# Tres formas de enseñarle tu mundo a un modelo Curso exprés sobre prompting, RAG y fine-tuning — las tres formas de darle a un modelo conocimiento o comportamiento que no trae por defecto. 15 conceptos — Knowledge Cutoff, In-context Learning, Few-shot, Context Window, RAG, Grounding, Fine-tuning, LoRA, Form vs Facts, Decision Ladder, Evals y más — cada uno con su nombre en inglés, un diagrama y una ficha: qué es → cómo funciona → ejemplo → trampa. Una hoja de referencia al final. La idea central: el fine-tuning enseña la forma, RAG enseña los hechos, y el prompting es donde empiezas. - **Author:** Fedor Chishchin - **Level:** intermediate - **Reading time:** ~30 minutos de lectura - **Published:** 2026-06-13 - **Source:** https://fedorthinks.com/es/learn/fine-tuning-express --- ## 1. El modelo no conoce tu mundo Las tres técnicas existen para resolver un problema: un modelo es brillante en general pero ignorante de tus particularidades. Entender exactamente qué le falta es como eliges el arreglo correcto. ### Knowledge Cutoff — su conocimiento está congelado y es general > Un graduado brillante que leyó una biblioteca enorme hace años — pero no los archivos de tu empresa, ni nada publicado desde el día en que se graduó. Un modelo solo sabe lo que había en sus **training data**. Esos datos salen de la internet pública y están congelados en una fecha de **knowledge cutoff**. El conocimiento es amplio y general — pero el modelo no sabe nada de tus datos privados, de tu dominio específico ni de nada que haya ocurrido después del entrenamiento. Así que de fábrica no puede responder sobre tu producto, seguir el estilo de tu casa ni usar las cifras de la semana pasada. Todo en este curso es una forma de cerrar esa brecha entre el conocimiento general del modelo y tu mundo particular. _Diagram: El modelo conoce la internet pública hasta el cutoff. Los hechos recientes y tus datos privados quedan fuera._ #### Knowledge Cutoff (corte de los datos de entrenamiento) - **Qué es:** La fecha en que se congelaron los datos de entrenamiento del modelo. Lo posterior, el modelo nunca lo vio. - **Cómo funciona:** El modelo aprende una vez de un gran corpus público; después su conocimiento no se actualiza solo. - **Ejemplo:** Pregúntale por los precios de tu producto o las cifras de la semana pasada — no lo sabe, o se lo inventa. - **Trampa:** El modelo suena seguro incluso donde no sabe. El conocimiento que falta no se nota en el tono. - **Relaciones:** El problema de raíz que resuelven **Prompting**, **RAG** y **Fine-tuning**. ### Knowledge Gap vs Behaviour Gap — tres brechas distintas > Una persona recién contratada podría necesitar un documento de orientación, un archivero que pueda consultar, o entrenamiento real que cambie cómo trabaja — tres brechas distintas, tres arreglos distintos. La brecha viene en formas distintas, y no tienen el mismo arreglo. A veces necesitas que el modelo **sepa unos hechos** para esta tarea. A veces que **recurra a un cuerpo de conocimiento grande y cambiante**. A veces que **se comporte distinto** — un formato, tono o habilidad consistentes. Estas son una **knowledge gap** (brecha de conocimiento) y una **behaviour gap** (brecha de comportamiento). Se corresponden con las tres técnicas: decírselo (prompting), darle una fuente de conocimiento (RAG) o reentrenarlo (fine-tuning). Nombrar qué brecha tienes es casi toda la decisión. _Diagram: Tres tipos de brecha, tres técnicas: unos pocos hechos → prompt, un cuerpo grande y cambiante → RAG, otro comportamiento → fine-tuning._ #### Knowledge Gap vs Behaviour Gap (qué falta: hechos o comportamiento) - **Qué es:** Dos tipos distintos de «al modelo le falta algo»: le faltan **hechos**, o le falta **comportamiento**. - **Cómo funciona:** El conocimiento se añade en el momento de responder (prompt, RAG). El comportamiento viene de instrucciones, ejemplos o reentrenamiento. - **Ejemplo:** «No conoce nuestros planes de precios» es una brecha de conocimiento. «No responde con el tono de la casa» es una brecha de comportamiento. - **Trampa:** Si los confundes, pagas una herramienta cara apuntada al problema equivocado. - **Relaciones:** La base de **Form vs Facts** y **Gap Diagnosis**. ### El mapa: 15 conceptos en seis grupos > Un mapa de metro: primero ves el conjunto de líneas, luego recorres estación por estación. Cada concepto de este curso cae en uno de seis grupos. Primero, la brecha misma. Luego las tres técnicas en orden de costo creciente: prompting, RAG, fine-tuning. Después la distinción clave entre ellas. Y por último cómo elegir — y cómo comprobar la elección. _Diagram: Seis grupos de conceptos — los capítulos los siguen._ ### Cómo leer este curso > No mandas a alguien a un año de entrenamiento cuando bastaría un memo de una página — emparejas el esfuerzo con lo que de verdad falta. Cada concepto recibe el mismo tratamiento: su **nombre en inglés** (recuérdalo — es el término de la documentación y los papers), una imagen de la vida cotidiana, un **diagrama** y una **ficha** con campos: _qué es_, _cómo funciona_, _ejemplo_, _trampa_ y conceptos _relacionados_. La idea principal del curso: las técnicas difieren enormemente en costo, velocidad y para qué sirven. El error más común es saltar directo al fine-tuning — la opción más pesada — cuando prompting o RAG resolverían el problema más rápido y más barato. La habilidad no es saber cómo hacer fine-tuning; es diagnosticar la brecha con la precisión suficiente para elegir **la técnica más ligera que la cierre**. > **La pregunta del encuadre:** «¿Qué le falta de verdad al modelo aquí — unos pocos hechos, acceso a una base de conocimiento grande y cambiante, o una forma distinta de comportarse — porque eso decide cuál de las tres necesito?» > El conocimiento de un modelo está congelado y es general — no conoce tu mundo. Prompting, RAG y fine-tuning cierran cada uno una brecha distinta, así que la elección empieza con un diagnóstico. ## 2. Prompting: simplemente decírselo La primera y más barata técnica es simplemente poner en el prompt lo que el modelo necesita. Es instantánea, no requiere entrenamiento y es mucho más capaz de lo que la gente supone — por eso siempre empiezas aquí. ### Prompting / In-context Learning — pon lo que necesita directo en el contexto > Dar instrucciones a un temporal muy espabilado antes de una tarea: esta es la situación, estas son las reglas, aquí un ejemplo de lo bueno — es capaz, solo necesitaba el contexto. La forma más simple de darle a un modelo lo que le falta es **ponerlo en el prompt** — las instrucciones, los hechos relevantes, el formato que quieres, unos cuantos ejemplos. El modelo usa esa información de inmediato, sin entrenamiento. Esto se llama **in-context learning**. Los modelos son buenos siguiendo instrucciones claras. Así que una sorprendente cantidad de «el modelo no puede hacer esto» en realidad es «no se lo dije con suficiente claridad». El prompting es lo primero que hay que agotar, no lo último. _Diagram: Prompt = instrucciones + hechos + formato + ejemplos. Los weights del modelo no cambian; el efecto es instantáneo._ #### Prompting (In-context Learning) - **Qué es:** Darle al modelo todo lo que necesita directamente en el texto de la petición. - **Cómo funciona:** El modelo lee las instrucciones, los hechos y los ejemplos en el contexto y se apoya en ellos para esta respuesta. - **Ejemplo:** Pones la política de devoluciones en el prompt y dices «responde breve y con tono amable» — y lo hace. - **Trampa:** Funciona solo para esta llamada y está limitado por el tamaño de la ventana (ver **Context Window**). - **Relaciones:** El peldaño más bajo de la **Decision Ladder**; **Few-shot** es un caso particular. ### Few-shot Prompting — enseña comportamiento con ejemplos, al instante > Mostrar tres ejemplos terminados de exactamente la salida que quieres, y pedir un cuarto — el patrón se aprende en el momento, sin necesidad de escuela. Puedes moldear no solo lo que el modelo _sabe_ sino cómo _se comporta_, directo en el prompt, **mostrando ejemplos** — esto es **few-shot prompting**. ¿Quieres un formato, un tono o una forma concreta de resolver una tarea? Incluye dos o tres ejemplos y el modelo copia el patrón. Mucho de lo que la gente cree que exige fine-tuning — un estilo consistente, una forma concreta de salida — a menudo se logra con ejemplos en el contexto. Gratis y al instante. _Diagram: Tres pares entrada → salida en el prompt — y la nueva respuesta sale con la misma forma._ #### Few-shot Prompting (aprender de unos pocos ejemplos) - **Qué es:** Unos pocos ejemplos de la salida deseada, directo en el prompt. - **Cómo funciona:** El modelo ve un patrón entrada → salida y lo continúa. - **Ejemplo:** Tres resúmenes de tickets en formato «Problema / Causa / Solución» — y el modelo da al cuarto ticket el mismo formato. - **Trampa:** Los ejemplos ocupan espacio en la ventana y se reenvían con cada petición. - **Relaciones:** A menudo sustituye al **Fine-tuning** para estilo y formato; lo primero que hay que probar antes. ### Context Window — los límites: la ventana y la repetición > Una instrucción sirve para una reunión, pero solo puedes entregar tantas páginas, y tienes que volver a entregarlas cada vez — bien para un memo, torpe para una enciclopedia. El prompting tiene dos límites reales. Primero, todo debe caber en la **context window** (ventana de contexto), así que no puedes pegar una base de conocimiento enorme. Segundo, es **por llamada**: envías ese contexto cada vez, lo pagas en cada petición, y el modelo nunca lo _retiene_ entre llamadas. Cuando el conocimiento es demasiado grande para la ventana, cambia constantemente, o estarías pegando una y otra vez el mismo material voluminoso, el prompting solo ya no basta. Justo ahí entra la siguiente técnica. _Diagram: Límite 1: un memo cabe en la ventana, una enciclopedia no. Límite 2: el mismo contexto se envía — y se paga — en cada llamada._ #### Context Window (la memoria de trabajo del modelo por llamada) - **Qué es:** La cantidad máxima de texto que el modelo puede ver en una llamada. - **Cómo funciona:** Todo lo que quieras darle al modelo debe caber en la ventana — y se envía de nuevo en la siguiente petición. - **Ejemplo:** La política de devoluciones de una página cabe. Toda la base de conocimiento de la empresa, con miles de documentos, no. - **Trampa:** Un contexto grande se paga en cada petición; el modelo no lo «recuerda». - **Relaciones:** Cuando la ventana no alcanza, sube a **RAG**. > **La pregunta del prompting:** «¿De verdad he probado simplemente decírselo al modelo con claridad — con instrucciones y unos ejemplos — antes de asumir que necesito algo más pesado?» > El prompting pone en el contexto lo que el modelo necesita — hechos, formato, ejemplos — al instante y sin entrenamiento. Es potente y barato, limitado solo por la ventana y por repetirlo en cada llamada. ## 3. RAG: entregarle los hechos Cuando el conocimiento es demasiado grande o demasiado reciente para el prompt, no lo metes todo — traes el fragmento relevante en el momento en que lo necesitas. Eso es la generación aumentada por recuperación. ### RAG — recupera los hechos relevantes en tiempo de ejecución > Un examen a libro abierto: en vez de memorizar toda la biblioteca, buscas las pocas páginas relevantes en el momento de la pregunta y respondes con ellas. **RAG (retrieval-augmented generation)** maneja el conocimiento demasiado grande para un prompt trayendo solo la parte relevante a demanda. En el momento de la pregunta, busca en tus documentos, saca los **chunks** más relevantes — trozos de texto — y pone _esos_ en el contexto. El modelo responde a partir de ellos. Así el modelo trabaja con tus datos reales y actuales sin haberlos memorizado nunca — le das la página correcta justo cuando la necesita. (El curso de RAG profundiza; aquí está su lugar en la alineación.) _Diagram: Pregunta → buscar en los documentos → los mejores chunks al prompt → el modelo responde a partir de ellos._ #### RAG (Retrieval-Augmented Generation) - **Qué es:** Buscar en tus documentos los hechos relevantes justo antes de responder. - **Cómo funciona:** Pregunta → búsqueda en el índice → mejores chunks → prompt con esos chunks → respuesta del modelo. - **Ejemplo:** Ante «¿cómo devuelvo un pedido?», un bot de soporte encuentra la sección de devoluciones y responde a partir de ella. - **Trampa:** Una mala recuperación da una mala respuesta. Y RAG no cambia el comportamiento del modelo — solo lo que sabe para esta respuesta. - **Relaciones:** El peldaño intermedio de la **Decision Ladder**; combina bien con **Fine-tuning** (**Fine-tune + RAG**). ### Grounding — ancla las respuestas en conocimiento grande, cambiante y privado > Una biblioteca de consulta que mantienes al día: no reimprimes el cerebro del bibliotecario cuando cambia un dato — solo actualizas el estante, y la siguiente consulta ya está al día. RAG brilla justo donde el prompting sufre: una base de conocimiento demasiado grande para la ventana, hechos que cambian a menudo o datos privados con los que el modelo nunca se entrenó. Actualizas un documento y la siguiente respuesta lo refleja al instante — sin reentrenar. Esto se llama **grounding** — anclar la respuesta del modelo en tu información específica, actual y quizá confidencial. Cuando la brecha es «necesita saber cosas», sobre todo cosas que cambian, RAG suele ser la respuesta. _Diagram: Se actualiza la lista de precios → se actualiza el índice → la siguiente respuesta ya usa la nueva versión. Sin reentrenar._ #### Grounding (anclar las respuestas en una fuente) - **Qué es:** La respuesta del modelo se apoya en tus fuentes reales, no en su memoria. - **Cómo funciona:** Los documentos se actualizan en el índice; cada respuesta se construye con lo que se encuentra en ese momento. - **Ejemplo:** La lista de precios cambió por la mañana — a mediodía el bot ya da los precios nuevos. - **Trampa:** Documentos obsoletos o contradictorios en el índice producen respuestas obsoletas o contradictorias. - **Relaciones:** Lo entrega **RAG**; justo lo que el **Fine-tuning** para hechos no te puede dar. ### RAG añade conocimiento, no comportamiento nuevo > Darle a alguien mejores libros de consulta lo deja mejor informado — pero no cambia su estilo de escritura ni le enseña una habilidad nueva. Entran hechos, no hábitos. Lo crucial de RAG: cambia lo que el modelo _sabe para esta respuesta_, no cómo _se comporta_ en el fondo. Las habilidades, el estilo y el razonamiento del modelo siguen igual — solo le has dado mejores hechos con los que trabajar. Así que RAG es la herramienta correcta para una **knowledge gap** y la equivocada para una **behaviour gap**. Si necesitas que el modelo responda siempre de cierta manera, recuperar más documentos no te llevará ahí. Eso apunta a la tercera técnica. _Diagram: Con RAG el modelo sabe más, pero sus weights y su comportamiento siguen igual._ > **La pregunta de RAG:** «¿La brecha es que el modelo necesita saber cosas — hechos grandes, actuales o privados — y no comportarse distinto? Entonces RAG, no fine-tuning, es lo que encaja.» > RAG trae los hechos relevantes en tiempo de ejecución, anclando al modelo en conocimiento demasiado grande, reciente o privado para el prompt. Añade lo que el modelo sabe — no cómo se comporta. ## 4. Fine-tuning: cambiar los weights La técnica más pesada modifica el modelo mismo. Es la única que cambia el comportamiento arraigado del modelo — y la que la gente agarra demasiado pronto, por las razones equivocadas. ### Fine-tuning — reentrena el modelo con tus ejemplos > No es dar instrucciones a un trabajador para una tarea, sino enviarlo a un entrenamiento que cambia cómo trabaja por defecto — la nueva forma queda incorporada, no se entrega cada vez. **Fine-tuning** toma un modelo existente y lo entrena más con un conjunto de tus propios ejemplos. Esto ajusta sus **weights** internos — los números que contienen todo lo que el modelo puede hacer — de modo que el nuevo comportamiento pasa a ser parte del modelo mismo. Prompting y RAG añaden información en tiempo de ejecución y dejan el modelo intacto. El fine-tuning sí _cambia el modelo_. El resultado se comporta a tu manera por defecto, sin instrucciones ni ejemplos en cada prompt — los aprendió. _Diagram: Modelo base + tus ejemplos → entrenamiento → un modelo nuevo con el comportamiento incorporado en sus weights._ #### Fine-tuning (entrenamiento adicional con tus datos) - **Qué es:** Entrenar más un modelo existente con tus ejemplos de entrada → salida. - **Cómo funciona:** El entrenamiento ajusta los weights para que el propio modelo produzca la salida deseada ante entradas parecidas. - **Ejemplo:** Un modelo con fine-tuning sobre miles de respuestas de soporte escribe con la voz de la casa sin instrucciones. - **Trampa:** Exige datos de calidad, entrenamiento y experiencia — y reentrenar cada vez que algo cambia. - **Relaciones:** El peldaño más alto de la **Decision Ladder**; más barato con **LoRA / PEFT**; se combina con **RAG**. ### Lo que enseña el fine-tuning: comportamiento, formato, estilo > Un entrenamiento que convierte a un generalista en alguien que escribe de forma fiable con la voz de tu casa o resuelve tu tarea específica siempre igual — un hábito aprendido, no un recordatorio. Para lo que el fine-tuning sirve de verdad es para el **comportamiento**: un tono o estilo de la casa consistente, un formato de salida concreto, una tarea especializada que el modelo repite una y otra vez, o imitar la manera en que tu dominio formula las cosas. Cuando tienes muchos ejemplos de «una entrada así debe producir una salida así», el fine-tuning puede incorporar ese patrón de forma profunda y fiable, más allá de lo que logran los ejemplos en un prompt. Moldea _cómo_ responde el modelo, aprendido en sus weights. _Diagram: Entradas variadas → modelo con fine-tuning → el mismo tono, el mismo formato, el mismo flujo de la tarea cada vez._ ### LoRA / PEFT — más barato, pero no gratis > Mandar a alguien a un programa de entrenamiento de verdad cuesta tiempo, dinero y un plan de estudios — y cuando el trabajo cambia, hay que reentrenarlo desde cero. El fine-tuning es la opción cara. Necesita un conjunto de ejemplos de calidad (a menudo muchos), un proceso de entrenamiento y experiencia. Y no es un costo único: cuando las cosas cambian, reentrenas. **LoRA (Low-Rank Adaptation)** y otros métodos de **parameter-efficient fine-tuning (PEFT)** lo abaratan ajustando solo una parte pequeña del modelo en lugar de todos sus weights. Eso ha bajado la barrera — pero el fine-tuning sigue siendo mucho más pesado que el prompting o RAG. _Diagram: LoRA: los weights principales quedan congelados; solo se entrena un pequeño adaptador al lado._ _Diagram: El ciclo del fine-tuning: datos → entrenamiento → despliegue → el mundo cambia → reentrenar. No es un costo único._ #### LoRA / PEFT (Low-Rank Adaptation, parameter-efficient fine-tuning) - **Qué es:** Una forma de hacer fine-tuning cambiando solo una pequeña parte de los parámetros del modelo. - **Cómo funciona:** Los weights principales se congelan; se entrena un pequeño «adaptador» y se conecta al modelo. - **Ejemplo:** En vez de hacer fine-tuning de todo el modelo para el estilo de tu casa, entrenas un adaptador LoRA ligero. - **Trampa:** Más barato no significa barato: los datos, el entrenamiento y el reentrenamiento siguen ahí. - **Relaciones:** Abarata el **Fine-tuning**, pero no se salta la **Decision Ladder**. > **La pregunta del fine-tuning:** «¿Necesito que el modelo se comporte distinto por defecto — estilo consistente, formato o una tarea repetida — con suficientes ejemplos para enseñárselo y presupuesto para mantenerlo?» > El fine-tuning reentrena los weights del modelo para que el nuevo comportamiento quede incorporado — ideal para estilo consistente, formato y tareas repetidas. Es la opción costosa: datos, entrenamiento y mantenimiento continuo, incluso con LoRA. ## 5. Form vs Facts: forma frente a hechos Una distinción resuelve la mayor parte de la confusión entre fine-tuning y RAG, y evita el error caro más común. Entiéndela y la elección suele hacerse sola. ### Form vs Facts — el fine-tuning enseña la forma, RAG enseña los hechos > A una persona le enseñas a escribir un informe (una habilidad aprendida), pero le entregas los datos para ponerle dentro (consultados cada vez) — la habilidad se enseña, los hechos se traen. Esta es la regla que lo aclara todo: **el fine-tuning es para _cómo_ responde el modelo; RAG es para _lo que_ sabe.** El fine-tuning enseña la **forma** — estilo, tono, formato, la silueta de una tarea — incorporándola en los weights. RAG aporta **hechos** — información actual, específica, privada — trayéndolos en tiempo de ejecución. Uno cambia el comportamiento; el otro cambia el conocimiento. Casi toda pregunta de «¿hago fine-tuning o uso RAG?» se disuelve cuando te preguntas si la brecha es de forma o de hechos. _Diagram: A la izquierda, la forma — la enseña el fine-tuning. A la derecha, los hechos — los trae RAG._ #### Form vs Facts (cómo responde vs qué sabe) - **Qué es:** La regla principal para elegir entre fine-tuning y RAG. - **Cómo funciona:** Brecha de forma (estilo, formato, tono) → fine-tuning. Brecha de hechos (actuales, específicos, privados) → RAG. - **Ejemplo:** «Escribe como nuestro abogado» es forma. «Conoce las condiciones de nuestros contratos» son hechos. - **Trampa:** Prueba primero el prompt de todos modos: **Few-shot** a menudo te da la forma, y el propio prompt puede llevar unos pocos hechos. - **Relaciones:** Explica **Fine-tuning for Facts** (el error) y **Fine-tune + RAG** (la combinación). ### Fine-tuning for Facts — el error caro > Mandar a alguien a la escuela a memorizar una guía telefónica que cambia cada semana — cuando la termina de aprender ya está mal, y tendrás que reentrenarlo con cada actualización. El error costoso más común es hacer fine-tuning para añadir **hechos** que el modelo debería saber. Es un **anti-pattern**: en su mayoría no funciona bien, es caro y, lo peor, los hechos quedan congelados en cuanto termina el entrenamiento. En cuanto tus datos cambian, el modelo con fine-tuning queda desactualizado y debes reentrenar. Los hechos que cambian pertenecen a RAG, donde una actualización es instantánea. Hacer fine-tuning para inyectar conocimiento es hacer lo difícil y frágil teniendo a mano lo fácil y actual. _Diagram: Arriba: entrenado con v1, los datos pasaron a v2 — el modelo está obsoleto, hay que reentrenar. Abajo: RAG — actualizas el documento y la respuesta ya usa v2._ #### Fine-tuning for Facts (fine-tuning para inyectar conocimiento) - **Qué es:** Intentar «meter» hechos en el modelo entrenándolo. - **Por qué es malo:** Funciona mal, cuesta mucho y los hechos quedan obsoletos en cuanto termina el entrenamiento. - **Ejemplo:** Un modelo con fine-tuning sobre la lista de precios — una semana después cambian los precios y sigue dando los viejos. - **En su lugar:** Los hechos van en **RAG**: actualizas el documento y listo. - **Relaciones:** Una violación directa de **Form vs Facts**. ### Fine-tune + RAG — fine-tuning para la forma, recuperación para los hechos > Un especialista entrenado en cómo hacer el trabajo (fine-tuning), que además consulta una referencia siempre actual para los detalles (RAG) — lo mejor de ambos, cada uno haciendo lo que se le da bien. No son rivales; los sistemas más fuertes a menudo usan ambos. Puedes hacer fine-tuning de un modelo para el comportamiento y el estilo de tu dominio, _y_ usar RAG para darle hechos actuales en tiempo de ejecución. La forma, del fine-tuning; los hechos, de la recuperación. Verlos como complementarios, no competidores, es la marca de haber entendido la distinción. No eliges una técnica — aplicas cada una a la parte del problema que le corresponde. _Diagram: RAG trae hechos frescos; el modelo con fine-tuning responde con la forma correcta._ #### Fine-tune + RAG (híbrido: forma + hechos) - **Problema:** Necesitas tanto una forma de respuesta consistente como hechos frescos. - **Idea:** El fine-tuning aporta el comportamiento; RAG aporta el conocimiento en el momento de responder. - **Ejemplo:** Un asistente legal con fine-tuning para escribir en el estilo del despacho, que cita contratos vigentes mediante RAG. - **Coste:** Dos sistemas que construir y mantener. - **Cuándo usarlo:** Cuando prompt + RAG demostrablemente no logran la forma que necesitas. - **Relaciones:** Una aplicación directa de **Form vs Facts**. > **La pregunta de la distinción:** «¿Esta brecha trata de cómo debe responder el modelo (forma — me inclino al fine-tuning) o de lo que debe saber (hechos — me inclino a RAG) — y estoy a punto de hacer fine-tuning para hechos por error?» > El fine-tuning enseña la forma — estilo, formato, comportamiento; RAG enseña los hechos — conocimiento actual y específico. El error caro clásico es hacer fine-tuning para añadir hechos, que se congelan en cuanto termina el entrenamiento. ## 6. La Decision Ladder Junta las tres y forman una escalera de costo y potencia crecientes. La disciplina es la misma que en toda la ingeniería: sube solo hasta donde el problema te obligue. ### Decision Ladder — empieza por abajo, con prompting > Antes de reservar un curso de formación, pruebas simplemente a explicar la tarea con claridad — la mayoría de las veces, eso era todo lo que hacía falta. La **decision ladder** (escalera de decisión) va de lo barato e instantáneo a lo caro y lento: **prompting**, luego **RAG**, luego **fine-tuning**. Empieza siempre por abajo. Prueba primero instrucciones claras y unos ejemplos; una enorme parte de los problemas se resuelve ahí mismo, gratis, en minutos. Solo cuando el prompting de verdad no cierra la brecha subes. Empezar por arriba — agarrar primero el fine-tuning — es el error caro que define al principiante con presupuesto. _Diagram: Tres peldaños: prompting → RAG → fine-tuning. Más arriba es más caro y más potente. Sube solo cuando falla el peldaño de abajo._ #### Decision Ladder (prompting → RAG → fine-tuning) - **Qué es:** El orden de elección: prompting → RAG → fine-tuning. - **Cómo funciona:** Empieza en el peldaño más barato y sube solo cuando ha fallado de forma demostrable. - **Ejemplo:** El bot confunde los planes de precios → ponlos primero en el prompt; son miles y cambian → RAG; el tono sigue mal y los ejemplos no lo arreglan → considera el fine-tuning. - **Trampa:** La tentación de saltar a lo más alto porque el fine-tuning «suena más serio». - **Relaciones:** Los peldaños son **Prompting**, **RAG**, **Fine-tuning**; la comprobación son los **Evals**. ### Sube solo cuando el peldaño de abajo no alcanza > Pasas a una herramienta más grande solo cuando la pequeña de verdad ha fallado en el trabajo — no porque la grande suene más seria. Sube a **RAG** cuando el conocimiento es demasiado grande, demasiado actual o demasiado privado para el prompt — una knowledge gap clara que el prompting no puede llenar. Sube al **fine-tuning** cuando necesitas un comportamiento consistente que el prompting y los ejemplos no logran de forma fiable, y tienes los datos y el presupuesto para enseñarlo. Cada peldaño solo se justifica porque falla el de abajo. La pregunta en cada paso: ¿la técnica más barata de verdad se quedó corta aquí, o solo asumo que lo haría? _Diagram: Primero el prompt. Resuelto — a producción. No resuelto — pregunta qué falta: hechos (RAG) o comportamiento (fine-tuning)._ ### La mayoría de los productos nunca necesita el peldaño más alto > La mayoría de los trabajos se hace con una buena instrucción y un libro de consulta — el reentrenamiento completo es la excepción, reservada para el caso raro que de verdad lo exige. La realidad honesta: la gran mayoría de las aplicaciones con LLM se atiende bien con prompting y RAG, y nunca necesita fine-tuning. El fine-tuning es una herramienta real y potente para el caso específico del comportamiento arraigado a escala — pero es la excepción, no lo predeterminado. Trátalo como último recurso, al que llegas solo cuando los peldaños más ligeros han fallado de forma demostrable. Eso te encaminará bien con mucha más frecuencia que agarrarlo porque suena avanzado. > **La pregunta de la escalera:** «¿Los peldaños más baratos — prompting, luego RAG — de verdad han fallado en esto, o estoy subiendo al fine-tuning porque suena más potente de lo que hace falta?» > La escalera es prompting, luego RAG, luego fine-tuning — costo y potencia crecientes. Empieza por abajo y sube solo cuando el peldaño de abajo de verdad no alcanza. La mayoría de los productos nunca necesita el de arriba. ## 7. Usarlo bien Elegir bien se reduce a diagnosticar la brecha con honestidad y medir si tu arreglo funcionó — la misma disciplina de ingeniería que rige todo lo demás con modelos. ### Gap Diagnosis — diagnostica antes de elegir la herramienta > Un buen médico diagnostica antes de recetar — no recurre a la cirugía porque sea dramática, primero averigua qué falla de verdad. Toda la decisión depende de nombrar la brecha con precisión. ¿Al modelo le faltan _hechos_ (RAG), necesita una _instrucción_ más clara (prompting) o necesita otro _comportamiento_ incorporado (fine-tuning)? Esto es **gap diagnosis**. La mayoría de las malas elecciones vienen de saltarse este paso y lanzarse a una técnica. Pregunta qué falta de verdad, empareja con la herramienta más ligera que encaje, y evitarás los rodeos caros — sobre todo el grande: fine-tuning para hechos. _Diagram: El modelo se queda corto → diagnostica qué falta → instrucción: prompting, hechos: RAG, comportamiento: fine-tuning._ #### Gap Diagnosis (nombrar qué falta) - **Qué es:** Nombrar exactamente qué le falta al modelo antes de elegir una técnica. - **Cómo funciona:** Tres preguntas: ¿falta instrucción? ¿hechos? ¿comportamiento? La respuesta señala la técnica. - **Ejemplo:** «El bot responde mal» → lees las respuestas → no conoce las reglas nuevas → son hechos → RAG. - **Trampa:** Saltarte el diagnóstico porque quieres probar la técnica de moda. - **Relaciones:** Se apoya en **Knowledge Gap vs Behaviour Gap**; el primer paso de la **Decision Ladder**. ### Evals — mide si de verdad funcionó > No das por hecho que el entrenamiento ayudó — pruebas al trabajador después y ves si su resultado mejoró. Uses la técnica que uses, verifícala con **evals** — pruebas sobre casos reales: ¿el cambio de verdad mejoró las salidas? Un mejor prompt, un pipeline de RAG, un fine-tune — cada uno es una hipótesis que confirmas midiendo, no por sensación. Esto es doblemente importante para el fine-tuning, donde el costo es alto y un vago «parece mejor» no basta para justificarlo. Medir te mantiene honesto sobre si la técnica más pesada se ganó su lugar frente a la más ligera. _Diagram: Hipótesis → evals sobre casos reales → mejor: te lo quedas; no mejor: vuelves a la herramienta más ligera._ #### Evals (evaluación sobre casos reales) - **Qué es:** Un conjunto de casos reales para medir la calidad de las respuestas. - **Cómo funciona:** Ejecutas la versión vieja y la nueva sobre los mismos casos y comparas las puntuaciones. - **Ejemplo:** Cien preguntas reales de clientes: el porcentaje de respuestas correctas antes y después del fine-tuning. - **Trampa:** «Parece mejor» no es una medición; sin evals una elección cara no está justificada. - **Relaciones:** Comprueba cada peldaño de la **Decision Ladder**. ### Cómo encaja todo > Un botiquín: cada remedio tiene su enfermedad, y el médico elige según el diagnóstico — y luego comprueba si ayudó. Los conceptos del curso suman una sola imagen. La **gap diagnosis** apunta a una técnica: instrucción → prompting, hechos → RAG, comportamiento → fine-tuning. El prompting incluye **few-shot**; el fine-tuning se abarata con **LoRA**; RAG y fine-tuning se combinan en el **híbrido**. Y los **evals** comprueban cada elección. _Diagram: Diagnóstico → una de las tres técnicas (discontinua: subir la escalera) → sus variantes → los evals comprueban todo._ #### Antes de elegir una técnica - **¿Cuál es la brecha** — ¿hechos, una instrucción más clara o un comportamiento distinto? - **¿Has probado prompting** — instrucciones claras y unos ejemplos — primero? - **¿Es una knowledge gap** — hechos grandes, actuales o privados — que apunta a RAG? - **¿Es una behaviour gap** — forma consistente, estilo, tarea repetida — que apunta a fine-tuning? - **Para fine-tuning:** ¿tienes los datos de ejemplo y el presupuesto, incluido el mantenimiento continuo? - **¿Estás midiendo** si la técnica elegida de verdad mejoró las salidas? #### Señales de que eliges bien - **Diagnosticas la brecha** — hechos, instrucción o comportamiento — antes de elegir una técnica. - **Empiezas con prompting** y subes solo cuando de verdad se queda corto. - Usas **RAG para el conocimiento** y **fine-tuning para el comportamiento**, y nunca haces fine-tuning para añadir hechos. - Las **combinas** cuando ayuda — la forma del fine-tuning, los hechos de RAG. - **Mides** con evals, y tratas el fine-tuning como un último recurso justificado, no como algo predeterminado. ## Hoja de referencia: los 15 conceptos ### La brecha - **Knowledge Cutoff** (corte de los datos de entrenamiento): El conocimiento del modelo está congelado en una fecha y sale de la internet pública. - **Knowledge vs Behaviour Gap** (hechos o comportamiento): Al modelo le faltan hechos — o le falta el comportamiento que necesitas. ### Prompting - **Prompting** (in-context learning): Pon instrucciones, hechos y formato directo en el prompt. Instantáneo, sin entrenamiento. - **Few-shot Prompting** (unos pocos ejemplos): Dos o tres ejemplos entrada → salida — el modelo repite el patrón. - **Context Window** (límite por llamada): El límite del prompt: todo debe caber, y se reenvía en cada llamada. ### RAG - **RAG** (retrieval-augmented generation): Encuentra los chunks de documentos relevantes al momento de la pregunta y responde a partir de ellos. - **Grounding** (anclaje en una fuente): Las respuestas se apoyan en tus fuentes actuales; actualizas el documento, la respuesta se actualiza. ### Fine-tuning - **Fine-tuning** (entrenamiento adicional): Reentrena los weights con tus ejemplos — comportamiento incorporado por defecto. - **LoRA / PEFT** (parameter-efficient fine-tuning): Entrena solo un pequeño adaptador — más barato, pero no gratis. ### Forma frente a hechos - **Form vs Facts** (cómo vs qué): El fine-tuning moldea cómo responde el modelo; RAG aporta lo que sabe. - **Fine-tuning for Facts** (anti-pattern): Fine-tuning para añadir hechos: caro, débil y obsoleto de inmediato. - **Fine-tune + RAG** (híbrido): La forma del fine-tuning, los hechos frescos de RAG. ### Elegir - **Decision Ladder** (prompting → RAG → fine-tuning): Sube solo cuando el peldaño de abajo ha fallado de verdad. - **Gap Diagnosis** (nombrar qué falta): Primero nombra qué falta, luego elige la herramienta. - **Evals** (medición): Mide sobre casos reales si de verdad mejoró. > Diagnostica la brecha, luego sube la escalera: prompting para la instrucción, RAG para los hechos, fine-tuning para el comportamiento. Usa la técnica más ligera que funcione, combínalas cuando ayude, y mide que sirvió. Fin del curso exprés · 7 capítulos · 15 conceptos Lo que sigue es la práctica: toma un caso donde el modelo se queda corto, y nombra la brecha en voz alta — hechos, instrucción o comportamiento. Prueba arreglarla con prompting primero; si necesita conocimiento actual o privado, agarra RAG; considera el fine-tuning solo si necesitas comportamiento arraigado que los ejemplos no logran. Luego mide si de verdad mejoró. La decisión hace clic en el momento en que te pillas a punto de hacer fine-tuning para hechos y agarras RAG en su lugar. Pero sostén una idea por encima del resto: el fine-tuning enseña forma, RAG enseña hechos, y el prompting es donde empiezas. Elige la más ligera de las tres que cierre tu brecha real — normalmente no es la que suena más impresionante.