LLM Temperature y Top-p explicados: Cómo los modelos de IA eligen su siguiente palabra
La temperatura y la p máxima son las dos configuraciones que deciden qué tan predecibles o variadas son las respuestas de un modelo de IA. Simulamos las matemáticas detrás de ellos con un ejemplo de juguete para que puedas ver exactamente qué efecto tiene cada configuración en las elecciones del modelo.
- Un modelo produce una probabilidad para cada posible siguiente token y luego muestra uno.
- La temperatura remodela esas probabilidades: los valores bajos las agudizan, los valores altos las aplanan.
- Top-p mantiene solo los tokens más probables que juntos alcanzan un umbral de probabilidad.
- Utilice una temperatura baja para la extracción y el código, una temperatura moderada para el chat y cambie una configuración a la vez.
Haga la misma pregunta a un modelo de IA dos veces y es posible que obtenga dos respuestas diferentes. Pídale que extraiga una fecha de una factura y querrá obtener la misma respuesta cada vez. Pídele diez ideas de eslogan y querrás variedad. Las configuraciones que controlan esta compensación son temperatura y top-p, y se encuentran entre las opciones más incomprendidas en cualquier API de IA.
No pudimos inspeccionar las probabilidades internas de un modelo comercial, por lo que construimos una pequeña simulación en Python de las matemáticas de muestreo estándar, utilizando puntuaciones inventadas para cuatro palabras candidatas. Todos los números a continuación provienen de esa simulación. Los modelos reales eligen entre decenas de miles de tokens y los proveedores pueden implementar los detalles de manera diferente, pero el comportamiento es el mismo en principio.
Cómo un modelo elige la siguiente palabra
En cada paso, un modelo de lenguaje grande genera una puntuación, llamada logit, para cada token de su vocabulario. Una función llamada softmax convierte esas puntuaciones en probabilidades que suman 1. Luego, el modelo muestra un token de acuerdo con esas probabilidades, lo agrega al texto y lo repite. La temperatura y la p máxima cambian las probabilidades antes de ese paso de muestreo.
Nuestro ejemplo de juguete
Imagínese el mensaje “La capital de Francia es”. Le dimos estas puntuaciones a las siguientes palabras de cuatro candidatos:
logits = {"Paris": 5.0, "Lyon": 3.0, "London": 2.5, "banana": 0.0}
París es claramente la favorita, Lyon y Londres son errores que parecen plausibles y el plátano es una tontería. Un modelo real también asignaría cierta probabilidad a miles de otros tokens.
Temperatura: afilado o aplanado
La temperatura divide cada puntuación antes de que se aplique softmax. Dividir por un número pequeño exagera las brechas entre las puntuaciones; dividir por un número grande los reduce. Estas son las probabilidades que produjo nuestra simulación:
| Temperatura | París | León | Londres | plátano |
|---|---|---|---|---|
| 0.2 | 1.000 | 0.000 | 0.000 | 0.000 |
| 0.7 | 0.921 | 0.053 | 0.026 | 0.001 |
| 1.0 | 0.817 | 0.111 | 0.067 | 0.006 |
| 1.5 | 0.672 | 0.177 | 0.127 | 0.024 |
| 2.0 | 0.576 | 0.212 | 0.165 | 0.047 |
En 1.0, la distribución propia del modelo se utiliza sin cambios. Con 0,2, París obtiene esencialmente toda la probabilidad. En 2,0, París cae al 58%, e incluso el plátano sube a casi el 5%. La temperatura no añade conocimiento ni creatividad en ningún sentido profundo. Sólo cambia la disposición del modelo a elegir opciones menos probables, lo que puede significar una redacción más fresca o simplemente más errores.
Cómo se ve el muestreo
Las probabilidades son abstractas, por lo que extrajimos 1000 muestras a tres temperaturas, utilizando una semilla aleatoria fija:
T=0.2 {'Paris': 1000, 'Lyon': 0, 'London': 0, 'banana': 0}
T=1.0 {'Paris': 810, 'Lyon': 117, 'London': 70, 'banana': 3}
T=2.0 {'Paris': 607, 'Lyon': 202, 'London': 146, 'banana': 45}
A una temperatura de 2,0, aproximadamente 4 de cada 10 respuestas nombraron la ciudad equivocada y 45 de 1.000 dijeron “plátano”. Ahora recuerde que una respuesta real tiene cientos de tokens. Se suma una pequeña posibilidad de una elección extraña en cada paso, y una mala señal al principio de una oración puede enviar el resto de la respuesta en la dirección equivocada. Ésta es una de las razones por las que las altas temperaturas aumentan la probabilidad de alucinaciones.
Temperatura 0 y determinismo
A temperatura 0, las matemáticas se dividirían por cero, por lo que las API lo tratan como “elegir siempre el token más probable”, lo que se denomina decodificación codiciosa. Esto hace que la producción sea mucho más repetible, pero en la práctica no siempre es perfectamente idéntica. Los modelos alojados pueden variar ligeramente debido a cómo se agrupan y paralelizan los cálculos en el hardware del proveedor, y a cómo los modelos se actualizan con el tiempo. Algunas API ofrecen un parámetro inicial para una mejor repetibilidad. Trate la temperatura 0 como “altamente consistente”, no como una garantía.
Consejo: La decodificación codiciosa no siempre es la mejor, incluso para tareas objetivas. Puede quedarse atascado repitiendo frases en salidas largas. Para textos de formato largo, una temperatura baja pero distinta de cero, como 0,2 a 0,4, a menudo se lee de forma más natural mientras se mantiene la concentración.
Top-p (muestreo de núcleos)
Top-p adopta un enfoque diferente. Ordena los tokens de más a menos probable, mantiene el grupo más pequeño cuyas probabilidades suman al menos p, descarta el resto y vuelve a normalizar. Aplicado a nuestras probabilidades de temperatura-1.0:
top_p=0.5 {'Paris': 1.0}
top_p=0.9 {'Paris': 0.881, 'Lyon': 0.119}
top_p=0.99 {'Paris': 0.821, 'Lyon': 0.111, 'London': 0.067}
Con un 0,5, París por sí solo ya cubría más de la mitad de la probabilidad, por lo que era la única opción. Al 0,9 se sumó el Lyon. Incluso a 0,99, se cortó el plátano. Ésa es la fortaleza de top-p: elimina la larga cola de tokens improbables que causan tonterías, mientras se adapta a la situación. Cuando el modelo tiene confianza, pocas fichas sobreviven; cuando muchas continuaciones son razonables, más sobreviven.
Top-k y min-p
- Top-k mantiene un número fijo de los tokens más probables, como 40, independientemente de sus probabilidades. Es sencillo pero no se adapta: 40 pueden ser demasiados cuando el modelo es seguro y muy pocos cuando no lo es.
- Min-p mantiene tokens cuya probabilidad es al menos una fracción de la probabilidad del token superior. Es popular en las herramientas de modelos de código abierto y se afirma que funciona bien a temperaturas más altas, aunque la investigación es más reciente.
No todas las API exponen todas las opciones. Consulte la documentación de su proveedor para saber qué parámetros están disponibles y cuáles son sus valores predeterminados.
Usar temperatura y top-p juntos
Ambas configuraciones dan forma a la misma distribución, por lo que cambiar ambas a la vez hace que el comportamiento sea difícil de predecir. Varios proveedores recomiendan ajustar uno y dejar el otro en su estado predeterminado. Un enfoque razonable es ajustar la temperatura primero, ya que es más fácil razonar y solo alcanzar el máximo si es necesario eliminar rarezas raras a una temperatura más alta.
Configuraciones sugeridas por tarea
| Tarea | Temperatura | ¿Por qué? |
|---|---|---|
| Extracción de datos, clasificación. | 0 a 0,2 | Una respuesta correcta; la coherencia importa |
| Generación de código | 0 a 0,3 | Pequeñas desviaciones rompen el código |
| Respuesta a preguntas con fuentes. | 0,1 a 0,4 | Manténgase cerca del texto proporcionado |
| Chat general, resúmenes | 0,5 a 0,8 | Tono natural con enfoque razonable. |
| Lluvia de ideas, escritura creativa. | 0,8 a 1,2 | La variedad es el objetivo |
Estos son puntos de partida extraídos de la práctica común, no de reglas. Las familias de modelos difieren, los valores predeterminados difieren según el proveedor y algunos modelos de razonamiento más nuevos corrigen o ignoran estas configuraciones por completo. Pruebe con sus propias indicaciones. Las instrucciones claras, incluidas en nuestra guía de ingeniería rápida, suelen ser más importantes que ajustar estos números.
Mitos comunes
- “Una temperatura más alta hace que el modelo sea más inteligente o más creativo”. Solo hace que los tokens menos probables sean más probables. A veces esa variedad es bienvenida; A menudo es sólo ruido.
- “La temperatura 0 significa que la respuesta es correcta.” Significa la respuesta más probable. Si el modelo es claramente incorrecto, la temperatura 0 lo hace consistentemente incorrecto.
- “La temperatura controla la longitud”. La longitud se controla mediante el mensaje y la configuración máxima de tokens, no por la temperatura.
- “Más bajo siempre es más seguro”. Una configuración muy baja puede provocar texto repetitivo o forzado en salidas largas.
Prueba de funciones de IA
El muestreo hace que las funciones de IA no sean deterministas, lo que cambia la forma en que las prueba:
- Ejecute cada caso de prueba varias veces y mida la tasa de aprobación, en lugar de depender de una sola ejecución.
- Compruebe las propiedades, no las cadenas exactas: JSON válido, campos obligatorios presentes, números que coincidan con la fuente, sin contenido prohibido. Esta es la misma idea que pruebas basadas en propiedades.
- Fije la temperatura en las pruebas para que coincida con la producción y regístrela con los resultados.
- Vuelva a ejecutar su conjunto de evaluación cada vez que cambie el modelo, el mensaje o la configuración de muestreo.
Configurarlo en una llamada API
La mayoría de las API de chat aceptan estas configuraciones como campos en el cuerpo de la solicitud. Una solicitud típica para una tarea de extracción se parece a esta (una ilustración, no ejecutada para este artículo, y los nombres de los campos varían según el proveedor):
{
"model": "your-model-name",
"temperature": 0.1,
"max_tokens": 300,
"messages": [
{"role": "user", "content": "Extract the invoice date and total as JSON: ..."}
]
}
Mantenga estos valores en la configuración, no dispersos en el código, y regístrelos con cada solicitud junto con el nombre del modelo. Cuando una respuesta parece extraña semanas después, conocer la configuración exacta que la produjo ahorra muchas conjeturas. Si ofrece varias funciones de un modelo, asigne a cada función su propia configuración: el resumidor y el asistente de código rara vez quieren la misma temperatura.
Conclusión
La temperatura y la máxima p no cambian lo que sabe un modelo; cambian lo aventurero que es al elegir cada ficha siguiente. Nuestra simulación de juguete mostró que la temperatura deslizaba a París desde cierto hasta 58% y topp cortaba la cola sin sentido. Comience con niveles bajos para tareas con una respuesta correcta, aumente la temperatura solo cuando desee variedad, ajuste una configuración a la vez y pruebe con ejecuciones repetidas.
Preguntas frecuentes
¿Qué hace la temperatura en un LLM?
Cambia la escala de las probabilidades del modelo antes del muestreo. La baja temperatura hace que domine la ficha más probable; las altas temperaturas extienden la probabilidad a tokens menos probables, aumentando la variedad y el riesgo.
¿Qué es el muestreo top-p?
Top-p mantiene el conjunto más pequeño de tokens más probables cuya probabilidad combinada alcanza p, como 0,9, y toma muestras solo de ellos. Elimina la improbable cola.
¿La temperatura 0 da la misma respuesta cada vez?
Generalmente respuestas muy similares, pero no garantizadas. Los modelos alojados pueden variar ligeramente según su forma de ejecución y los modelos se actualizan con el tiempo.
¿Debo cambiar la temperatura y completar la temperatura juntos?
Generalmente no. Ambos remodelan la misma distribución, por lo que muchos proveedores recomiendan ajustar uno y dejar el otro en su valor predeterminado.
¿Qué temperatura debo usar para el código?
Un valor bajo, normalmente de 0 a 0,3, porque pequeñas desviaciones aleatorias pueden alterar el código. Pruebe siempre el código generado independientemente de la configuración.
sigue aprendiendo
¿Necesitas ayuda con pruebas, WordPress o SEO?
Ayudamos a los equipos a enviar mejor software y hacer crecer sus sitios. Cuéntenos en qué está trabajando y le sugeriremos un siguiente paso claro.
Más guías sobre testing, IA y desarrollo moderno
¿Te gustó este artículo? Elige un tema y salta directo a nuestros tutoriales más recientes.
Explicación de BM25: cómo la búsqueda por palabras clave clasifica los resultados, con código Python y búsqueda híbrida
BM25 explicó con una implementación pura de Python que ejecutamos: la fórmula, IDF, saturación de términos, los parámetros k1 y b, por qué supera el…
Leer artículo →Desarrollo de softwareMétodos HTTP explicados: GET, POST, PUT, PATCH, DELETE, probados en un servidor en vivo
Métodos HTTP explicados con un pequeño servidor que ejecutamos: GET, POST, PUT, PATCH, DELETE, HEAD y OPTIONS, seguro vs idempotente, PUT vs PATCH, …
Leer artículo →DevOpsExplicación de Git Bisect: encuentre la confirmación que rompió su código, de forma manual o automática
Git bisect explicado con un repositorio probado: encuentre la única confirmación incorrecta entre 41 de cada 5 ejecuciones de prueba, automatice con…
Leer artículo →Automatización de pruebasExplicación de los marcadores de pytest: marcas personalizadas, filtros skip, skipif, xfail y -m
Los marcadores de pytest se explican con una suite probada: registre marcas personalizadas, ejecute solo pruebas de humo con -m, combine filtros con…
Leer artículo →Pruebas de softwarePruebas positivas versus negativas: diferencias, 24 casos de prueba reales y una lista de verificación
Pruebas positivas versus negativas explicadas con un formulario de registro real: 6 casos de prueba positivos y 18 negativos ejecutados en pytest, e…
Leer artículo →Bases de datos y SQLORDEN SQL POR Varias columnas: ASC, DESC, NULLS LAST, Caso y Orden personalizado
SQL ORDER BY con múltiples columnas explicadas con consultas probadas: ASC y DESC mixtos, desempates, NULLS FIRST y LAST, clasificación que no disti…
Leer artículo →Bases de datos y SQLTotal acumulado de SQL: SUM OVER, totales por grupo, sumas móviles y trampa RANGE
Cómo calcular un total acumulado de SQL con SUM() OVER: totales por grupo, sumas acumuladas diarias, sumas móviles, porcentaje del total, la trampa …
Leer artículo →Desarrollo de softwareMatriz de clasificación de JavaScript: números, objetos, cadenas y por qué 10 viene antes que 5
Cómo ordenar correctamente una matriz en JavaScript: números con una función de comparación, objetos por uno o más campos, cadenas con localeCompare…
Leer artículo →Inteligencia artificialExplicación de las estrategias de fragmentación de RAG: fija, superpuesta, de oración, recursiva y de títulos, medida
Estrategias de fragmentación de RAG comparadas en un documento con tiktoken 0.14: tamaño fijo, superposición, empaquetado de oraciones, división rec…
Leer artículo →Desarrollo de softwareExplicación de la idempotencia de API: claves de idempotencia y reintentos seguros, probados
La idempotencia de API se explicó con un servidor y cliente Python que ejecutamos: una respuesta perdida provocó un cargo doble sin una clave y un c…
Leer artículo →DevOpsExplicación de Git Stash: guardar, aplicar, extraer y archivos sin seguimiento, probado
Git stash se explica con comandos que ejecutamos en Git 2.56: enviar con un mensaje, archivos sin seguimiento, enumerar y mostrar, aplicar frente a …
Leer artículo →Pruebas de softwareExplicación de las pruebas por pares: cómo todos los pares reducen 216 pruebas a 13, probadas
Pruebas por pares explicadas con un generador que ejecutamos en Python 3.13: una comprobación con 216 combinaciones cubiertas por 13 pruebas, cobert…
Leer artículo →Automatización de pruebasExplicación de los dobles de prueba: ficticio, stub, espía, simulado y falso, con código Python probado
Los dobles de prueba se explican con un ejemplo de Python ejecutado en pytest 9.2: ficticio, stub, spy, simulado y falso, cuándo usar cada uno, veri…
Leer artículo →Bases de datos y SQLSQL COALESCE explicado: valores predeterminados, NULLIF, IFNULL vs ISNULL y trampas, probados
SQL COALESCE se explica con consultas que ejecutamos en SQLite 3.50: primeros valores no nulos, cadenas vacías, NULL en matemáticas, NULLIF para div…
Leer artículo →Bases de datos y SQLExplicación de la autounión de SQL: empleado-gerente, comparaciones de pares y filas, probado
La autounión de SQL se explica con consultas que ejecutamos en SQLite 3.50: empleado y gerente, ganando más que el gerente, pares únicos, cambios di…
Leer artículo →Desarrollo de softwareExplicación del operador de extensión de JavaScript: extensión frente a reposo, copias y errores, probado
El operador de extensión de JavaScript explicado con el código que ejecutamos en el Nodo 24: matrices, objetos, copias superficiales, parámetros de …
Leer artículo →Desarrollo de softwareExplicación del módulo de colecciones de Python: contador, defaultdict, deque y más, probado
Colecciones de Python explicadas con el código que ejecutamos en Python 3.13: Counter, defaultdict, deque, namedtuple, OrderedDict y ChainMap, ademá…
Leer artículo →Inteligencia artificialExplicación de la ventana de contexto de LLM: tokens, límites y cómo ajustar más, medidos
La ventana de contexto de LLM se explica con recuentos de tokens que medimos usando tiktoken: palabras frente a tokens para prosa, código e hindi, p…
Leer artículo →Desarrollo de softwareExplicación de los webhooks: cómo funcionan y cómo recibirlos de forma segura
Webhooks explicados con un receptor y un remitente que ejecutamos en Python: push vs polling, firmas HMAC-SHA256, rechazo de solicitudes manipuladas…
Leer artículo →DevOpsExplicación de Git Cherry-Pick: copie la confirmación que necesita, de forma segura y probada
Git cherry-pick explicado con comandos que ejecutamos en Git 2.56: copiar una revisión a una rama de lanzamiento, nuevos hashes e ID de parche, -x, …
Leer artículo →Automatización de pruebasExplicación de las pruebas instantáneas: cómo funciona, cuándo ayuda y cuándo duele
Las pruebas de instantáneas se explican con una demostración de pytest y jarabe que ejecutamos: crear instantáneas, leer la diferencia después de un…
Leer artículo →Pruebas de softwareExplicación de las pruebas de mutación: por qué la cobertura del 100% aún no detectó nuestro error
Las pruebas de mutación se explican con una pequeña herramienta de mutación que construimos y ejecutamos: 14 mutantes, un conjunto de pruebas con un…
Leer artículo →Inteligencia artificialExplicación de la inyección rápida: cómo se engaña a las aplicaciones de inteligencia artificial y cómo defenderlas
Inyección rápida explicada para los constructores: ataques directos e indirectos, por qué fallan los filtros de palabras clave (nuestra prueba bloqu…
Leer artículo →DevOpsRegistros DNS explicados: A, AAAA, CNAME, MX, TXT y TTL con búsquedas reales
Los registros DNS se explican con las búsquedas que realizamos: cómo funciona la resolución, A y AAAA, reglas CNAME, MX y MX nulo, TXT para SPF y ve…
Leer artículo →DevOpsExplicación de las banderas de funciones: lanzamientos seguros, implementaciones graduales e higiene de las banderas
Indicadores de características explicados con una simulación de implementación que ejecutamos: tipos de indicadores, porcentajes de implementación c…
Leer artículo →Automatización de pruebasGeneración de datos de prueba con Python Faker: datos realistas, repetibles y seguros
Pruebe la generación de datos con Python Faker, ejecute y mida: siembra de datos repetibles, configuraciones regionales, valores únicos, registros e…
Leer artículo →Pruebas de softwareExplicación de las pruebas de cambio a la izquierda: encuentre errores antes sin ralentizar al equipo
Se explicaron las pruebas de desplazamiento a la izquierda: qué significa, por qué los defectos tempranos son más baratos, prácticas desde revisione…
Leer artículo →Bases de datos y SQLFunciones de cadenas SQL explicadas: TRIM, SUBSTR, REPLACE, CONCAT y limpieza de datos
Funciones de cadena SQL explicadas con consultas que ejecutamos: concatenación y NULL, TRIM, UPPER e LOWER, SUBSTR e INSTR, REPLACE, relleno, longit…
Leer artículo →Bases de datos y SQLExplicación de los activadores de SQL: ANTES y DESPUÉS de los activadores, registros de auditoría y errores
Los disparadores de SQL se explican con los disparadores que ejecutamos: ANTES versus DESPUÉS, ANTIGUOS y NUEVOS, registros de auditoría, validación…
Leer artículo →Desarrollo de softwareMódulo Python JSON explicado: volcados, cargas, tipos personalizados y errores comunes
El módulo Python JSON explicado con el código que ejecutamos: volcados y cargas, archivos, conversiones de tipos, fechas y decimales, codificadores …
Leer artículo →Desarrollo de softwareMódulos ES frente a CommonJS: cómo funcionan las importaciones de JavaScript en Node.js, probado
Los módulos ES frente a CommonJS se explican con el código que ejecutamos en Node.js: sintaxis de importación y exportación, requisitos, enlaces en …
Leer artículo →Desarrollo de softwarePython Regex explicado: patrones, grupos, anticipaciones y obstáculos, probados
La expresión regular de Python se explica con los patrones que ejecutamos: búsqueda versus coincidencia, búsqueda, grupos y grupos con nombre, codic…
Leer artículo →Inteligencia artificialExplicación del resultado estructurado de LLM: obtención de JSON confiable a partir de modelos de IA
La salida estructurada de LLM se explica con la validación que ejecutamos en Pydantic: modo y esquemas JSON, decodificación restringida, las formas …
Leer artículo →DevOpsExplicación de las claves SSH: cómo funcionan, ssh-keygen, Ed25519 y hábitos seguros
Claves SSH explicadas con las claves que generamos: claves públicas versus privadas, ssh-keygen, Ed25519 versus RSA, huellas digitales, frases de co…
Leer artículo →DevOpsExplicación del almacenamiento en caché HTTP: control de caché, ETag y respuestas 304, con una prueba en vivo
El almacenamiento en caché HTTP se explica con un pequeño servidor que ejecutamos: directivas Cache-Control, edad máxima, sin caché versus sin almac…
Leer artículo →Automatización de pruebasExplicación de las pruebas de contrato API: detecte los cambios importantes antes de enviarlos
Las pruebas de contratos API se explican con una verificación de esquema que ejecutamos: qué es un contrato, contratos impulsados por el consumidor,…
Leer artículo →Pruebas de softwareExplicación de las pruebas basadas en riesgos: calificar los riesgos, crear una matriz y probar lo que importa
Pruebas basadas en riesgos explicadas paso a paso: identificación de riesgos, puntuación de probabilidad e impacto, creación de una matriz de riesgo…
Leer artículo →Bases de datos y SQLExplicación de las restricciones de SQL: NOT NULL, UNIQUE, CHECK y FOREIGN KEY, probado
Las restricciones de SQL se explican con las pruebas que ejecutamos: NOT NULL, UNIQUE, CHECK, DEFAULT, PRIMARY y FOREIGN KEY, las lagunas NULL, la c…
Leer artículo →Bases de datos y SQLFunciones de fecha SQL explicadas: agregar, comparar y agrupar fechas sin errores
Funciones de fecha SQL explicadas con consultas que ejecutamos: agregar intervalos, sorpresas de fin de mes, diferencias de fechas, trampa ENTRE, ag…
Leer artículo →Desarrollo de softwareExplicación de Python asyncio: asíncrono, espera, recopilación y grupo de tareas con tiempos reales
Python asyncio se explica con el código que cronometramos: corrutinas, espera, recopilación, grupo de tareas, manejo de errores, tiempos de espera, …
Leer artículo →Desarrollo de softwareDebounce vs Throttle en JavaScript: cómo funcionan, cuándo usar cada uno, probado
Antirrebote versus aceleración en JavaScript explicado con tiempos que medimos en Node.js: cómo funciona cada uno, implementaciones simples, llamada…
Leer artículo →Desarrollo de softwareExplicación de los administradores de contexto de Python: declaración with, contextlib y usos reales
Los administradores de contexto de Python explicaron con el código que ejecutamos: cómo funciona, __enter__ y __exit__, contextlib.contextmanager, s…
Leer artículo →Inteligencia artificialLLM Temperature y Top-p explicados: cómo los modelos de IA eligen su siguiente palabra
La temperatura de LLM y top-p se explican con una simulación que ejecutamos: cómo se remodelan las probabilidades, qué mantiene topp, configuracione…
Leer artículo →DevOpsYAML explicado: sintaxis, el problema de Noruega y otras trampas que probamos
YAML explicó con una prueba de analizador: sintaxis básica, listas y mapas, el problema de Noruega, versiones que se convierten en flotantes, código…
Leer artículo →DevOpsCron Jobs explicados: sintaxis, cronogramas reales y los errores que los rompen
Los trabajos cron explicados con cronogramas que verificamos: los cinco campos, operadores, ejemplos reales, la trampa del día del mes O del día de …
Leer artículo →Inteligencia artificialExplicación de las alucinaciones de la IA: por qué los modelos de lenguaje inventan cosas y cómo reducirlas
Se explicaron las alucinaciones de la IA: qué son, por qué los modelos de lenguaje las producen, tipos comunes, cómo reducirlas con conexión a tierr…
Leer artículo →DevOpsExplicación de las variables de entorno: archivos .env, secretos y configuración bien hechos
Variables de entorno explicadas con ejemplos de Python que ejecutamos: leerlas y configurarlas, por qué cada valor es una cadena, archivos .env, her…
Leer artículo →Desarrollo de softwareExplicación de la limitación de velocidad de API: algoritmos, encabezados y manejo de errores 429
La limitación de la tasa de API se explica con una simulación que ejecutamos: depósito de tokens, ventana fija, ventana deslizante, 429 respuestas, …
Leer artículo →Automatización de pruebasBurlarse en Python: unittest.mock, patch y los errores que hacen que las pruebas mientan
Burlarse en Python con unittest.mock, probado: Mock y return_value, side_effect, parches donde se usa un nombre, especificación y autospec, fechas d…
Leer artículo →Pruebas de softwareExplicación de la cobertura del código: cobertura de línea versus sucursal y lo que realmente significa 100%
Cobertura del código explicada con una ejecución real de cobertura.py: cobertura de línea, rama y condición, lectura de un informe, por qué una cobe…
Leer artículo →Bases de datos y SQLDELETE vs TRUNCATE vs DROP en SQL: diferencias, reversión y cuándo usar cada uno
DELETE vs TRUNCATE vs DROP explicado con SQL probado: qué elimina cada uno, reversión, activadores, restablecimiento de identidad, velocidad y en qu…
Leer artículo →Bases de datos y SQLVistas SQL explicadas: cree, use y evite los errores, con ejemplos
Vistas SQL explicadas con consultas que ejecutamos: creación de una vista, resultados en vivo, ocultación de columnas, rendimiento, vistas actualiza…
Leer artículo →Desarrollo de softwareInterfaz TypeScript versus tipo: diferencias reales, probadas con el compilador
Interfaz TypeScript versus tipo, verificado con el compilador real: qué pueden hacer ambos, qué puede hacer solo uno, fusión de declaraciones, exten…
Leer artículo →Desarrollo de softwarePython *args y **kwargs explicados: funciones flexibles con ejemplos claros
Python *args y **kwargs explicados con el código que ejecutamos: empaquetado y desempaquetado, orden de parámetros, argumentos solo de palabras clav…
Leer artículo →Desarrollo de softwareFunciones Lambda de Python: sintaxis, usos reales y cuándo no utilizarlas
Funciones lambda de Python explicadas con el código que ejecutamos: sintaxis, clasificación con clave, mapa y filtro, cierres, trampa de enlace tard…
Leer artículo →Inteligencia artificial¿Qué son los agentes de IA? Cómo funcionan, con un bucle de agente simple que puedes ejecutar
¿Qué son los agentes de IA? Una guía sencilla sobre el bucle del agente, las herramientas, la memoria y las barreras de seguridad, con un pequeño bu…
Leer artículo →DevOpsMonitoreo versus observabilidad: la verdadera diferencia, con registros, métricas y seguimientos
Explicación del monitoreo versus observabilidad: fallas conocidas y desconocidas, registros, métricas y seguimientos, un recorrido por incidentes de…
Leer artículo →DevOpsDocker Volumes versus Bind Mounts: persistir los datos del contenedor de la manera correcta
Se explican los volúmenes de Docker frente a los montajes de enlace: por qué desaparecen los datos del contenedor, volúmenes con nombre, montajes de…
Leer artículo →Automatización de pruebasTDD vs BDD: diferencias clave, una función creada en ambos sentidos y cuándo usar cada una
TDD vs BDD explicado con una característica de descuento construida en ambos sentidos: refactor rojo-verde con el código que ejecutamos, escenarios …
Leer artículo →Pruebas de softwarePruebas de Aceptación de Usuario (UAT): Proceso, Lista de Verificación y Ejemplos Reales
Explicación de las pruebas de aceptación del usuario: quién las ejecuta, en qué se diferencia del control de calidad, un proceso de siete pasos, una…
Leer artículo →Bases de datos y SQLValores NULL de SQL explicados: IS NULL, COALESCE, NULLIF y las trampas que se deben evitar
Los valores NULL de SQL se explican con las consultas que ejecutamos: lógica de tres valores, IS NULL, COALESCE, NULLIF, cómo los agregados, las uni…
Leer artículo →Bases de datos y SQLDeclaración SQL CASE WHEN: sintaxis, ejemplos reales y errores comunes
CASO SQL CUANDO se explicó con las consultas que ejecutamos: formularios simples y buscados, orden de condiciones, pivotes con SUMA, trucos COUNT, c…
Leer artículo →Desarrollo de software¿Qué es JWT? Tokens web JSON explicados con un ejemplo práctico
¿Qué es JWT? JSON Web Tokens explicó: las tres partes, un token creado y manipulado en el código que ejecutamos, JWT vs sesiones, almacenamiento, to…
Leer artículo →Desarrollo de softwareExplicación del bucle de eventos de JavaScript: pila de llamadas, microtareas y temporizadores con ejemplos
El bucle de eventos de JavaScript explicado con el código que ejecutamos: pila de llamadas, colas de tareas y microtareas, por qué setTimeout 0 no e…
Leer artículo →Desarrollo de softwareExplicación de los generadores y el rendimiento de Python: ahorre memoria con ejemplos reales
Los generadores de Python y el rendimiento se explican con el código que ejecutamos: cómo se pausan y reanudan, midieron el ahorro de memoria, canal…
Leer artículo →Inteligencia artificial¿Qué son las incrustaciones? Los vectores y la similitud del coseno se explican de forma sencilla
¿Qué son las incrustaciones? Una guía en lenguaje sencillo sobre vectores, similitud de cosenos y búsqueda semántica, con un pequeño ejemplo que eje…
Leer artículo →DevOpsImplementación azul-verde versus implementación canaria: diferencias, compensaciones y cómo elegir
Explicación de la implementación azul-verde versus canaria: cómo funciona cada uno, costo, riesgo y reversión, agrupación estable de usuarios que pr…
Leer artículo →Automatización de pruebasPruebas inestables: qué las causa y cómo solucionarlas para siempre
Pruebas inestables explicadas con demostraciones que realizamos: las causas principales, cómo confirmar y diagnosticar una, correcciones adecuadas p…
Leer artículo →Pruebas de softwarePruebas de carga frente a pruebas de estrés: diferencias, métricas y ejemplos de k6
Explicación de las pruebas de carga frente a las pruebas de estrés: qué prueba cada una, pruebas de picos y de absorción, las métricas que importan,…
Leer artículo →Pruebas de softwareCaso de prueba frente a escenario de prueba: diferencias clave, ejemplos y cuándo utilizar cada uno
Caso de prueba versus escenario de prueba explicado: definiciones claras, una tabla en paralelo, una función de restablecimiento de contraseña tomad…
Leer artículo →Bases de datos y SQLOptimización de consultas SQL: lea planes de ejecución y corrija consultas lentas, con tiempos
Optimización de consultas SQL probada en un millón de filas: lea planes de ejecución, agregue los índices correctos, corrija filtros no sargables, u…
Leer artículo →Bases de datos y SQLSQL UNION vs UNION ALL: diferencias, ejemplos y rendimiento probado
SQL UNION vs UNION ALL explicado con consultas que ejecutamos: duplicados, las reglas que siguen ambos, un error de datos real, rendimiento medido, …
Leer artículo →Desarrollo de softwareTutorial de JavaScript Fetch API: GET, POST, manejo de errores y tiempos de espera
Un tutorial de JavaScript Fetch API probado en un servidor local: GET y POST, por qué 404 no arroja, un asistente reutilizable, cadenas de consulta,…
Leer artículo →Desarrollo de softwareManejo de archivos Python: lectura, escritura, CSV, JSON y pathlib con ejemplos
El manejo de archivos Python se explica con el código que ejecutamos: modos abiertos, lectura de archivos grandes, CSV, JSON, pathlib, archivos bina…
Leer artículo →Desarrollo de softwareClases y objetos de Python: tutorial de programación orientada a objetos con ejemplos reales
Clases y objetos de Python explicados con el código que ejecutamos: __init__, métodos, atributos de clase versus instancia, herencia, propiedades, m…
Leer artículo →Inteligencia artificial¿Qué es un modelo de lenguaje grande? Cómo funcionan los LLM, explicados sin exageraciones
¿Qué es un modelo de lenguaje grande? Los LLM explicados en lenguaje sencillo: tokens, incrustaciones, atención, entrenamiento, ventanas de temperat…
Leer artículo →DevOpsComandos de Linux para principiantes: la guía esencial de terminal con ejemplos
Comandos de Linux para principiantes, agrupados por tarea: navegación, archivos, visualización de registros, grep, canalizaciones, permisos, proceso…
Leer artículo →Automatización de pruebasSelenium vs Playwright: diferencias clave, comparación de códigos y cuál elegir
Comparación de Selenium vs Playwright: arquitectura, espera, soporte de navegador e idioma, depuración, la misma prueba en ambas herramientas, conse…
Leer artículo →Pruebas de softwarePartición de equivalencia: técnica de diseño de pruebas explicada con ejemplos resueltos
Explicación de la partición de equivalencia: cómo encontrar particiones válidas e inválidas, ejemplos prácticos para edades, contraseñas y cupones, …
Leer artículo →Pruebas de softwareSeveridad vs Prioridad en Pruebas de Software: Diferencias, Matriz y Ejemplos Reales
Explicación de gravedad versus prioridad en las pruebas de software: definiciones claras, una matriz de cuatro vías con ejemplos, escalas de niveles…
Leer artículo →Bases de datos y SQLTutorial de subconsultas SQL: tipos, subconsultas correlacionadas y EXISTENCIAS con ejemplos
Un tutorial de subconsultas SQL con consultas que ejecutamos: subconsultas escalares, IN, FROM y SELECT, subconsultas correlacionadas, EXISTS, la tr…
Leer artículo →Bases de datos y SQLTransacciones SQL y ACID explicados: COMMIT, ROLLBACK y niveles de aislamiento
Transacciones SQL y ACID explicadas con una transferencia bancaria que ejecutamos: COMMIT, ROLLBACK, puntos de guardado, bloqueos, niveles de aislam…
Leer artículo →Desarrollo de softwareHoja de trucos de comandos de Git: los comandos que realmente usas, con ejemplos
Una hoja de referencia de comandos de Git agrupada por tarea: configuración, preparación, ramas, controles remotos, almacenamiento, historial y desh…
Leer artículo →Desarrollo de softwareExplicación de las promesas de JavaScript: luego, captura, Promise.all y errores comunes
Las promesas de JavaScript se explican con el código que ejecutamos: estados, luego y cadenas de captura, manejo de errores, Promise.all, allSettled…
Leer artículo →Desarrollo de softwareTutorial del diccionario Python: métodos, ejemplos y patrones comunes
Un tutorial de diccionario de Python con el código que ejecutamos: crear, leer y actualizar dictados, métodos clave, fusión, comprensión, patrones d…
Leer artículo →Inteligencia artificial¿Qué es el RAG? Generación de recuperación aumentada explicada con un ejemplo práctico
¿Qué es RAG? Generación de recuperación aumentada explicada paso a paso: indexación, fragmentación, incrustaciones, recuperación, un pequeño ejemplo…
Leer artículo →DevOpsTutorial de Terraform para principiantes: infraestructura como código desde el primer archivo hasta los módulos
Un tutorial de Terraform para principiantes: comience sin una cuenta en la nube, aprenda init, planifique y aplique, luego variables, resultados, es…
Leer artículo →DevOpsDocker vs Kubernetes: diferencias clave, cómo funcionan juntos y cuál necesita
Docker vs Kubernetes explicó: qué hace cada uno, la misma aplicación se ejecuta con ambos, se comparan Docker Compose y Swarm, los Dockershim cambia…
Leer artículo →Automatización de pruebasTutorial de Pytest para principiantes: accesorios, parametrización y ejemplos reales
Un tutorial de pytest para principiantes con pruebas que ejecutamos en pytest 9.2: afirmaciones, accesorios, parametrización, conftest, marcadores, …
Leer artículo →Pruebas de softwareCiclo de vida de pruebas de software (STLC): 6 fases, criterios de entrada y salida, ejemplo
Se explicó el ciclo de vida de las pruebas de software: seis fases de STLC con criterios de entrada y salida, entregables, un ejemplo de función de …
Leer artículo →Desarrollo de softwareGit merge vs rebase: diferencias, ejemplos y cuándo usar cada uno
Git merge vs rebase explicado con salida real del log, una tabla comparativa, la regla de oro del rebase y un flujo de trabajo seguro para equipos.
Leer artículo →Desarrollo de softwareList comprehension en Python: sintaxis, ejemplos y cuándo evitarla
List comprehension en Python explicada: sintaxis, filtros, if-else, bucles anidados, tiempos medidos y cuándo es mejor un bucle for normal.
Leer artículo →