{}},{\"id\":\"simple-flow\",\"type\":\"processFlow\",\"data\":{\"title\":\"One common execution path\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. User request\",\"description\":\"The application receives a natural-language question or task.\"},{\"label\":\"2. Application policy and state\",\"description\":\"Identity, tenant, permissions, current workflow state, and product rules define what the request is allowed to do.\"},{\"label\":\"3. Retrieval or direct data access\",\"description\":\"The system obtains external evidence or current facts when model knowledge is insufficient.\"},{\"label\":\"4. Context construction\",\"description\":\"Instructions, user input, selected evidence, relevant state, and tool definitions are assembled for the model.\"},{\"label\":\"5. Model inference\",\"description\":\"The generative model interprets the supplied context and produces text, structured output, or a tool request.\"},{\"label\":\"6. Tool execution when needed\",\"description\":\"The runtime or application validates and executes approved tool calls outside the model.\"},{\"label\":\"7. Observation and continuation\",\"description\":\"Tool results can return to the model as new context for another inference step.\"},{\"label\":\"8. Validation and product output\",\"description\":\"The application validates the result, records required state or audit data, and presents or executes the final outcome.\"}]},\"tunes\":{}},{\"id\":\"p-simple-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Real systems do not always follow this sequence exactly. Retrieval can happen before the first model call, tools can be selected during an agent loop, deterministic application logic can bypass the model entirely, and validation can occur at several stages. The point is to separate responsibilities, not to impose one universal workflow.\"},\"tunes\":{}},{\"id\":\"h-boundaries\",\"type\":\"header\",\"data\":{\"text\":\"The six boundaries that matter\",\"level\":2},\"tunes\":{}},{\"id\":\"boundary-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Six responsibilities inside one AI product\",\"layout\":\"table\",\"columns\":[{\"id\":\"job\",\"label\":\"Primary job\"},{\"id\":\"input\",\"label\":\"Typical inputs\"},{\"id\":\"not\",\"label\":\"Not the same as\"}],\"rows\":[{\"id\":\"model\",\"label\":\"Model\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"retrieval\",\"label\":\"Retrieval\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"tools\",\"label\":\"Tools\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"context\",\"label\":\"Context\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"runtime\",\"label\":\"Runtime \u002F orchestrator\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"application\",\"label\":\"Application\",\"values\":[\"\",\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"h-model\",\"type\":\"header\",\"data\":{\"text\":\"1. The model: generation is its core responsibility\",\"level\":2},\"tunes\":{}},{\"id\":\"p-model-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A generative model maps supplied inputs to generated outputs. For a language model, that can include natural-language text, structured JSON, code, classifications, summaries, plans, or tool-call arguments. Multimodal generative models can work with additional input and output types.\"},\"tunes\":{}},{\"id\":\"p-model-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The model can contain substantial learned knowledge in its parameters, but parameterized knowledge is not a live database. The model does not automatically know a document created five minutes ago, the current stock level, a private customer record, or the state of an application unless that information is supplied through the current input path.\"},\"tunes\":{}},{\"id\":\"p-model-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is why changing the model does not automatically solve stale knowledge, missing permissions, broken retrieval, incorrect state ownership, or unsafe tool execution. Those failures often belong to other layers.\"},\"tunes\":{}},{\"id\":\"h-retrieval\",\"type\":\"header\",\"data\":{\"text\":\"2. Retrieval: finding external evidence is a separate operation\",\"level\":2},\"tunes\":{}},{\"id\":\"p-retrieval-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Retrieval selects information from an external source before or during generation. The 2020 Retrieval-Augmented Generation work by Lewis et al. made the separation explicit by combining a parametric generative model with retrieved non-parametric memory. Modern production systems use many retrieval variants, but the architectural idea remains: useful evidence can be fetched at inference time instead of relying only on what the model learned during training.\"},\"tunes\":{}},{\"id\":\"p-retrieval-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Retrieval can use lexical search, embeddings, vector search, hybrid search, SQL, knowledge graphs, metadata filters, APIs, or other selection mechanisms. A vector database is therefore one possible retrieval component, not the definition of RAG.\"},\"tunes\":{}},{\"id\":\"retrieval-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Relevance is not authority\",\"body\":\"A retrieved passage can be highly relevant and still be stale, unauthorized, from the wrong version, or insufficient to support a claim. Retrieval quality and evidence quality must be evaluated separately.\"},\"tunes\":{}},{\"id\":\"ref-rag\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works\",\"title\":\"What Is RAG? The Simplest Explanation of How It Works\",\"excerpt\":\"The canonical plain-English explanation of retrieval-augmented generation, including the separation between LLM, knowledge, state, memory and tools.\",\"ctaLabel\":\"Read the RAG foundation\"},\"tunes\":{}},{\"id\":\"h-tools\",\"type\":\"header\",\"data\":{\"text\":\"3. Tools: access and action are not model knowledge\",\"level\":2},\"tunes\":{}},{\"id\":\"p-tools-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A tool is an interface through which an AI runtime can request functionality outside the model. A tool can query a database, search the web, read a file, calculate a value, call an internal service, create a ticket, send a message, modify a record, or trigger another controlled operation.\"},\"tunes\":{}},{\"id\":\"p-tools-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's current function-calling documentation makes this boundary explicit: function calling lets models interface with external systems and access data or actions provided by the application. The model can propose or select a call, but the external system performs the real operation.\"},\"tunes\":{}},{\"id\":\"p-tools-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tool use therefore creates two separate questions: Can the model request this capability? and Will the application authorize and execute it? A production system should not confuse model intent with permission to cause a side effect.\"},\"tunes\":{}},{\"id\":\"tool-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Model intent is not execution authority\",\"body\":\"A model can emit a valid tool request and still be denied. Authorization, argument validation, rate limits, transaction rules, audit requirements, and rollback belong outside the model.\"},\"tunes\":{}},{\"id\":\"h-context\",\"type\":\"header\",\"data\":{\"text\":\"4. Context: what the model can see right now\",\"level\":2},\"tunes\":{}},{\"id\":\"p-context-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context is the information available to the model for a particular inference step. Anthropic's context-engineering guidance describes context as the set of tokens included when sampling from an LLM. In practice, that set can contain system instructions, user messages, conversation history, retrieved evidence, tool definitions, tool results, memory summaries, and selected application state.\"},\"tunes\":{}},{\"id\":\"p-context-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context is therefore neither the complete knowledge base nor long-term memory. A company may store ten million documents while only a handful of passages enter one model call. A runtime may persist a year of conversation history while exposing only the pieces needed for the current task.\"},\"tunes\":{}},{\"id\":\"p-context-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The context window also creates an engineering constraint. Adding more text does not guarantee a better answer; irrelevant, stale, contradictory, or low-authority information can dilute the evidence that actually matters.\"},\"tunes\":{}},{\"id\":\"h-runtime\",\"type\":\"header\",\"data\":{\"text\":\"5. Runtime and orchestration: coordinating the loop\",\"level\":2},\"tunes\":{}},{\"id\":\"p-runtime-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The runtime or orchestration layer coordinates how the model participates in a task. Depending on the architecture, it can manage sessions, model requests, tool discovery, tool-call loops, retries, handoffs, streaming events, timeouts, checkpoints, compaction, or execution environments.\"},\"tunes\":{}},{\"id\":\"p-runtime-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some runtimes are thin application code around a model API. Others are full agent harnesses. A managed vendor runtime can own part of the loop while the application still owns domain truth, authorization, business side effects, and product lifecycle.\"},\"tunes\":{}},{\"id\":\"p-runtime-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This boundary is important because where the runtime runs and where inference runs are separate decisions. A locally running client or agent process can still call a remote model, while a remote application can call a model hosted on infrastructure under the organization's control.\"},\"tunes\":{}},{\"id\":\"h-application\",\"type\":\"header\",\"data\":{\"text\":\"6. The application: where AI becomes a product\",\"level\":2},\"tunes\":{}},{\"id\":\"p-app-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The application is the product boundary around the AI components. It owns the user experience, domain model, current state, identity, tenant scope, permissions, persistence, service integrations, validation, observability, billing or quota logic where relevant, and the rules that determine what the AI is allowed to see or do.\"},\"tunes\":{}},{\"id\":\"p-app-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is the layer that turns “a model can produce useful output” into “a system can deliver a reliable capability.” The same model can participate in a private research assistant, a support workflow, a code agent, or a commerce application because the surrounding application changes the data, tools, policies, state, and execution contract.\"},\"tunes\":{}},{\"id\":\"app-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"The model is replaceable; the product boundary is not\",\"body\":\"Provider and model substitution can be an architectural goal. The application's authoritative state, permissions, domain rules, audit trail, and user contract cannot simply be delegated to whichever model is currently selected.\"},\"tunes\":{}},{\"id\":\"h-work-together\",\"type\":\"header\",\"data\":{\"text\":\"How the parts work together in a real request\",\"level\":2},\"tunes\":{}},{\"id\":\"p-together-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Consider a support assistant asked: “Refund order 4711 if it is still eligible, and explain why.” The request combines knowledge, current state, authorization, reasoning, and a side effect.\"},\"tunes\":{}},{\"id\":\"support-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Need\",\"Correct layer\",\"Why\"],[\"Refund policy\",\"Retrieval\",\"The system must find the current applicable policy and preserve its provenance.\"],[\"Order 4711 status\",\"Direct data\u002Ftool access\",\"The current order record is volatile authoritative state, not something to guess from model knowledge.\"],[\"User's authority to refund\",\"Application \u002F authorization\",\"Permissions must be enforced independently of what the model asks for.\"],[\"Interpret policy against order facts\",\"Model + context\",\"The model can reason over the policy evidence and current order state supplied to it.\"],[\"Execute refund\",\"Tool + application transaction rules\",\"A controlled external operation changes real state.\"],[\"Explain outcome\",\"Model\",\"The model can generate the user-facing explanation from validated results.\"],[\"Audit what happened\",\"Application \u002F runtime\",\"The system records evidence, calls, decisions, side effects, and errors as required.\"]]},\"tunes\":{}},{\"id\":\"p-together-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"If the assistant only has the language model, it can discuss refunds but cannot safely know whether order 4711 is currently eligible or perform the transaction. If it only has retrieval, it may find the policy but still lack live order state. If it has tools without application authorization, it may become capable but unsafe. Reliability comes from composing the layers with explicit ownership.\"},\"tunes\":{}},{\"id\":\"h-configs\",\"type\":\"header\",\"data\":{\"text\":\"Different AI products use different combinations\",\"level\":2},\"tunes\":{}},{\"id\":\"config-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"The presence of a model does not define the whole architecture\",\"layout\":\"table\",\"columns\":[{\"id\":\"retrieval\",\"label\":\"Retrieval\"},{\"id\":\"tools\",\"label\":\"Tools\"},{\"id\":\"state\",\"label\":\"Authoritative state\"},{\"id\":\"result\",\"label\":\"Typical capability\"}],\"rows\":[{\"id\":\"bare\",\"label\":\"Model-only assistant\",\"values\":[\"\",\"\",\"\",\"\"]},{\"id\":\"rag\",\"label\":\"Retrieval-grounded assistant\",\"values\":[\"\",\"\",\"\",\"\"]},{\"id\":\"tool\",\"label\":\"Tool-using assistant\",\"values\":[\"\",\"\",\"\",\"\"]},{\"id\":\"agent\",\"label\":\"Agentic application\",\"values\":[\"\",\"\",\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"p-configs-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"These are architecture patterns, not maturity rankings. A model-only feature can be the correct design when the task needs no external facts or actions. Adding retrieval, tools, memory, or an agent loop is justified only when the task requires those capabilities.\"},\"tunes\":{}},{\"id\":\"h-implementation\",\"type\":\"header\",\"data\":{\"text\":\"Implementation evidence: Aaasaasa AI Client\",\"level\":2},\"tunes\":{}},{\"id\":\"implementation-scope\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Primary implementation evidence\",\"body\":\"The following section describes an implementation I built and reviewed against the Aaasaasa AI Client codebase and architecture documentation as of \u003Cstrong>26 July 2026\u003C\u002Fstrong>. It is evidence for the usefulness of these boundaries, not a claim that one implementation is a universal standard or a commercially deployed enterprise product.\"},\"tunes\":{}},{\"id\":\"p-impl-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Aaasaasa AI Client is a local-first desktop AI workspace built with Nuxt 4, Electron and TypeScript. Its AI Hub deliberately separates agent\u002Fclient, provider, model, runtime location, permissions, and web client instead of treating them as one “AI” setting.\"},\"tunes\":{}},{\"id\":\"p-impl-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"That separation creates concrete behavior. Direct Chat can talk to models without filesystem or shell tools. A Codex agent can use a selected workspace and permission profile. Ollama can provide direct local inference, while LM Studio and configurable OpenAI-compatible endpoints represent other provider paths. A locally running Codex process can still use a cloud model, so the UI and architecture do not equate local runtime with local inference.\"},\"tunes\":{}},{\"id\":\"p-impl-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The implementation also contains Qdrant\u002Fvector support, document-extraction capabilities and an authenticated directory MCP broker. Those components illustrate another boundary: retrieval infrastructure and tool access can live in the same product without becoming properties of the model itself.\"},\"tunes\":{}},{\"id\":\"impl-map\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"A01 concept\",\"Aaasaasa AI Client implementation evidence\"],[\"Model\",\"A provider-specific model identifier is selected separately from provider and runtime.\"],[\"Provider\",\"Ollama, LM Studio, OpenAI-compatible services and other provider paths are represented separately.\"],[\"Runtime\",\"Local or remote agent\u002Fruntime location is tracked independently of the model.\"],[\"Tools \u002F access\",\"Direct Chat has no filesystem or shell tools; controlled directory access is brokered separately.\"],[\"Permissions\",\"Workspace permission profiles are application\u002Fsession policy, not model capability.\"],[\"Retrieval infrastructure\",\"Vector support and document extraction exist as data\u002Fretrieval capabilities rather than model features.\"],[\"Application\",\"The Electron\u002FNuxt product coordinates UI, credentials, providers, runtime discovery, permissions, tools and model interaction.\"]]},\"tunes\":{}},{\"id\":\"impl-lesson\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Implementation lesson\",\"body\":\"The architecture became easier to reason about once \u003Cstrong>model, provider, runtime, permissions, tools, data and client\u003C\u002Fstrong> stopped being represented as one configuration choice. The distinction is operational: it determines what can run locally, what can access files, what may call paid cloud inference, and which layer owns authorization.\"},\"tunes\":{}},{\"id\":\"h-errors\",\"type\":\"header\",\"data\":{\"text\":\"Common category errors\",\"level\":2},\"tunes\":{}},{\"id\":\"errors-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Category error\",\"What is actually happening\"],[\"“The AI knows our documents.”\",\"The application or retrieval layer makes selected document content available to the model.\"],[\"“RAG is our vector database.”\",\"The vector database can be one index or store used by a retrieval pipeline; RAG is the retrieval-plus-generation pattern.\"],[\"“The model called our CRM.”\",\"The model produced a tool request; the runtime\u002Fapplication authorized and executed the external call.\"],[\"“It is local AI because the desktop agent runs locally.”\",\"Runtime location and inference location are separate. A local runtime can still invoke a remote model.\"],[\"“The model has permission to edit files.”\",\"The application\u002Fruntime grants a tool capability under a permission policy; permission is not an intrinsic model property.\"],[\"“More context means more knowledge.”\",\"Context is the finite input made available for one inference. Larger context can contain more noise, conflict or stale information.\"],[\"“The chatbot is the AI architecture.”\",\"The chat UI is one interface. The system can also include identity, state, retrieval, tools, runtime, validation, persistence and observability.\"]]},\"tunes\":{}},{\"id\":\"h-failures\",\"type\":\"header\",\"data\":{\"text\":\"Failure modes when the boundaries collapse\",\"level\":2},\"tunes\":{}},{\"id\":\"p-failure-intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Boundary mistakes are not merely terminology problems. They create distinct production failures that require different fixes.\"},\"tunes\":{}},{\"id\":\"failure-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Diagnose the failing layer before replacing the model\",\"layout\":\"table\",\"columns\":[{\"id\":\"symptom\",\"label\":\"Symptom\"},{\"id\":\"likely\",\"label\":\"Likely boundary problem\"},{\"id\":\"fix\",\"label\":\"First architectural check\"}],\"rows\":[{\"id\":\"stale\",\"label\":\"Stale answer\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"missing\",\"label\":\"Missing company fact\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"unsafe\",\"label\":\"Unsafe side effect\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"noise\",\"label\":\"Confused answer with lots of supplied text\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"route\",\"label\":\"Unexpected cloud use\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"loop\",\"label\":\"Agent stalls or repeats\",\"values\":[\"\",\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"h-version\",\"type\":\"header\",\"data\":{\"text\":\"What is stable and what is version-sensitive?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-version-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architectural distinctions in this article are intentionally vendor-neutral. The current examples below are implementation facts that should be re-checked when APIs evolve.\"},\"tunes\":{}},{\"id\":\"version-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Area\",\"Stable architectural idea\",\"Verified current example on 8 Oct 2026\"],[\"AI model vs system\",\"A model is a component inside a broader system\",\"NIST's current glossary separately defines AI model and AI system.\"],[\"RAG\",\"Generation can be conditioned on retrieved external information\",\"The Lewis et al. 2020 formulation remains the foundational reference; production retrieval methods now extend far beyond one dense index design.\"],[\"Hosted retrieval\",\"Retrieval can be exposed as a managed tool\",\"OpenAI File Search is currently a Responses API tool that searches uploaded-file knowledge bases using semantic and keyword retrieval.\"],[\"Function\u002Ftool calling\",\"A model can request application-defined external capabilities\",\"OpenAI currently documents function calling as an interface to external systems, data and actions.\"],[\"Context engineering\",\"Model behavior depends on the finite information supplied for the current inference\",\"Anthropic's current engineering guidance defines context as the token set included when sampling from the LLM and focuses on curating that set.\"],[\"Vendor APIs\",\"SDKs, tool names, endpoint shapes and supported features change\",\"Treat vendor documentation as version-sensitive even when the responsibility boundary remains stable.\"]]},\"tunes\":{}},{\"id\":\"p-version-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A source-of-truth article should therefore preserve both levels: stable concepts for architecture, and dated evidence for current implementations. Mixing the two makes an article age unnecessarily fast.\"},\"tunes\":{}},{\"id\":\"h-test\",\"type\":\"header\",\"data\":{\"text\":\"The AI component-boundary test\",\"level\":2},\"tunes\":{}},{\"id\":\"p-test-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"When evaluating an AI feature, ask the following questions in order. The answers reveal which components the system actually has and which responsibilities are still implicit.\"},\"tunes\":{}},{\"id\":\"boundary-test\",\"type\":\"processFlow\",\"data\":{\"title\":\"Seven questions for a production design\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. What generates the output?\",\"description\":\"Identify the exact model and the modalities or structured outputs it provides.\"},{\"label\":\"2. What facts are authoritative outside the model?\",\"description\":\"Identify documents, databases, APIs, current state and other sources of truth.\"},{\"label\":\"3. How is relevant information selected?\",\"description\":\"Separate direct lookup, search, retrieval, ranking and context construction.\"},{\"label\":\"4. What can cause real side effects?\",\"description\":\"List tools and external actions, then identify who validates and authorizes them.\"},{\"label\":\"5. What reaches the model as context?\",\"description\":\"Make instructions, evidence, state, history, memory and tool definitions explicit.\"},{\"label\":\"6. Who owns the loop?\",\"description\":\"Identify the runtime or harness that manages calls, events, retries, tool loops and sessions.\"},{\"label\":\"7. What remains the application's responsibility?\",\"description\":\"Make identity, permissions, domain state, validation, persistence, observability and UX explicit.\"}]},\"tunes\":{}},{\"id\":\"h-not\",\"type\":\"header\",\"data\":{\"text\":\"What generative AI is not\",\"level\":2},\"tunes\":{}},{\"id\":\"p-not-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Generative AI is not synonymous with an LLM, even though LLMs are a major class of generative model. It is also not synonymous with RAG, a vector database, an agent, a tool protocol, a chatbot UI, or an application.\"},\"tunes\":{}},{\"id\":\"p-not-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Those concepts can be connected, but each answers a different architectural question. An LLM asks how language output is produced. Retrieval asks where external evidence comes from. Tools ask how external capabilities are exposed. Context asks what the model can see. Runtime asks how execution is coordinated. The application asks how the capability becomes a controlled product.\"},\"tunes\":{}},{\"id\":\"remember\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"If you remember only one model\",\"body\":\"\u003Cstrong>Model = generate.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Retrieval = find evidence.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Tools = read or act outside the model.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Context = what the model sees now.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Runtime = coordinate execution.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Application = own the product, state, rules and permissions.\u003C\u002Fstrong>\"},\"tunes\":{}},{\"id\":\"h-next\",\"type\":\"header\",\"data\":{\"text\":\"Where to go next in the knowledge graph\",\"level\":2},\"tunes\":{}},{\"id\":\"p-next-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Once these boundaries are clear, deeper topics become easier to place. RAG belongs in retrieval and context construction. Retrieval Trigger decides when external evidence is required. Agent memory concerns what persists across time. Tool calling and MCP belong to capability access. Agent harnesses belong to runtime orchestration. RBAC, tenant isolation and domain authorization belong to the application and platform security boundary.\"},\"tunes\":{}},{\"id\":\"ref-data\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhere-does-an-llm-get-its-data-rag-data-sources-in-python\",\"title\":\"Where Does an LLM Get Its Data? RAG Data Sources in Python\",\"excerpt\":\"A practical continuation showing how files, SQL, APIs, full-text search, embeddings and context assembly connect external data to an LLM.\",\"ctaLabel\":\"See the data path in code\"},\"tunes\":{}},{\"id\":\"ref-trigger\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhen-should-an-ai-stop-trusting-its-own-knowledge-the-retrieval-trigger\",\"title\":\"When Should an AI Stop Trusting Its Own Knowledge? — The Retrieval Trigger\",\"excerpt\":\"A decision model for when an AI system should stop relying only on model knowledge and obtain external evidence.\",\"ctaLabel\":\"Read the retrieval decision model\"},\"tunes\":{}},{\"id\":\"h-limit\",\"type\":\"header\",\"data\":{\"text\":\"Limitations\",\"level\":2},\"tunes\":{}},{\"id\":\"p-limit-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The six-layer model is a responsibility map, not a requirement that every product deploy six separate services. A small application may implement context construction, retrieval and orchestration inside one process. A managed platform may bundle several responsibilities behind one API. Physical deployment can be combined while semantic ownership remains distinct.\"},\"tunes\":{}},{\"id\":\"p-limit-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Terminology also varies across vendors and research. “Agent,” “runtime,” “memory,” “tool,” “connector,” and “context” can be defined differently. The definitions here are chosen to make operational ownership and failure diagnosis explicit rather than to claim that every framework uses identical vocabulary.\"},\"tunes\":{}},{\"id\":\"p-limit-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The Aaasaasa AI Client section documents one implementation pattern. It demonstrates that explicit boundaries are practical, but it does not prove that the same component layout is optimal for every AI product.\"},\"tunes\":{}},{\"id\":\"h-change\",\"type\":\"header\",\"data\":{\"text\":\"What would change this answer?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-change-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The responsibility map would need revision if model architectures themselves began to own authoritative external state, permissions, durable transactional side effects, and verifiable source access as intrinsic properties rather than capabilities supplied by a surrounding system. Current production architectures do not make that a safe general assumption.\"},\"tunes\":{}},{\"id\":\"p-change-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Individual implementation examples will change much sooner. Hosted retrieval tools, agent APIs, MCP integrations, context-management features and provider capabilities evolve quickly. Those details should be updated without collapsing the underlying distinctions between generation, evidence, capability access, context, execution and application control.\"},\"tunes\":{}},{\"id\":\"h-conclusion\",\"type\":\"header\",\"data\":{\"text\":\"Conclusion\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conclusion-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Generative AI becomes easier to design once “the AI” stops being treated as one black box. The model is the generative component, not the complete product. Retrieval provides external evidence. Tools expose capabilities. Context carries selected information into the current inference. The runtime coordinates execution. The application owns the authoritative product boundary.\"},\"tunes\":{}},{\"id\":\"p-conclusion-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"That separation is useful for more than explanation. It tells engineers where stale facts originate, where authorization belongs, why a local runtime can still use cloud inference, why RAG does not equal a vector database, why tool calls require validation, and why changing the model cannot repair every system failure.\"},\"tunes\":{}},{\"id\":\"p-conclusion-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The durable architecture question is therefore not “Which AI model are we using?” It is: Which responsibility does each component own, what evidence crosses each boundary, and which layer is allowed to change real state?\"},\"tunes\":{}},{\"id\":\"h-faq\",\"type\":\"header\",\"data\":{\"text\":\"FAQ\",\"level\":2},\"tunes\":{}},{\"id\":\"faq\",\"type\":\"faq\",\"data\":{\"title\":\"Generative AI system boundaries\",\"items\":[{\"id\":\"faq1\",\"question\":\"Is generative AI the same as an LLM?\",\"answer\":\"No. An LLM is one type of generative model. Generative AI also includes other modalities, and a production generative AI system can include retrieval, tools, runtime logic, application state, permissions, persistence and user interfaces around the model.\"},{\"id\":\"faq2\",\"question\":\"Is RAG part of the model?\",\"answer\":\"Usually no. RAG is an application\u002Fsystem pattern that retrieves external information and supplies selected evidence to the model. Some platforms package retrieval tightly with model APIs, but the responsibility remains distinct.\"},{\"id\":\"faq3\",\"question\":\"Is a vector database required for RAG?\",\"answer\":\"No. RAG can use vector search, lexical search, hybrid retrieval, SQL, APIs, knowledge graphs or other methods. The defining property is retrieval of external information for generation, not one storage technology.\"},{\"id\":\"faq4\",\"question\":\"Are tools the same as context?\",\"answer\":\"No. A tool is an external capability. Its definition may be represented in context, and its result may later enter context, but the actual capability executes outside the model.\"},{\"id\":\"faq5\",\"question\":\"Does running an AI client locally mean the model is local?\",\"answer\":\"No. Runtime location and inference location are separate. A local desktop application or agent can call a remote model, while a remote application can call an internally hosted model.\"},{\"id\":\"faq6\",\"question\":\"Who should enforce permissions for AI tools?\",\"answer\":\"The application or runtime security boundary should enforce authorization. A model can request an operation, but model intent should never be treated as sufficient execution authority.\"},{\"id\":\"faq7\",\"question\":\"Where does current application state belong?\",\"answer\":\"Authoritative volatile state should normally remain in the application or domain system that owns it. The AI can receive the relevant state through controlled context or tool access when needed.\"}]},\"tunes\":{}},{\"id\":\"h-glossary\",\"type\":\"header\",\"data\":{\"text\":\"Glossary\",\"level\":2},\"tunes\":{}},{\"id\":\"glossary\",\"type\":\"glossary\",\"data\":{\"title\":\"Core terms\",\"entries\":[{\"term\":\"Generative model\",\"definition\":\"An AI model designed to generate derived synthetic content such as text, images, audio, video, code or structured output.\",\"anchor\":\"generative-model\"},{\"term\":\"Retrieval\",\"definition\":\"The process of selecting relevant information from an external source or store for the current task.\",\"anchor\":\"retrieval\"},{\"term\":\"RAG\",\"definition\":\"Retrieval-Augmented Generation: a pattern in which retrieved external information is supplied to a generative model to improve the current output.\",\"anchor\":\"rag\"},{\"term\":\"Tool\",\"definition\":\"A capability exposed to an AI runtime for reading data, calculating, searching, or performing an external action.\",\"anchor\":\"tool\"},{\"term\":\"Context\",\"definition\":\"The information available to the model for a particular inference step.\",\"anchor\":\"context\"},{\"term\":\"Runtime \u002F orchestrator\",\"definition\":\"The software layer that coordinates model calls, tool calls, task loops, sessions, retries, events or execution environments.\",\"anchor\":\"runtime-orchestrator\"},{\"term\":\"Application\",\"definition\":\"The product and domain layer that owns user interaction, authoritative state, permissions, validation, persistence and business behavior.\",\"anchor\":\"application\"},{\"term\":\"Provider\",\"definition\":\"The service or runtime that exposes access to one or more models; provider identity and model identity are separate concerns.\",\"anchor\":\"provider\"}]},\"tunes\":{}},{\"id\":\"h-sources\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources and implementation evidence\",\"level\":2},\"tunes\":{}},{\"id\":\"p-sources-note\",\"type\":\"paragraph\",\"data\":{\"text\":\"Stable definitions below are anchored in standards\u002Fresearch; fast-moving implementation examples use current official engineering documentation. Aaasaasa AI Client is original implementation evidence and was checked against its codebase\u002Fdocumentation state dated 26 July 2026.\"},\"tunes\":{}},{\"id\":\"src-nist-profile\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fnvlpubs.nist.gov\u002Fnistpubs\u002Fai\u002FNIST.AI.600-1.pdf\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"NIST AI 600-1 — Generative Artificial Intelligence Profile\",\"description\":\"NIST's Generative AI profile, including the generative-AI definition and explicit distinction between model-, system-, application- and use-case-level concerns.\"}},\"tunes\":{}},{\"id\":\"src-nist-model\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fcsrc.nist.gov\u002Fglossary\u002Fterm\u002Fartificial_intelligence_model\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"NIST — Artificial Intelligence Model\",\"description\":\"Current NIST glossary definition of an AI model as a component of an information system that produces outputs from inputs using AI techniques.\"}},\"tunes\":{}},{\"id\":\"src-nist-system\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fcsrc.nist.gov\u002Fglossary\u002Fterm\u002Fartificial_intelligence_system\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"NIST — Artificial Intelligence System\",\"description\":\"Current NIST glossary definition showing that an AI system can include data systems, software, hardware, applications, tools or utilities using AI.\"}},\"tunes\":{}},{\"id\":\"src-rag-paper\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2005.11401\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Lewis et al. — Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks\",\"description\":\"The 2020 paper introducing the RAG formulation that combines a generative model with retrieved non-parametric memory.\"}},\"tunes\":{}},{\"id\":\"src-openai-file-search\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ftools-file-search\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — File Search\",\"description\":\"Current official documentation for hosted file retrieval in the Responses API using uploaded-file knowledge bases, semantic search and keyword search.\"}},\"tunes\":{}},{\"id\":\"src-openai-functions\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ffunction-calling\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Function Calling\",\"description\":\"Current official documentation describing tool\u002Ffunction calling as the interface between models and external systems, data and actions.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-context\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective Context Engineering for AI Agents\",\"description\":\"Engineering guidance defining context as the token set available during LLM sampling and explaining why context selection is a finite-resource problem.\"}},\"tunes\":{}}],\"version\":\"2.31.6\"}",{"time":1114,"blocks":1115,"version":1810},1791475413504,[1116,1120,1125,1130,1134,1138,1142,1146,1151,1155,1159,1188,1192,1196,1226,1230,1234,1238,1242,1246,1250,1254,1259,1266,1270,1274,1278,1282,1287,1291,1295,1299,1303,1307,1311,1315,1319,1323,1327,1331,1336,1340,1344,1378,1382,1386,1410,1414,1418,1423,1427,1431,1435,1461,1466,1470,1498,1502,1506,1536,1540,1544,1575,1579,1583,1587,1613,1617,1621,1625,1630,1634,1638,1645,1652,1656,1660,1664,1668,1672,1676,1680,1684,1688,1692,1696,1700,1726,1730,1753,1757,1761,1768,1775,1782,1789,1796,1803],{"id":215,"data":1117,"type":218,"tunes":1119},{"text":1118},"Generative AI is not one component. A production generative AI system usually combines a generative model with application code that supplies instructions and context, retrieves external knowledge when needed, exposes tools for reading or changing external systems, manages runtime state and permissions, and turns the result into a usable product. Treating the model, retrieval, tools, context, runtime, and application as the same thing hides the boundaries that determine freshness, security, reliability, cost, and control.",{},{"id":221,"data":1121,"type":226,"tunes":1124},{"body":1122,"title":1123,"variant":225},"\u003Cstrong>The model generates; retrieval finds external evidence; tools access data or perform actions; context is what the model can see for the current inference; the runtime coordinates execution; the application owns product rules, state, permissions, persistence, and user experience.\u003C\u002Fstrong> These layers can be packaged together by a vendor, but their responsibilities remain different.","Direct answer",{},{"id":229,"data":1126,"type":226,"tunes":1129},{"body":1127,"title":1128,"variant":233},"This article defines durable architectural responsibilities rather than one vendor stack. Current implementation examples were re-checked on \u003Cstrong>8 October 2026\u003C\u002Fstrong>. Vendor APIs and product names can change; the responsibility boundaries are more stable than any individual SDK or endpoint.","Terminology and version note",{},{"id":236,"data":1131,"type":241,"tunes":1133},{"title":1132,"maxLevel":239,"minLevel":240},"Contents",{},{"id":244,"data":1135,"type":42,"tunes":1137},{"text":1136,"level":240},"What does “generative AI” actually mean?",{},{"id":249,"data":1139,"type":218,"tunes":1141},{"text":1140},"At the model level, generative AI refers to AI models that generate derived synthetic content such as text, images, audio, video, code, or other digital output. NIST AI 600-1 uses this model-oriented meaning and separately discusses risks at model, system, application, and use-case levels.",{},{"id":254,"data":1143,"type":218,"tunes":1145},{"text":1144},"That distinction matters because an AI model is not the same thing as the complete AI system. NIST's current glossary defines an AI model as a component that produces outputs from inputs using computational, statistical, or machine-learning techniques, while an AI system can include software, hardware, applications, tools, or utilities that operate using AI.",{},{"id":259,"data":1147,"type":226,"tunes":1150},{"body":1148,"title":1149,"variant":263},"\u003Cstrong>Generative model ≠ generative AI application.\u003C\u002Fstrong>\u003Cbr>A model is one computational component. A usable AI product is a system built around that component.","A useful boundary",{},{"id":266,"data":1152,"type":42,"tunes":1154},{"text":1153,"level":240},"The simplest useful model of a generative AI system",{},{"id":271,"data":1156,"type":218,"tunes":1158},{"text":1157},"For a first mental model, imagine a company assistant answering: “Can this customer receive a refund today?” A useful answer may require several different responsibilities. The language model can interpret the question and write the explanation, but the current order state may come from a database tool, the refund policy may come from document retrieval, permissions may be enforced by the application, and the final action may require a controlled API call.",{},{"id":276,"data":1160,"type":305,"tunes":1187},{"steps":1161,"title":1186,"orientation":304},[1162,1165,1168,1171,1174,1177,1180,1183],{"label":1163,"description":1164},"1. User request","The application receives a natural-language question or task.",{"label":1166,"description":1167},"2. Application policy and state","Identity, tenant, permissions, current workflow state, and product rules define what the request is allowed to do.",{"label":1169,"description":1170},"3. Retrieval or direct data access","The system obtains external evidence or current facts when model knowledge is insufficient.",{"label":1172,"description":1173},"4. Context construction","Instructions, user input, selected evidence, relevant state, and tool definitions are assembled for the model.",{"label":1175,"description":1176},"5. Model inference","The generative model interprets the supplied context and produces text, structured output, or a tool request.",{"label":1178,"description":1179},"6. Tool execution when needed","The runtime or application validates and executes approved tool calls outside the model.",{"label":1181,"description":1182},"7. Observation and continuation","Tool results can return to the model as new context for another inference step.",{"label":1184,"description":1185},"8. Validation and product output","The application validates the result, records required state or audit data, and presents or executes the final outcome.","One common execution path",{},{"id":308,"data":1189,"type":218,"tunes":1191},{"text":1190},"Real systems do not always follow this sequence exactly. Retrieval can happen before the first model call, tools can be selected during an agent loop, deterministic application logic can bypass the model entirely, and validation can occur at several stages. The point is to separate responsibilities, not to impose one universal workflow.",{},{"id":313,"data":1193,"type":42,"tunes":1195},{"text":1194,"level":240},"The six boundaries that matter",{},{"id":318,"data":1197,"type":358,"tunes":1225},{"rows":1198,"title":1217,"layout":347,"columns":1218},[1199,1202,1205,1208,1211,1214],{"id":322,"label":1200,"values":1201},"Model",[325,325,325],{"id":327,"label":1203,"values":1204},"Retrieval",[325,325,325],{"id":331,"label":1206,"values":1207},"Tools",[325,325,325],{"id":335,"label":1209,"values":1210},"Context",[325,325,325],{"id":339,"label":1212,"values":1213},"Runtime \u002F orchestrator",[325,325,325],{"id":343,"label":1215,"values":1216},"Application",[325,325,325],"Six responsibilities inside one AI product",[1219,1221,1223],{"id":350,"label":1220},"Primary job",{"id":353,"label":1222},"Typical inputs",{"id":356,"label":1224},"Not the same as",{},{"id":361,"data":1227,"type":42,"tunes":1229},{"text":1228,"level":240},"1. The model: generation is its core responsibility",{},{"id":366,"data":1231,"type":218,"tunes":1233},{"text":1232},"A generative model maps supplied inputs to generated outputs. For a language model, that can include natural-language text, structured JSON, code, classifications, summaries, plans, or tool-call arguments. Multimodal generative models can work with additional input and output types.",{},{"id":371,"data":1235,"type":218,"tunes":1237},{"text":1236},"The model can contain substantial learned knowledge in its parameters, but parameterized knowledge is not a live database. The model does not automatically know a document created five minutes ago, the current stock level, a private customer record, or the state of an application unless that information is supplied through the current input path.",{},{"id":376,"data":1239,"type":218,"tunes":1241},{"text":1240},"This is why changing the model does not automatically solve stale knowledge, missing permissions, broken retrieval, incorrect state ownership, or unsafe tool execution. Those failures often belong to other layers.",{},{"id":381,"data":1243,"type":42,"tunes":1245},{"text":1244,"level":240},"2. Retrieval: finding external evidence is a separate operation",{},{"id":386,"data":1247,"type":218,"tunes":1249},{"text":1248},"Retrieval selects information from an external source before or during generation. The 2020 Retrieval-Augmented Generation work by Lewis et al. made the separation explicit by combining a parametric generative model with retrieved non-parametric memory. Modern production systems use many retrieval variants, but the architectural idea remains: useful evidence can be fetched at inference time instead of relying only on what the model learned during training.",{},{"id":391,"data":1251,"type":218,"tunes":1253},{"text":1252},"Retrieval can use lexical search, embeddings, vector search, hybrid search, SQL, knowledge graphs, metadata filters, APIs, or other selection mechanisms. A vector database is therefore one possible retrieval component, not the definition of RAG.",{},{"id":396,"data":1255,"type":226,"tunes":1258},{"body":1256,"title":1257,"variant":400},"A retrieved passage can be highly relevant and still be stale, unauthorized, from the wrong version, or insufficient to support a claim. Retrieval quality and evidence quality must be evaluated separately.","Relevance is not authority",{},{"id":403,"data":1260,"type":409,"tunes":1265},{"url":1261,"title":1262,"excerpt":1263,"ctaLabel":1264},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works","What Is RAG? The Simplest Explanation of How It Works","The canonical plain-English explanation of retrieval-augmented generation, including the separation between LLM, knowledge, state, memory and tools.","Read the RAG foundation",{},{"id":412,"data":1267,"type":42,"tunes":1269},{"text":1268,"level":240},"3. Tools: access and action are not model knowledge",{},{"id":417,"data":1271,"type":218,"tunes":1273},{"text":1272},"A tool is an interface through which an AI runtime can request functionality outside the model. A tool can query a database, search the web, read a file, calculate a value, call an internal service, create a ticket, send a message, modify a record, or trigger another controlled operation.",{},{"id":422,"data":1275,"type":218,"tunes":1277},{"text":1276},"OpenAI's current function-calling documentation makes this boundary explicit: function calling lets models interface with external systems and access data or actions provided by the application. The model can propose or select a call, but the external system performs the real operation.",{},{"id":427,"data":1279,"type":218,"tunes":1281},{"text":1280},"Tool use therefore creates two separate questions: Can the model request this capability? and Will the application authorize and execute it? A production system should not confuse model intent with permission to cause a side effect.",{},{"id":432,"data":1283,"type":226,"tunes":1286},{"body":1284,"title":1285,"variant":263},"A model can emit a valid tool request and still be denied. Authorization, argument validation, rate limits, transaction rules, audit requirements, and rollback belong outside the model.","Model intent is not execution authority",{},{"id":438,"data":1288,"type":42,"tunes":1290},{"text":1289,"level":240},"4. Context: what the model can see right now",{},{"id":443,"data":1292,"type":218,"tunes":1294},{"text":1293},"Context is the information available to the model for a particular inference step. Anthropic's context-engineering guidance describes context as the set of tokens included when sampling from an LLM. In practice, that set can contain system instructions, user messages, conversation history, retrieved evidence, tool definitions, tool results, memory summaries, and selected application state.",{},{"id":448,"data":1296,"type":218,"tunes":1298},{"text":1297},"Context is therefore neither the complete knowledge base nor long-term memory. A company may store ten million documents while only a handful of passages enter one model call. A runtime may persist a year of conversation history while exposing only the pieces needed for the current task.",{},{"id":453,"data":1300,"type":218,"tunes":1302},{"text":1301},"The context window also creates an engineering constraint. Adding more text does not guarantee a better answer; irrelevant, stale, contradictory, or low-authority information can dilute the evidence that actually matters.",{},{"id":458,"data":1304,"type":42,"tunes":1306},{"text":1305,"level":240},"5. Runtime and orchestration: coordinating the loop",{},{"id":463,"data":1308,"type":218,"tunes":1310},{"text":1309},"The runtime or orchestration layer coordinates how the model participates in a task. Depending on the architecture, it can manage sessions, model requests, tool discovery, tool-call loops, retries, handoffs, streaming events, timeouts, checkpoints, compaction, or execution environments.",{},{"id":468,"data":1312,"type":218,"tunes":1314},{"text":1313},"Some runtimes are thin application code around a model API. Others are full agent harnesses. A managed vendor runtime can own part of the loop while the application still owns domain truth, authorization, business side effects, and product lifecycle.",{},{"id":473,"data":1316,"type":218,"tunes":1318},{"text":1317},"This boundary is important because where the runtime runs and where inference runs are separate decisions. A locally running client or agent process can still call a remote model, while a remote application can call a model hosted on infrastructure under the organization's control.",{},{"id":478,"data":1320,"type":42,"tunes":1322},{"text":1321,"level":240},"6. The application: where AI becomes a product",{},{"id":483,"data":1324,"type":218,"tunes":1326},{"text":1325},"The application is the product boundary around the AI components. It owns the user experience, domain model, current state, identity, tenant scope, permissions, persistence, service integrations, validation, observability, billing or quota logic where relevant, and the rules that determine what the AI is allowed to see or do.",{},{"id":488,"data":1328,"type":218,"tunes":1330},{"text":1329},"This is the layer that turns “a model can produce useful output” into “a system can deliver a reliable capability.” The same model can participate in a private research assistant, a support workflow, a code agent, or a commerce application because the surrounding application changes the data, tools, policies, state, and execution contract.",{},{"id":493,"data":1332,"type":226,"tunes":1335},{"body":1333,"title":1334,"variant":225},"Provider and model substitution can be an architectural goal. The application's authoritative state, permissions, domain rules, audit trail, and user contract cannot simply be delegated to whichever model is currently selected.","The model is replaceable; the product boundary is not",{},{"id":499,"data":1337,"type":42,"tunes":1339},{"text":1338,"level":240},"How the parts work together in a real request",{},{"id":504,"data":1341,"type":218,"tunes":1343},{"text":1342},"Consider a support assistant asked: “Refund order 4711 if it is still eligible, and explain why.” The request combines knowledge, current state, authorization, reasoning, and a side effect.",{},{"id":509,"data":1345,"type":347,"tunes":1377},{"content":1346,"stretched":43,"withHeadings":14},[1347,1351,1354,1358,1362,1366,1370,1373],[1348,1349,1350],"Need","Correct layer","Why",[1352,1203,1353],"Refund policy","The system must find the current applicable policy and preserve its provenance.",[1355,1356,1357],"Order 4711 status","Direct data\u002Ftool access","The current order record is volatile authoritative state, not something to guess from model knowledge.",[1359,1360,1361],"User's authority to refund","Application \u002F authorization","Permissions must be enforced independently of what the model asks for.",[1363,1364,1365],"Interpret policy against order facts","Model + context","The model can reason over the policy evidence and current order state supplied to it.",[1367,1368,1369],"Execute refund","Tool + application transaction rules","A controlled external operation changes real state.",[1371,1200,1372],"Explain outcome","The model can generate the user-facing explanation from validated results.",[1374,1375,1376],"Audit what happened","Application \u002F runtime","The system records evidence, calls, decisions, side effects, and errors as required.",{},{"id":544,"data":1379,"type":218,"tunes":1381},{"text":1380},"If the assistant only has the language model, it can discuss refunds but cannot safely know whether order 4711 is currently eligible or perform the transaction. If it only has retrieval, it may find the policy but still lack live order state. If it has tools without application authorization, it may become capable but unsafe. Reliability comes from composing the layers with explicit ownership.",{},{"id":549,"data":1383,"type":42,"tunes":1385},{"text":1384,"level":240},"Different AI products use different combinations",{},{"id":554,"data":1387,"type":358,"tunes":1409},{"rows":1388,"title":1401,"layout":347,"columns":1402},[1389,1392,1395,1398],{"id":558,"label":1390,"values":1391},"Model-only assistant",[325,325,325,325],{"id":562,"label":1393,"values":1394},"Retrieval-grounded assistant",[325,325,325,325],{"id":566,"label":1396,"values":1397},"Tool-using assistant",[325,325,325,325],{"id":570,"label":1399,"values":1400},"Agentic application",[325,325,325,325],"The presence of a model does not define the whole architecture",[1403,1404,1405,1407],{"id":327,"label":1203},{"id":331,"label":1206},{"id":578,"label":1406},"Authoritative state",{"id":581,"label":1408},"Typical capability",{},{"id":585,"data":1411,"type":218,"tunes":1413},{"text":1412},"These are architecture patterns, not maturity rankings. A model-only feature can be the correct design when the task needs no external facts or actions. Adding retrieval, tools, memory, or an agent loop is justified only when the task requires those capabilities.",{},{"id":590,"data":1415,"type":42,"tunes":1417},{"text":1416,"level":240},"Implementation evidence: Aaasaasa AI Client",{},{"id":595,"data":1419,"type":226,"tunes":1422},{"body":1420,"title":1421,"variant":233},"The following section describes an implementation I built and reviewed against the Aaasaasa AI Client codebase and architecture documentation as of \u003Cstrong>26 July 2026\u003C\u002Fstrong>. It is evidence for the usefulness of these boundaries, not a claim that one implementation is a universal standard or a commercially deployed enterprise product.","Primary implementation evidence",{},{"id":601,"data":1424,"type":218,"tunes":1426},{"text":1425},"Aaasaasa AI Client is a local-first desktop AI workspace built with Nuxt 4, Electron and TypeScript. Its AI Hub deliberately separates agent\u002Fclient, provider, model, runtime location, permissions, and web client instead of treating them as one “AI” setting.",{},{"id":606,"data":1428,"type":218,"tunes":1430},{"text":1429},"That separation creates concrete behavior. Direct Chat can talk to models without filesystem or shell tools. A Codex agent can use a selected workspace and permission profile. Ollama can provide direct local inference, while LM Studio and configurable OpenAI-compatible endpoints represent other provider paths. A locally running Codex process can still use a cloud model, so the UI and architecture do not equate local runtime with local inference.",{},{"id":611,"data":1432,"type":218,"tunes":1434},{"text":1433},"The implementation also contains Qdrant\u002Fvector support, document-extraction capabilities and an authenticated directory MCP broker. Those components illustrate another boundary: retrieval infrastructure and tool access can live in the same product without becoming properties of the model itself.",{},{"id":616,"data":1436,"type":347,"tunes":1460},{"content":1437,"stretched":43,"withHeadings":14},[1438,1441,1443,1446,1449,1452,1455,1458],[1439,1440],"A01 concept","Aaasaasa AI Client implementation evidence",[1200,1442],"A provider-specific model identifier is selected separately from provider and runtime.",[1444,1445],"Provider","Ollama, LM Studio, OpenAI-compatible services and other provider paths are represented separately.",[1447,1448],"Runtime","Local or remote agent\u002Fruntime location is tracked independently of the model.",[1450,1451],"Tools \u002F access","Direct Chat has no filesystem or shell tools; controlled directory access is brokered separately.",[1453,1454],"Permissions","Workspace permission profiles are application\u002Fsession policy, not model capability.",[1456,1457],"Retrieval infrastructure","Vector support and document extraction exist as data\u002Fretrieval capabilities rather than model features.",[1215,1459],"The Electron\u002FNuxt product coordinates UI, credentials, providers, runtime discovery, permissions, tools and model interaction.",{},{"id":643,"data":1462,"type":226,"tunes":1465},{"body":1463,"title":1464,"variant":263},"The architecture became easier to reason about once \u003Cstrong>model, provider, runtime, permissions, tools, data and client\u003C\u002Fstrong> stopped being represented as one configuration choice. The distinction is operational: it determines what can run locally, what can access files, what may call paid cloud inference, and which layer owns authorization.","Implementation lesson",{},{"id":649,"data":1467,"type":42,"tunes":1469},{"text":1468,"level":240},"Common category errors",{},{"id":654,"data":1471,"type":347,"tunes":1497},{"content":1472,"stretched":43,"withHeadings":14},[1473,1476,1479,1482,1485,1488,1491,1494],[1474,1475],"Category error","What is actually happening",[1477,1478],"“The AI knows our documents.”","The application or retrieval layer makes selected document content available to the model.",[1480,1481],"“RAG is our vector database.”","The vector database can be one index or store used by a retrieval pipeline; RAG is the retrieval-plus-generation pattern.",[1483,1484],"“The model called our CRM.”","The model produced a tool request; the runtime\u002Fapplication authorized and executed the external call.",[1486,1487],"“It is local AI because the desktop agent runs locally.”","Runtime location and inference location are separate. A local runtime can still invoke a remote model.",[1489,1490],"“The model has permission to edit files.”","The application\u002Fruntime grants a tool capability under a permission policy; permission is not an intrinsic model property.",[1492,1493],"“More context means more knowledge.”","Context is the finite input made available for one inference. Larger context can contain more noise, conflict or stale information.",[1495,1496],"“The chatbot is the AI architecture.”","The chat UI is one interface. The system can also include identity, state, retrieval, tools, runtime, validation, persistence and observability.",{},{"id":683,"data":1499,"type":42,"tunes":1501},{"text":1500,"level":240},"Failure modes when the boundaries collapse",{},{"id":688,"data":1503,"type":218,"tunes":1505},{"text":1504},"Boundary mistakes are not merely terminology problems. They create distinct production failures that require different fixes.",{},{"id":693,"data":1507,"type":358,"tunes":1535},{"rows":1508,"title":1527,"layout":347,"columns":1528},[1509,1512,1515,1518,1521,1524],{"id":697,"label":1510,"values":1511},"Stale answer",[325,325,325],{"id":701,"label":1513,"values":1514},"Missing company fact",[325,325,325],{"id":705,"label":1516,"values":1517},"Unsafe side effect",[325,325,325],{"id":709,"label":1519,"values":1520},"Confused answer with lots of supplied text",[325,325,325],{"id":713,"label":1522,"values":1523},"Unexpected cloud use",[325,325,325],{"id":717,"label":1525,"values":1526},"Agent stalls or repeats",[325,325,325],"Diagnose the failing layer before replacing the model",[1529,1531,1533],{"id":723,"label":1530},"Symptom",{"id":726,"label":1532},"Likely boundary problem",{"id":729,"label":1534},"First architectural check",{},{"id":733,"data":1537,"type":42,"tunes":1539},{"text":1538,"level":240},"What is stable and what is version-sensitive?",{},{"id":738,"data":1541,"type":218,"tunes":1543},{"text":1542},"The architectural distinctions in this article are intentionally vendor-neutral. The current examples below are implementation facts that should be re-checked when APIs evolve.",{},{"id":743,"data":1545,"type":347,"tunes":1574},{"content":1546,"stretched":43,"withHeadings":14},[1547,1551,1555,1558,1562,1566,1570],[1548,1549,1550],"Area","Stable architectural idea","Verified current example on 8 Oct 2026",[1552,1553,1554],"AI model vs system","A model is a component inside a broader system","NIST's current glossary separately defines AI model and AI system.",[755,1556,1557],"Generation can be conditioned on retrieved external information","The Lewis et al. 2020 formulation remains the foundational reference; production retrieval methods now extend far beyond one dense index design.",[1559,1560,1561],"Hosted retrieval","Retrieval can be exposed as a managed tool","OpenAI File Search is currently a Responses API tool that searches uploaded-file knowledge bases using semantic and keyword retrieval.",[1563,1564,1565],"Function\u002Ftool calling","A model can request application-defined external capabilities","OpenAI currently documents function calling as an interface to external systems, data and actions.",[1567,1568,1569],"Context engineering","Model behavior depends on the finite information supplied for the current inference","Anthropic's current engineering guidance defines context as the token set included when sampling from the LLM and focuses on curating that set.",[1571,1572,1573],"Vendor APIs","SDKs, tool names, endpoint shapes and supported features change","Treat vendor documentation as version-sensitive even when the responsibility boundary remains stable.",{},{"id":776,"data":1576,"type":218,"tunes":1578},{"text":1577},"A source-of-truth article should therefore preserve both levels: stable concepts for architecture, and dated evidence for current implementations. Mixing the two makes an article age unnecessarily fast.",{},{"id":781,"data":1580,"type":42,"tunes":1582},{"text":1581,"level":240},"The AI component-boundary test",{},{"id":786,"data":1584,"type":218,"tunes":1586},{"text":1585},"When evaluating an AI feature, ask the following questions in order. The answers reveal which components the system actually has and which responsibilities are still implicit.",{},{"id":791,"data":1588,"type":305,"tunes":1612},{"steps":1589,"title":1611,"orientation":304},[1590,1593,1596,1599,1602,1605,1608],{"label":1591,"description":1592},"1. What generates the output?","Identify the exact model and the modalities or structured outputs it provides.",{"label":1594,"description":1595},"2. What facts are authoritative outside the model?","Identify documents, databases, APIs, current state and other sources of truth.",{"label":1597,"description":1598},"3. How is relevant information selected?","Separate direct lookup, search, retrieval, ranking and context construction.",{"label":1600,"description":1601},"4. What can cause real side effects?","List tools and external actions, then identify who validates and authorizes them.",{"label":1603,"description":1604},"5. What reaches the model as context?","Make instructions, evidence, state, history, memory and tool definitions explicit.",{"label":1606,"description":1607},"6. Who owns the loop?","Identify the runtime or harness that manages calls, events, retries, tool loops and sessions.",{"label":1609,"description":1610},"7. What remains the application's responsibility?","Make identity, permissions, domain state, validation, persistence, observability and UX explicit.","Seven questions for a production design",{},{"id":818,"data":1614,"type":42,"tunes":1616},{"text":1615,"level":240},"What generative AI is not",{},{"id":823,"data":1618,"type":218,"tunes":1620},{"text":1619},"Generative AI is not synonymous with an LLM, even though LLMs are a major class of generative model. It is also not synonymous with RAG, a vector database, an agent, a tool protocol, a chatbot UI, or an application.",{},{"id":828,"data":1622,"type":218,"tunes":1624},{"text":1623},"Those concepts can be connected, but each answers a different architectural question. An LLM asks how language output is produced. Retrieval asks where external evidence comes from. Tools ask how external capabilities are exposed. Context asks what the model can see. Runtime asks how execution is coordinated. The application asks how the capability becomes a controlled product.",{},{"id":833,"data":1626,"type":226,"tunes":1629},{"body":1627,"title":1628,"variant":263},"\u003Cstrong>Model = generate.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Retrieval = find evidence.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Tools = read or act outside the model.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Context = what the model sees now.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Runtime = coordinate execution.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Application = own the product, state, rules and permissions.\u003C\u002Fstrong>","If you remember only one model",{},{"id":839,"data":1631,"type":42,"tunes":1633},{"text":1632,"level":240},"Where to go next in the knowledge graph",{},{"id":844,"data":1635,"type":218,"tunes":1637},{"text":1636},"Once these boundaries are clear, deeper topics become easier to place. RAG belongs in retrieval and context construction. Retrieval Trigger decides when external evidence is required. Agent memory concerns what persists across time. Tool calling and MCP belong to capability access. Agent harnesses belong to runtime orchestration. RBAC, tenant isolation and domain authorization belong to the application and platform security boundary.",{},{"id":849,"data":1639,"type":409,"tunes":1644},{"url":1640,"title":1641,"excerpt":1642,"ctaLabel":1643},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhere-does-an-llm-get-its-data-rag-data-sources-in-python","Where Does an LLM Get Its Data? RAG Data Sources in Python","A practical continuation showing how files, SQL, APIs, full-text search, embeddings and context assembly connect external data to an LLM.","See the data path in code",{},{"id":857,"data":1646,"type":409,"tunes":1651},{"url":1647,"title":1648,"excerpt":1649,"ctaLabel":1650},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhen-should-an-ai-stop-trusting-its-own-knowledge-the-retrieval-trigger","When Should an AI Stop Trusting Its Own Knowledge? — The Retrieval Trigger","A decision model for when an AI system should stop relying only on model knowledge and obtain external evidence.","Read the retrieval decision model",{},{"id":865,"data":1653,"type":42,"tunes":1655},{"text":1654,"level":240},"Limitations",{},{"id":870,"data":1657,"type":218,"tunes":1659},{"text":1658},"The six-layer model is a responsibility map, not a requirement that every product deploy six separate services. A small application may implement context construction, retrieval and orchestration inside one process. A managed platform may bundle several responsibilities behind one API. Physical deployment can be combined while semantic ownership remains distinct.",{},{"id":875,"data":1661,"type":218,"tunes":1663},{"text":1662},"Terminology also varies across vendors and research. “Agent,” “runtime,” “memory,” “tool,” “connector,” and “context” can be defined differently. The definitions here are chosen to make operational ownership and failure diagnosis explicit rather than to claim that every framework uses identical vocabulary.",{},{"id":880,"data":1665,"type":218,"tunes":1667},{"text":1666},"The Aaasaasa AI Client section documents one implementation pattern. It demonstrates that explicit boundaries are practical, but it does not prove that the same component layout is optimal for every AI product.",{},{"id":885,"data":1669,"type":42,"tunes":1671},{"text":1670,"level":240},"What would change this answer?",{},{"id":890,"data":1673,"type":218,"tunes":1675},{"text":1674},"The responsibility map would need revision if model architectures themselves began to own authoritative external state, permissions, durable transactional side effects, and verifiable source access as intrinsic properties rather than capabilities supplied by a surrounding system. Current production architectures do not make that a safe general assumption.",{},{"id":895,"data":1677,"type":218,"tunes":1679},{"text":1678},"Individual implementation examples will change much sooner. Hosted retrieval tools, agent APIs, MCP integrations, context-management features and provider capabilities evolve quickly. Those details should be updated without collapsing the underlying distinctions between generation, evidence, capability access, context, execution and application control.",{},{"id":900,"data":1681,"type":42,"tunes":1683},{"text":1682,"level":240},"Conclusion",{},{"id":905,"data":1685,"type":218,"tunes":1687},{"text":1686},"Generative AI becomes easier to design once “the AI” stops being treated as one black box. The model is the generative component, not the complete product. Retrieval provides external evidence. Tools expose capabilities. Context carries selected information into the current inference. The runtime coordinates execution. The application owns the authoritative product boundary.",{},{"id":910,"data":1689,"type":218,"tunes":1691},{"text":1690},"That separation is useful for more than explanation. It tells engineers where stale facts originate, where authorization belongs, why a local runtime can still use cloud inference, why RAG does not equal a vector database, why tool calls require validation, and why changing the model cannot repair every system failure.",{},{"id":915,"data":1693,"type":218,"tunes":1695},{"text":1694},"The durable architecture question is therefore not “Which AI model are we using?” It is: Which responsibility does each component own, what evidence crosses each boundary, and which layer is allowed to change real state?",{},{"id":920,"data":1697,"type":42,"tunes":1699},{"text":1698,"level":240},"FAQ",{},{"id":925,"data":1701,"type":925,"tunes":1725},{"items":1702,"title":1724},[1703,1706,1709,1712,1715,1718,1721],{"id":929,"answer":1704,"question":1705},"No. An LLM is one type of generative model. Generative AI also includes other modalities, and a production generative AI system can include retrieval, tools, runtime logic, application state, permissions, persistence and user interfaces around the model.","Is generative AI the same as an LLM?",{"id":933,"answer":1707,"question":1708},"Usually no. RAG is an application\u002Fsystem pattern that retrieves external information and supplies selected evidence to the model. Some platforms package retrieval tightly with model APIs, but the responsibility remains distinct.","Is RAG part of the model?",{"id":937,"answer":1710,"question":1711},"No. RAG can use vector search, lexical search, hybrid retrieval, SQL, APIs, knowledge graphs or other methods. The defining property is retrieval of external information for generation, not one storage technology.","Is a vector database required for RAG?",{"id":941,"answer":1713,"question":1714},"No. A tool is an external capability. Its definition may be represented in context, and its result may later enter context, but the actual capability executes outside the model.","Are tools the same as context?",{"id":945,"answer":1716,"question":1717},"No. Runtime location and inference location are separate. A local desktop application or agent can call a remote model, while a remote application can call an internally hosted model.","Does running an AI client locally mean the model is local?",{"id":949,"answer":1719,"question":1720},"The application or runtime security boundary should enforce authorization. A model can request an operation, but model intent should never be treated as sufficient execution authority.","Who should enforce permissions for AI tools?",{"id":953,"answer":1722,"question":1723},"Authoritative volatile state should normally remain in the application or domain system that owns it. The AI can receive the relevant state through controlled context or tool access when needed.","Where does current application state belong?","Generative AI system boundaries",{},{"id":959,"data":1727,"type":42,"tunes":1729},{"text":1728,"level":240},"Glossary",{},{"id":964,"data":1731,"type":964,"tunes":1752},{"title":1732,"entries":1733},"Core terms",[1734,1737,1739,1741,1744,1746,1748,1750],{"term":1735,"anchor":970,"definition":1736},"Generative model","An AI model designed to generate derived synthetic content such as text, images, audio, video, code or structured output.",{"term":1203,"anchor":327,"definition":1738},"The process of selecting relevant information from an external source or store for the current task.",{"term":755,"anchor":562,"definition":1740},"Retrieval-Augmented Generation: a pattern in which retrieved external information is supplied to a generative model to improve the current output.",{"term":1742,"anchor":566,"definition":1743},"Tool","A capability exposed to an AI runtime for reading data, calculating, searching, or performing an external action.",{"term":1209,"anchor":335,"definition":1745},"The information available to the model for a particular inference step.",{"term":1212,"anchor":983,"definition":1747},"The software layer that coordinates model calls, tool calls, task loops, sessions, retries, events or execution environments.",{"term":1215,"anchor":343,"definition":1749},"The product and domain layer that owns user interaction, authoritative state, permissions, validation, persistence and business behavior.",{"term":1444,"anchor":988,"definition":1751},"The service or runtime that exposes access to one or more models; provider identity and model identity are separate concerns.",{},{"id":992,"data":1754,"type":42,"tunes":1756},{"text":1755,"level":240},"Primary sources and implementation evidence",{},{"id":997,"data":1758,"type":218,"tunes":1760},{"text":1759},"Stable definitions below are anchored in standards\u002Fresearch; fast-moving implementation examples use current official engineering documentation. Aaasaasa AI Client is original implementation evidence and was checked against its codebase\u002Fdocumentation state dated 26 July 2026.",{},{"id":1002,"data":1762,"type":1009,"tunes":1767},{"link":1004,"meta":1763},{"image":1764,"title":1765,"description":1766},{"url":325},"NIST AI 600-1 — Generative Artificial Intelligence Profile","NIST's Generative AI profile, including the generative-AI definition and explicit distinction between model-, system-, application- and use-case-level concerns.",{},{"id":1012,"data":1769,"type":1009,"tunes":1774},{"link":1014,"meta":1770},{"image":1771,"title":1772,"description":1773},{"url":325},"NIST — Artificial Intelligence Model","Current NIST glossary definition of an AI model as a component of an information system that produces outputs from inputs using AI techniques.",{},{"id":1021,"data":1776,"type":1009,"tunes":1781},{"link":1023,"meta":1777},{"image":1778,"title":1779,"description":1780},{"url":325},"NIST — Artificial Intelligence System","Current NIST glossary definition showing that an AI system can include data systems, software, hardware, applications, tools or utilities using AI.",{},{"id":1030,"data":1783,"type":1009,"tunes":1788},{"link":1032,"meta":1784},{"image":1785,"title":1786,"description":1787},{"url":325},"Lewis et al. — Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks","The 2020 paper introducing the RAG formulation that combines a generative model with retrieved non-parametric memory.",{},{"id":1039,"data":1790,"type":1009,"tunes":1795},{"link":1041,"meta":1791},{"image":1792,"title":1793,"description":1794},{"url":325},"OpenAI — File Search","Current official documentation for hosted file retrieval in the Responses API using uploaded-file knowledge bases, semantic search and keyword search.",{},{"id":1048,"data":1797,"type":1009,"tunes":1802},{"link":1050,"meta":1798},{"image":1799,"title":1800,"description":1801},{"url":325},"OpenAI — Function Calling","Current official documentation describing tool\u002Ffunction calling as the interface between models and external systems, data and actions.",{},{"id":1057,"data":1804,"type":1009,"tunes":1809},{"link":1059,"meta":1805},{"image":1806,"title":1807,"description":1808},{"url":325},"Anthropic — Effective Context Engineering for AI Agents","Engineering guidance defining context as the token set available during LLM sampling and explaining why context selection is a finite-resource problem.",{},"2.31.6","Generative AI is more than a model. Learn how models, retrieval, tools, context, runtimes and applications fit together in production AI systems.",{"lang":7,"title":208,"content":210,"contentJson":1813,"excerpt":1066},{"time":212,"blocks":1814,"version":1065},[1815,1818,1821,1824,1827,1830,1833,1836,1839,1842,1845,1857,1860,1863,1883,1886,1889,1892,1895,1898,1901,1904,1907,1910,1913,1916,1919,1922,1925,1928,1931,1934,1937,1940,1943,1946,1949,1952,1955,1958,1961,1964,1967,1979,1982,1985,2002,2005,2008,2011,2014,2017,2020,2032,2035,2038,2050,2053,2056,2076,2079,2082,2093,2096,2099,2102,2113,2116,2119,2122,2125,2128,2131,2134,2137,2140,2143,2146,2149,2152,2155,2158,2161,2164,2167,2170,2173,2184,2187,2199,2202,2205,2210,2215,2220,2225,2230,2235],{"id":215,"data":1816,"type":218,"tunes":1817},{"text":217},{},{"id":221,"data":1819,"type":226,"tunes":1820},{"body":223,"title":224,"variant":225},{},{"id":229,"data":1822,"type":226,"tunes":1823},{"body":231,"title":232,"variant":233},{},{"id":236,"data":1825,"type":241,"tunes":1826},{"title":238,"maxLevel":239,"minLevel":240},{},{"id":244,"data":1828,"type":42,"tunes":1829},{"text":246,"level":240},{},{"id":249,"data":1831,"type":218,"tunes":1832},{"text":251},{},{"id":254,"data":1834,"type":218,"tunes":1835},{"text":256},{},{"id":259,"data":1837,"type":226,"tunes":1838},{"body":261,"title":262,"variant":263},{},{"id":266,"data":1840,"type":42,"tunes":1841},{"text":268,"level":240},{},{"id":271,"data":1843,"type":218,"tunes":1844},{"text":273},{},{"id":276,"data":1846,"type":305,"tunes":1856},{"steps":1847,"title":303,"orientation":304},[1848,1849,1850,1851,1852,1853,1854,1855],{"label":280,"description":281},{"label":283,"description":284},{"label":286,"description":287},{"label":289,"description":290},{"label":292,"description":293},{"label":295,"description":296},{"label":298,"description":299},{"label":301,"description":302},{},{"id":308,"data":1858,"type":218,"tunes":1859},{"text":310},{},{"id":313,"data":1861,"type":42,"tunes":1862},{"text":315,"level":240},{},{"id":318,"data":1864,"type":358,"tunes":1882},{"rows":1865,"title":346,"layout":347,"columns":1878},[1866,1868,1870,1872,1874,1876],{"id":322,"label":323,"values":1867},[325,325,325],{"id":327,"label":328,"values":1869},[325,325,325],{"id":331,"label":332,"values":1871},[325,325,325],{"id":335,"label":336,"values":1873},[325,325,325],{"id":339,"label":340,"values":1875},[325,325,325],{"id":343,"label":344,"values":1877},[325,325,325],[1879,1880,1881],{"id":350,"label":351},{"id":353,"label":354},{"id":356,"label":357},{},{"id":361,"data":1884,"type":42,"tunes":1885},{"text":363,"level":240},{},{"id":366,"data":1887,"type":218,"tunes":1888},{"text":368},{},{"id":371,"data":1890,"type":218,"tunes":1891},{"text":373},{},{"id":376,"data":1893,"type":218,"tunes":1894},{"text":378},{},{"id":381,"data":1896,"type":42,"tunes":1897},{"text":383,"level":240},{},{"id":386,"data":1899,"type":218,"tunes":1900},{"text":388},{},{"id":391,"data":1902,"type":218,"tunes":1903},{"text":393},{},{"id":396,"data":1905,"type":226,"tunes":1906},{"body":398,"title":399,"variant":400},{},{"id":403,"data":1908,"type":409,"tunes":1909},{"url":405,"title":406,"excerpt":407,"ctaLabel":408},{},{"id":412,"data":1911,"type":42,"tunes":1912},{"text":414,"level":240},{},{"id":417,"data":1914,"type":218,"tunes":1915},{"text":419},{},{"id":422,"data":1917,"type":218,"tunes":1918},{"text":424},{},{"id":427,"data":1920,"type":218,"tunes":1921},{"text":429},{},{"id":432,"data":1923,"type":226,"tunes":1924},{"body":434,"title":435,"variant":263},{},{"id":438,"data":1926,"type":42,"tunes":1927},{"text":440,"level":240},{},{"id":443,"data":1929,"type":218,"tunes":1930},{"text":445},{},{"id":448,"data":1932,"type":218,"tunes":1933},{"text":450},{},{"id":453,"data":1935,"type":218,"tunes":1936},{"text":455},{},{"id":458,"data":1938,"type":42,"tunes":1939},{"text":460,"level":240},{},{"id":463,"data":1941,"type":218,"tunes":1942},{"text":465},{},{"id":468,"data":1944,"type":218,"tunes":1945},{"text":470},{},{"id":473,"data":1947,"type":218,"tunes":1948},{"text":475},{},{"id":478,"data":1950,"type":42,"tunes":1951},{"text":480,"level":240},{},{"id":483,"data":1953,"type":218,"tunes":1954},{"text":485},{},{"id":488,"data":1956,"type":218,"tunes":1957},{"text":490},{},{"id":493,"data":1959,"type":226,"tunes":1960},{"body":495,"title":496,"variant":225},{},{"id":499,"data":1962,"type":42,"tunes":1963},{"text":501,"level":240},{},{"id":504,"data":1965,"type":218,"tunes":1966},{"text":506},{},{"id":509,"data":1968,"type":347,"tunes":1978},{"content":1969,"stretched":43,"withHeadings":14},[1970,1971,1972,1973,1974,1975,1976,1977],[513,514,515],[517,328,518],[520,521,522],[524,525,526],[528,529,530],[532,533,534],[536,323,537],[539,540,541],{},{"id":544,"data":1980,"type":218,"tunes":1981},{"text":546},{},{"id":549,"data":1983,"type":42,"tunes":1984},{"text":551,"level":240},{},{"id":554,"data":1986,"type":358,"tunes":2001},{"rows":1987,"title":573,"layout":347,"columns":1996},[1988,1990,1992,1994],{"id":558,"label":559,"values":1989},[325,325,325,325],{"id":562,"label":563,"values":1991},[325,325,325,325],{"id":566,"label":567,"values":1993},[325,325,325,325],{"id":570,"label":571,"values":1995},[325,325,325,325],[1997,1998,1999,2000],{"id":327,"label":328},{"id":331,"label":332},{"id":578,"label":579},{"id":581,"label":582},{},{"id":585,"data":2003,"type":218,"tunes":2004},{"text":587},{},{"id":590,"data":2006,"type":42,"tunes":2007},{"text":592,"level":240},{},{"id":595,"data":2009,"type":226,"tunes":2010},{"body":597,"title":598,"variant":233},{},{"id":601,"data":2012,"type":218,"tunes":2013},{"text":603},{},{"id":606,"data":2015,"type":218,"tunes":2016},{"text":608},{},{"id":611,"data":2018,"type":218,"tunes":2019},{"text":613},{},{"id":616,"data":2021,"type":347,"tunes":2031},{"content":2022,"stretched":43,"withHeadings":14},[2023,2024,2025,2026,2027,2028,2029,2030],[620,621],[323,623],[625,626],[628,629],[631,632],[634,635],[637,638],[344,640],{},{"id":643,"data":2033,"type":226,"tunes":2034},{"body":645,"title":646,"variant":263},{},{"id":649,"data":2036,"type":42,"tunes":2037},{"text":651,"level":240},{},{"id":654,"data":2039,"type":347,"tunes":2049},{"content":2040,"stretched":43,"withHeadings":14},[2041,2042,2043,2044,2045,2046,2047,2048],[658,659],[661,662],[664,665],[667,668],[670,671],[673,674],[676,677],[679,680],{},{"id":683,"data":2051,"type":42,"tunes":2052},{"text":685,"level":240},{},{"id":688,"data":2054,"type":218,"tunes":2055},{"text":690},{},{"id":693,"data":2057,"type":358,"tunes":2075},{"rows":2058,"title":720,"layout":347,"columns":2071},[2059,2061,2063,2065,2067,2069],{"id":697,"label":698,"values":2060},[325,325,325],{"id":701,"label":702,"values":2062},[325,325,325],{"id":705,"label":706,"values":2064},[325,325,325],{"id":709,"label":710,"values":2066},[325,325,325],{"id":713,"label":714,"values":2068},[325,325,325],{"id":717,"label":718,"values":2070},[325,325,325],[2072,2073,2074],{"id":723,"label":724},{"id":726,"label":727},{"id":729,"label":730},{},{"id":733,"data":2077,"type":42,"tunes":2078},{"text":735,"level":240},{},{"id":738,"data":2080,"type":218,"tunes":2081},{"text":740},{},{"id":743,"data":2083,"type":347,"tunes":2092},{"content":2084,"stretched":43,"withHeadings":14},[2085,2086,2087,2088,2089,2090,2091],[747,748,749],[751,752,753],[755,756,757],[759,760,761],[763,764,765],[767,768,769],[771,772,773],{},{"id":776,"data":2094,"type":218,"tunes":2095},{"text":778},{},{"id":781,"data":2097,"type":42,"tunes":2098},{"text":783,"level":240},{},{"id":786,"data":2100,"type":218,"tunes":2101},{"text":788},{},{"id":791,"data":2103,"type":305,"tunes":2112},{"steps":2104,"title":815,"orientation":304},[2105,2106,2107,2108,2109,2110,2111],{"label":795,"description":796},{"label":798,"description":799},{"label":801,"description":802},{"label":804,"description":805},{"label":807,"description":808},{"label":810,"description":811},{"label":813,"description":814},{},{"id":818,"data":2114,"type":42,"tunes":2115},{"text":820,"level":240},{},{"id":823,"data":2117,"type":218,"tunes":2118},{"text":825},{},{"id":828,"data":2120,"type":218,"tunes":2121},{"text":830},{},{"id":833,"data":2123,"type":226,"tunes":2124},{"body":835,"title":836,"variant":263},{},{"id":839,"data":2126,"type":42,"tunes":2127},{"text":841,"level":240},{},{"id":844,"data":2129,"type":218,"tunes":2130},{"text":846},{},{"id":849,"data":2132,"type":409,"tunes":2133},{"url":851,"title":852,"excerpt":853,"ctaLabel":854},{},{"id":857,"data":2135,"type":409,"tunes":2136},{"url":859,"title":860,"excerpt":861,"ctaLabel":862},{},{"id":865,"data":2138,"type":42,"tunes":2139},{"text":867,"level":240},{},{"id":870,"data":2141,"type":218,"tunes":2142},{"text":872},{},{"id":875,"data":2144,"type":218,"tunes":2145},{"text":877},{},{"id":880,"data":2147,"type":218,"tunes":2148},{"text":882},{},{"id":885,"data":2150,"type":42,"tunes":2151},{"text":887,"level":240},{},{"id":890,"data":2153,"type":218,"tunes":2154},{"text":892},{},{"id":895,"data":2156,"type":218,"tunes":2157},{"text":897},{},{"id":900,"data":2159,"type":42,"tunes":2160},{"text":902,"level":240},{},{"id":905,"data":2162,"type":218,"tunes":2163},{"text":907},{},{"id":910,"data":2165,"type":218,"tunes":2166},{"text":912},{},{"id":915,"data":2168,"type":218,"tunes":2169},{"text":917},{},{"id":920,"data":2171,"type":42,"tunes":2172},{"text":922,"level":240},{},{"id":925,"data":2174,"type":925,"tunes":2183},{"items":2175,"title":956},[2176,2177,2178,2179,2180,2181,2182],{"id":929,"answer":930,"question":931},{"id":933,"answer":934,"question":935},{"id":937,"answer":938,"question":939},{"id":941,"answer":942,"question":943},{"id":945,"answer":946,"question":947},{"id":949,"answer":950,"question":951},{"id":953,"answer":954,"question":955},{},{"id":959,"data":2185,"type":42,"tunes":2186},{"text":961,"level":240},{},{"id":964,"data":2188,"type":964,"tunes":2198},{"title":966,"entries":2189},[2190,2191,2192,2193,2194,2195,2196,2197],{"term":969,"anchor":970,"definition":971},{"term":328,"anchor":327,"definition":973},{"term":755,"anchor":562,"definition":975},{"term":977,"anchor":566,"definition":978},{"term":336,"anchor":335,"definition":980},{"term":982,"anchor":983,"definition":984},{"term":344,"anchor":343,"definition":986},{"term":625,"anchor":988,"definition":989},{},{"id":992,"data":2200,"type":42,"tunes":2201},{"text":994,"level":240},{},{"id":997,"data":2203,"type":218,"tunes":2204},{"text":999},{},{"id":1002,"data":2206,"type":1009,"tunes":2209},{"link":1004,"meta":2207},{"image":2208,"title":1007,"description":1008},{"url":325},{},{"id":1012,"data":2211,"type":1009,"tunes":2214},{"link":1014,"meta":2212},{"image":2213,"title":1017,"description":1018},{"url":325},{},{"id":1021,"data":2216,"type":1009,"tunes":2219},{"link":1023,"meta":2217},{"image":2218,"title":1026,"description":1027},{"url":325},{},{"id":1030,"data":2221,"type":1009,"tunes":2224},{"link":1032,"meta":2222},{"image":2223,"title":1035,"description":1036},{"url":325},{},{"id":1039,"data":2226,"type":1009,"tunes":2229},{"link":1041,"meta":2227},{"image":2228,"title":1044,"description":1045},{"url":325},{},{"id":1048,"data":2231,"type":1009,"tunes":2234},{"link":1050,"meta":2232},{"image":2233,"title":1053,"description":1054},{"url":325},{},{"id":1057,"data":2236,"type":1009,"tunes":2239},{"link":1059,"meta":2237},{"image":2238,"title":1062,"description":1063},{"url":325},{},"Post erfolgreich abgerufen",{"items":2242,"source":2326,"manualIds":2327,"manualMatchedIds":2328},[2243,2250,2257,2264,2270,2277,2284,2291,2298,2305,2312,2319],{"id":2244,"slug":2245,"title":2246,"excerpt":2247,"featuredImage":2248,"publishedAt":2249},"470","what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","¿Qué debería recordar, olvidar, recalcular o volver a recuperar un agente de IA?","Los agentes de larga duración no deberían recordarlo todo. Este artículo proporciona un modelo práctico de ciclo de vida para decidir qué pertenece a la memoria duradera, qué se debería recuperar de nuevo, qué es más seguro recalcular y qué debería expirar o ser sustituido.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again-1790351131087-iehz28.webp","2026-09-25T09:43:00.000Z",{"id":2251,"slug":2252,"title":2253,"excerpt":2254,"featuredImage":2255,"publishedAt":2256},"468","ai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","La memoria del agente de IA no es RAG: cómo separar memoria, recuperación, estado y contexto","La memoria del agente, RAG, el estado y el contexto a menudo se usan como si fueran intercambiables. No lo son. Este modelo práctico de arquitectura separa las cuatro capas, muestra dónde pertenece cada una y explica qué se rompe cuando los sistemas las colapsan en una sola.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context-1790350560308-np0xy6.webp","2026-09-25T11:34:00.000Z",{"id":2258,"slug":2259,"title":2260,"excerpt":2261,"featuredImage":2262,"publishedAt":2263},"478","what-is-rag-the-simplest-explanation-of-how-it-works","¿Qué es RAG? La explicación más sencilla de cómo funciona","RAG suena complicado, pero la idea es simple: antes de que una IA responda, primero busca información útil de una fuente de conocimiento y le da esa información al modelo de lenguaje. Esta guía explica RAG, los LLM, el estado, la memoria y las herramientas usando un modelo mental simple.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works-1790377492124-khjagt.webp","2026-09-25T19:03:00.000Z",{"id":2265,"slug":2266,"title":852,"excerpt":2267,"featuredImage":2268,"publishedAt":2269},"479","where-does-an-llm-get-its-data-rag-data-sources-in-python","Un LLM no conoce mágicamente tus archivos, bases de datos o APIs. Esta continuación práctica de la serie RAG muestra, con Python sencillo, cómo los datos externos se convierten en evidencia recuperable: desde archivos de texto y SQL hasta búsqueda de texto completo, embeddings, ensamblaje de contexto y la llamada final al LLM.","\u002Fuploads\u002F2026\u002F09\u002Fwhere-does-an-llm-get-its-data-rag-data-sources-in-python-1790517200521-nfsi5i.webp","2026-09-27T05:51:00.000Z",{"id":2271,"slug":2272,"title":2273,"excerpt":2274,"featuredImage":2275,"publishedAt":2276},"485","enterprise-ai-architecture-what-changes-when-ai-enters-a-company","Arquitectura de IA empresarial: qué cambia cuando la IA entra en una empresa","La arquitectura de IA empresarial explica cómo la IA cambia los sistemas de la empresa en materia de autoridad sobre los datos, identidad, permisos, proveedores, riesgo, gobernanza, evaluación, cumplimiento y operaciones.","\u002Fuploads\u002F2026\u002F10\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company-1791478161363-czrwaq.webp","2026-10-08T10:48:00.000Z",{"id":2278,"slug":2279,"title":2280,"excerpt":2281,"featuredImage":2282,"publishedAt":2283},"466","the-gpu-is-not-the-product-future-proof-private-ai-architecture","La GPU no es el producto: arquitectura de IA privada a prueba de futuro","La infraestructura de IA privada no debe diseñarse en torno a una sola GPU o un solo modelo. Un enfoque más resiliente combina GPUs de inferencia rápida, sistemas de IA ricos en memoria, nodos de IA física y modelos en la nube frontier opcionales detrás de una capa de enrutamiento consciente de las capacidades.","\u002Fuploads\u002F2026\u002F09\u002Fthe-gpu-is-not-the-product-future-proof-private-ai-architecture-1790140878812-8hsl39.webp","2026-09-23T01:19:00.000Z",{"id":2285,"slug":2286,"title":2287,"excerpt":2288,"featuredImage":2289,"publishedAt":2290},"471","how-to-know-whether-an-ai-agent-actually-used-the-right-evidence","Cómo saber si un agente de IA realmente utilizó la evidencia correcta","Un agente de IA puede citar fuentes y aun así usar la evidencia incorrecta. Este artículo presenta un método práctico para verificar el respaldo de las afirmaciones, la autoridad de la fuente, la aplicabilidad, la procedencia y si la evidencia realmente influyó en la respuesta.","\u002Fuploads\u002F2026\u002F09\u002Fhow-to-know-whether-an-ai-agent-actually-used-the-right-evidence-1790351317188-o5z9ve.webp","2026-09-25T11:47:00.000Z",{"id":2292,"slug":2293,"title":2294,"excerpt":2295,"featuredImage":2296,"publishedAt":2297},"492","mcp-explained-what-it-connects-what-it-does-not-do-and-where-it-fits","MCP explicado: qué conecta, qué no hace y dónde encaja","El Protocolo de Contexto de Modelo conecta aplicaciones de IA con herramientas, recursos y prompts externos a través de un límite estándar cliente-servidor. Aprende qué hace MCP, qué no hace y dónde encaja en la arquitectura de agentes.","\u002Fuploads\u002F2026\u002F10\u002Fmcp-explained-what-it-connects-what-it-does-not-do-and-where-it-fits-1791486640275-7ub1cq.webp","2026-10-08T15:09:00.000Z",{"id":2299,"slug":2300,"title":2301,"excerpt":2302,"featuredImage":2303,"publishedAt":2304},"487","vector-databases-embeddings-and-reranking-three-different-parts-of-retrieval","Bases de datos vectoriales, embeddings y reranking: tres partes diferentes de la recuperación","Las incrustaciones representan el significado, las bases de datos vectoriales recuperan candidatos y los rerankers refinan los resultados. Aprende en qué se diferencian y cómo trabajan juntas estas tres capas de recuperación en RAG.","\u002Fuploads\u002F2026\u002F10\u002Fvector-databases-embeddings-and-reranking-three-different-parts-of-retrieval-1791480129884-9dtasz.webp","2026-10-08T11:21:00.000Z",{"id":2306,"slug":2307,"title":2308,"excerpt":2309,"featuredImage":2310,"publishedAt":2311},"495","sovereign-ai-control-of-models-data-infrastructure-and-dependencies","IA soberana: control de modelos, datos, infraestructura y dependencias","La IA soberana se trata del control efectivo sobre los modelos, los datos, la infraestructura, el software, las operaciones y las dependencias estratégicas, no simplemente de dónde está alojado un modelo de IA.","\u002Fuploads\u002F2026\u002F10\u002Fsovereign-ai-control-of-models-data-infrastructure-and-dependencies-1791488833132-niy85x.webp","2026-10-08T15:45:00.000Z",{"id":2313,"slug":2314,"title":2315,"excerpt":2316,"featuredImage":2317,"publishedAt":2318},"381","enterprise-grade-multi-tenant-architecture-for-an-international-platform","Arquitectura Multi-Inquilino de Grado Empresarial para una Plataforma Internacional","Loving Rocks es una plataforma de bodas de nivel empresarial diseñada con una verdadera arquitectura multiinquilino, bases de datos aisladas por inquilino e internacionalización integrada para escalabilidad global, seguridad y estabilidad operativa a largo plazo.","\u002Fuploads\u002F2026\u002F01\u002Fenterprise-grade-multi-tenant-architecture-for-an-international-platform-1769789121298-b6v7ak.webp","2026-01-30T12:04:00.000Z",{"id":2320,"slug":2321,"title":2322,"excerpt":2323,"featuredImage":2324,"publishedAt":2325},"467","the-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","El límite de validez de la respuesta: la capa faltante entre la relevancia y las respuestas fiables de la IA","Una fuente puede ser relevante, autorizada y aun así ser incorrecta para la pregunta que se plantea. La capa que falta es la aplicabilidad: las condiciones bajo las cuales una respuesta es válida y los cambios que obligan a reconsiderarla. Este artículo presenta el Límite de Validez de la Respuesta como un patrón de diseño de fuentes para personas, sistemas de búsqueda con IA y sistemas RAG.","\u002Fuploads\u002F2026\u002F09\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers-1790272901306-1g5jly.webp","2026-09-24T11:59:00.000Z","fallback",[],[]]