LLM Design Patterns

Manual enciclopédico y técnico escrito por Ken Huang que formaliza la arquitectura de software aplicada a la inteligencia artificial generativa, trasladando los principios clásicos de patrones de diseño al desarrollo con modelos masivos de lenguaje (LLMs) y sistemas agentic. Está orientado a ingenieros de IA, arquitectos de software, científicos de datos y profesionales de MLOps de nivel intermedio a avanzado que dominan Python y cuentan con fundamentos de machine learning, buscando dar el salto desde scripts o cuadernos experimentales de Jupyter hacia sistemas en producción fiables, seguros y escalables.

La obra aborda de forma exhaustiva todo el ciclo de vida del sistema de IA. En la fase de datos y entrenamiento, cubre limpieza, aumento y versionado de conjuntos de datos a escala, pipelines modulares de entrenamiento, ajuste de hiperparámetros, fine-tuning eficiente mediante LoRA y QLoRA, poda (pruning), cuantización y alineación con RLHF. En la capa de arquitectura en ejecución, desglosa patrones de ingeniería de contexto (context engineering), memoria conversacional persistente, bucles de razonamiento (loops), harnesses, generación aumentada por recuperación avanzada (RAG híbrido y Graph RAG) y agentes autónomos dotados de herramientas y reflexión. Asimismo, integra aspectos de observabilidad, interpretabilidad, mitigación de sesgos y seguridad estricta alineada con el OWASP Top 10 for LLMs y el marco NIST AI RMF.

El libro sigue un enfoque arquitectónico basado en plantillas y recetas reproducibles de código más que en la construcción de una única aplicación monolítica. Su gran valor reside en la profundidad conceptual y técnica de sus más de 800 páginas, proporcionando un catálogo de referencia para resolver problemas recurrentes sin reinventar la rueda; no obstante, su amplitud implica que no es un tutorial paso a paso para principiantes, por lo que requiere experiencia previa interactuando con APIs de modelos y ecosistemas de deep learning para aprovechar plenamente sus patrones.