Artículos y lecturas
Lecturas curadas para AI Solution Architects: profundidad técnica, criterio arquitectónico y aplicabilidad real. Calidad antes que cantidad.
Agentes de IA y arquitectura agéntica
| Artículo | Autor / Fuente | Por qué leerlo |
|---|---|---|
| Building effective agents | Anthropic | La referencia canónica sobre patrones de diseño agéntico: augmented LLMs, routing, parallelization y orchestration |
| Agents | Anthropic Docs | Arquitectura oficial del Agent SDK: agentic loops, uso de herramientas y coordinación multiagente |
| Azure AI Foundry Agent Service Overview | Microsoft Learn | Arquitectura hospedada de agentes de Microsoft, SDK, herramientas y capacidades empresariales |
| What are AI Agents? | Microsoft Learn | Conceptos de agentes específicos de Azure: thread, run y ciclo de vida de tool calls |
| Multi-agent systems with Azure AI Foundry | Microsoft Learn | Patrón de Connected Agents y tool calls entre agentes |
Prompt Engineering
| Artículo | Autor / Fuente | Por qué leerlo |
|---|---|---|
| Prompt engineering overview | Anthropic Docs | La guía de prompt engineering de Anthropic; la fuente de verdad para Claude |
| Prompt engineering techniques | Microsoft Learn | Perspectiva de Azure OpenAI: system prompts, few-shot y chain-of-thought |
| Introduction to Prompt Engineering | PromptingGuide.ai | Referencia comunitaria amplia que cubre CoT, ReAct, PAL y Tree-of-Thoughts |
| Claude's extended thinking | Anthropic | Análisis profundo de extended thinking y del razonamiento chain-of-thought |
IA responsable y gobernanza
| Artículo | Autor / Fuente | Por qué leerlo |
|---|---|---|
| Microsoft Responsible AI Standard v2 | Microsoft | El marco de 6 principios que gobierna todos los productos de IA de Microsoft |
| EU AI Act — Full Text | EUR-Lex | Regulación principal: en vigor desde el 1 de agosto de 2024; cumplimiento de alto riesgo desde el 2 de agosto de 2026 |
| NIST AI Risk Management Framework | NIST | El marco estadounidense de gestión de riesgos de IA: Govern, Map, Measure y Manage |
| Azure AI Content Safety overview | Microsoft Learn | Categorías de daño, niveles de severidad y filtros; esencial para IA en producción |
| Microsoft Purview AI Hub | Microsoft Learn | Gobernar el uso de IA, descubrir shadow AI y clasificar interacciones con IA |
| PyRIT — Python Risk Identification Toolkit | Microsoft / GitHub | Red teaming automatizado para sistemas de IA; la herramienta detrás de las propias pruebas de seguridad de IA de Microsoft |
Arquitectura de Azure AI
| Artículo | Autor / Fuente | Por qué leerlo |
|---|---|---|
| Azure AI Foundry architecture | Microsoft Learn | Modelo hub-project, aislamiento de red, managed identity y diseño de recursos |
| Private networking in Azure AI Foundry | Microsoft Learn | BYO VNet, private endpoints y configuración DNS para aislamiento empresarial |
| Azure AI Foundry — Basic vs Standard | Microsoft Learn | Cuándo usar cada modo; clave para decisiones empresariales de residencia de datos |
| Foundry Hosted Agents: Micro-VM isolation | Microsoft Learn | Cómo los agentes hospedados en Foundry logran aislamiento de cómputo, BYO VNet y Entra Agent ID |
| AI workloads on Azure — Well-Architected | Microsoft Learn | Guía de Azure WAF para IA: confiabilidad, seguridad, rendimiento y costo |
Seguridad e identidad
| Artículo | Autor / Fuente | Por qué leerlo |
|---|---|---|
| Microsoft Entra Agent ID | Microsoft Tech Community | Identidad por agente en Entra ID; la base del RBAC para agentes |
| Zero Trust for AI workloads | Microsoft Learn | Cómo aplicar Zero Trust a sistemas de IA: verify, least privilege y assume breach |
| Securing Azure AI Foundry | Microsoft Learn | Roles RBAC: AI Developer, AI Inference Deployment Operator y roles personalizados |
Confiabilidad agéntica y patrones de producción
Lectura crítica para arquitectos que construyen agentes de IA que deben ser correctos, auditables y confiables en entornos empresariales y regulados.
| Artículo | Autor / Fuente | Por qué leerlo |
|---|---|---|
| The LLM-as-Analyst Trap — Part 1 | Applied Ingenuity | El texto canónico sobre por qué los LLM fallan como analistas de datos: 5 modos de fallo con reproducción en código |
| The LLM-as-Analyst Trap — Part 2: The Verifiable Orchestrator | Applied Ingenuity | La solución: arquitectura TRACE (Tool-Routed Architecture for Controlled Execution); el LLM como orquestador, no como analista |
| You Can't Debug What You Can't See: AI Observability with OpenTelemetry & Azure AI Foundry | ITNEXT / Community | Cómo instrumentar agentes de IA con OpenTelemetry + Application Insights para depuración de nivel producción |
| How Tracing Works in Azure AI Foundry Agents | Will Velida | Configuración paso a paso del tracing para agentes de Foundry: spans, tool calls, retries y latencia |
| AI Agent Observability — Evolving Standards and Best Practices | OpenTelemetry | Nuevas convenciones semánticas para observabilidad multiagente con trazabilidad unificada entre frameworks |
| Best Hallucination Detection Tools (2026) | Braintrust | Revisión del panorama: evaluación previa al release, monitoreo en producción y guardrails en runtime, con comparación de herramientas |
| 8 Best AI Agent Reliability Solutions 2026 | Galileo | Comparativa de plataformas: context drift, mal uso de herramientas y detección de fallos de razonamiento |
| Agent Evaluation Guide: Testing AI Agents 2026 | Openlayer | Evaluación integral del ciclo de vida de agentes, desde smoke tests hasta validaciones regulatorias |
| Azure Well-Architected Framework — AI Reliability Principles | Microsoft Learn | Confiabilidad específica para IA: análisis de modos de fallo, alineación de SLA entre capas LLM/retrieval/datos y patrón bulkhead |
| Azure Well-Architected — Responsible AI for Agents | Microsoft Learn | Tres fundamentos: control de ingreso/egreso de datos, aseguramiento de integridad de datos y guardrails independientes; respalda el audit logging estilo TRACE |
| Azure AI Foundry Agent Evaluators (9 built-in) | Microsoft Learn | Task Completion, Tool Call Accuracy, Tool Input Accuracy y Task Navigation Efficiency; una suite de evaluación de producción para agentes |
| Building Effective Agents | Anthropic | Patrones canónicos de diseño agéntico: Evaluator-Optimizer, Parallelization/Voting y documentación de herramientas como superficie de confiabilidad |
Industria e investigación
| Artículo | Autor / Fuente | Por qué leerlo |
|---|---|---|
| Anthropic Model Card — Claude 3.5+ | Anthropic | Capacidades, limitaciones, evaluaciones de seguridad y resultados de benchmarks |
| Scaling laws for neural language models | Kaplan et al. | El paper fundacional sobre cómo las capacidades del modelo escalan con el cómputo |
| Constitutional AI | Anthropic Research | Cómo se entrenan los valores de Claude; esencial para entender la arquitectura de seguridad de IA |
| Llama 3 paper | Meta AI | LLM open-source de última generación; referencia arquitectónica para comparación |
Papers académicos — sistemas agénticos
Papers esenciales que todo AI Solution Architect debería conocer al diseñar sistemas agénticos confiables.
| Paper | Autores | Hallazgo clave |
|---|---|---|
| Lost in the Middle (arXiv:2601.15300) | Liu et al. | Degradación de inteligencia: los modelos que usan solo 40-50% de su ventana de contexto muestran una caída de 45.5% en F1. La posición de los datos en la ventana de contexto importa tanto como el contenido |
| Same Task, More Tokens (arXiv:2510.05381) | Various | Paradoja de longitud de contexto: agregar más contexto perjudica el rendimiento incluso cuando el retrieval es perfecto; la sobrecarga de información es real en agentes de producción |
| ReWOO (arXiv:2305.18323) | Xu et al. | Razonamiento y observación desacoplados: reduce el uso de tokens al separar planificación de ejecución, pero sin garantías de determinismo |
| CodeAct (arXiv:2402.01030) | Wang et al. | Agentes que actúan ejecutando código: reduce la complejidad del espacio de acciones, pero introduce riesgos de seguridad por ejecución de código |
| AgentHallu (arXiv:2601.06818) | Various | Benchmark de alucinación en agentes multi-step: identifica con precisión qué pasos de razonamiento causan divergencia; incluso los modelos líderes fallan de forma significativa |
Sugiere un artículo
¿Leíste algo que vale la pena compartir? Abre un issue con el enlace y una frase explicando por qué debería estar aquí.