# Glosario

Una referencia rápida para todos los términos que encontrarás relacionados con prompts, modelos e inteligencia artificial.

## Conceptos básicos

- **Modelo de lenguaje grande (LLM) / Large Language Model (LLM)**: Un modelo de IA entrenado con cantidades masivas de texto para entender y generar lenguaje humano.
- **Inteligencia Artificial (IA) / Artificial Intelligence (AI)**: Sistemas informáticos diseñados para realizar tareas que normalmente requieren inteligencia humana.
- **Prompt**: La instrucción o entrada que se le da a un modelo de IA.
- **Ingeniería de prompts / Prompt Engineering**: La práctica de diseñar prompts para obtener respuestas más fiables y de mejor calidad.
- **Contexto / Context**: Información adicional que ayuda al modelo a entender mejor la tarea o la situación.
- **Token**: Una pequeña unidad de texto que procesa el modelo, como una palabra o parte de una palabra.
- **Alucinación / Hallucination**: Una respuesta falsa o inventada generada por la IA que suena creíble.
- **Cadena de pensamiento / Chain of Thought**: Un estilo de razonamiento en el que el modelo explica sus pasos intermedios.
- **Modelo multimodal / Multimodal Model**: Un modelo de IA capaz de procesar varios tipos de datos como texto, imágenes y audio.
- **Agente / Agent**: Un sistema de IA que puede realizar acciones de forma autónoma y usar herramientas para completar tareas.
- **Llamada a herramientas / Tool Calling**: La capacidad de un modelo de IA de usar herramientas externas, APIs o servicios durante una tarea.

## Bajo el capó

- **Prompt de sistema / System Prompt**: Instrucciones ocultas que definen el comportamiento, las reglas y la personalidad de la IA.
- **Ventana de contexto / Context Window**: La cantidad máxima de texto que un modelo puede procesar y recordar a la vez.
- **Inyección de contexto / Context Injection**: Añadir información externa a un prompt para mejorar la respuesta del modelo.
- **Límite de tokens / Token Limit**: El número máximo de tokens que un modelo puede manejar en una sola interacción.
- **Datos de entrenamiento / Training Data**: La gran colección de textos e información usada para entrenar el modelo.
- **Inferencia / Inference**: El proceso de generar una salida usando un modelo de IA ya entrenado.
- **Compleción / Completion**: La respuesta de texto generada por el modelo de IA.
- **Predicción del siguiente token / Next-Token Prediction**: El mecanismo central por el que el modelo predice el token más probable a continuación.
- **Transformer**: La arquitectura de red neuronal usada por modelos de lenguaje modernos como GPT.
- **Mecanismo de atención / Attention Mechanism**: Un sistema que ayuda al modelo a centrarse en las partes más relevantes de la entrada.
- **Pesos / Weights**: Los parámetros internos aprendidos que almacenan el conocimiento del modelo.
- **Temperatura / Temperature**: Un ajuste que controla qué tan creativas o predecibles son las respuestas del modelo.
- **Modelo de razonamiento / Reasoning Model**: Un modelo optimizado para el razonamiento lógico y la resolución de problemas paso a paso.
- **Tasa de alucinación / Hallucination Rate**: La frecuencia con la que un modelo produce información inexacta o inventada.
- **Anclaje (grounding) / Grounding**: Conectar las salidas de la IA con datos reales o fuentes confiables para mejorar la precisión.
- **Alineación / Alignment**: El proceso de hacer que los sistemas de IA sigan los objetivos, valores y reglas de seguridad humanas.
- **Salvaguardas / Guardrails**: Restricciones de seguridad diseñadas para evitar comportamientos dañinos o no deseados de la IA.
- **Jailbreak**: Un intento de eludir las restricciones o sistemas de seguridad integrados del modelo.
- **Prompting con pocos ejemplos / Few-Shot Prompting**: Proporcionar algunos ejemplos en el prompt para guiar el comportamiento del modelo.
- **Prompting con un ejemplo / One-Shot Prompting**: Proporcionar un único ejemplo en el prompt para demostrar la salida deseada.
- **Prompting sin ejemplos / Zero-Shot Prompting**: Pedirle al modelo que realice una tarea sin darle ejemplos.
- **Encadenamiento de prompts / Prompt Chaining**: Dividir una tarea compleja en varios prompts conectados.
- **Salida estructurada / Structured Output**: Una respuesta generada en un formato fijo como JSON, XML o tablas.
- **Aprendizaje con pocos ejemplos / Few-Shot Learning**: La capacidad de un modelo de adaptarse a tareas usando solo unos pocos ejemplos.
- **Embeddings**: Representaciones vectoriales numéricas de texto que capturan su significado semántico.
- **Base de datos vectorial / Vector Database**: Una base de datos optimizada para almacenar y buscar embeddings.
- **Búsqueda semántica / Semantic Search**: Búsqueda basada en el significado y el contexto en lugar de palabras clave exactas.
- **Generación aumentada por recuperación (RAG) / Retrieval-Augmented Generation (RAG)**: Un método en el que el modelo recupera información externa antes de generar una respuesta.
- **Ajuste fino (fine-tuning) / Fine-Tuning**: Entrenamiento adicional de un modelo con datos especializados para una tarea o dominio específico.

[Guía de prompts](https://prompt-coach.pro/es/guide)

© 2026 Slivaro GmbH. Todos los derechos reservados.

[Sistemas de IA](https://prompt-coach.pro/ai-systems) · [Política de privacidad](https://prompt-coach.pro/privacy) · [Condiciones del servicio](https://prompt-coach.pro/terms) · [Aviso legal](https://prompt-coach.pro/impressum) · [Contacto](https://prompt-coach.pro/es/contact)

Canonical: https://prompt-coach.pro/es/glossary