A Common-Sense Guide to AI Engineering

Manual práctico y riguroso de Jay Wengrow orientado a desarrolladores que quieren dar el salto desde prototipos frágiles de modelos de lenguaje hacia aplicaciones listas para producción. La obra trabaja con el entorno de Python y las APIs de LLMs modernas (como la API oficial de OpenAI), evitando dependencias innecesarias de envoltorios de terceros para enseñar cómo interactuar de forma directa y determinista con sistemas no deterministas. Está pensado para programadores de nivel intermedio con buen manejo de Python y nociones de arquitectura web o de servicios que buscan dominar los patrones de diseño propios de la ingeniería de IA.

El autor enseña la mecánica profunda de los LLMs: tokenización, embeddings vectoriales, control de temperatura, gestión de contexto y reducción metódica de alucinaciones. Explica paso a paso cómo estructurar diálogos conversacionales multi-turno con gestión de estado y memoria, cómo diseñar sistemas RAG (Retrieval-Augmented Generation) eficientes con indexación y cálculo de similitud vectorial para consultar documentación privada, y cómo construir agentes autónomos mediante llamadas a funciones (function calling) y flujos en bucle (agent loops). Asimismo, dedica capítulos clave a la creación de marcos de evaluación automatizada (evals), implementación de guardrails para mitigar inyecciones de prompts y fuga de datos confidenciales (PII), e instrumentación de observabilidad, registro y alertas en producción.

A lo largo del texto se desarrollan proyectos funcionales: un chatbot contextual con memoria, un motor RAG con búsqueda semántica por similitud, un framework de evaluación de calidad de respuestas y un agente autónomo de podcast de noticias organizado en una cadena de ensamblaje (assembly line). La gran aportación del libro es su énfasis en la arquitectura pura y el sentido común ingenieril antes de delegar en frameworks de orquestación volátiles como LangChain. No enseña matemáticas de transformers ni preentrenamiento de redes neuronales, sino la integración confiable de modelos comerciales en aplicaciones reales. Es necesario contar con una clave de API de OpenAI (o un proveedor compatible) y comodidad trabajando con APIs REST en Python.