La Serie LLM Primer
Una guía de campo de siete volúmenes sobre IA generativa por Sho Shimoda, ahora completa.
De qué trata esta serie
La Serie LLM Primer es un tratamiento estructurado y centrado en mecanismos sobre los modelos de lenguaje grandes — escrito para ingenieros, gerentes técnicos de producto, profesionales curiosos y cualquier persona dispuesta a leer con atención. Los siete volúmenes están publicados. Juntos cubren el terreno completo del trabajo con LLM: fundamentos, matemáticas, recuperación, diseño de la cognición, ingeniería de aplicaciones, escalado en producción y seguridad.
La serie está diseñada para funcionar de dos maneras. Puedes leer el Volumen I como una base completa y detenerte ahí. O puedes seguir el recorrido completo — de los fundamentos hasta la seguridad — y terminar con un conocimiento integral y práctico de cómo construir con LLM de forma responsable. Un volumen hermano, Physical AI, extiende el mapa hacia los sistemas incorporados y la robótica; se describe más abajo.
Todos los volúmenes están escritos por Sho Shimoda, CTO de Receipt Roller Inc., que construye y opera sistemas de IA en producción y escribe sobre ellos en un lenguaje lo bastante claro para que cualquiera pueda seguirlo.
Para quién es: ingenieros y arquitectos que buscan una comprensión duradera. Gerentes de producto y ejecutivos que tienen que decidir qué IA construir. Profesionales curiosos y estudiantes que quieren entender la tecnología detrás de los titulares. La serie está escrita de modo que no necesitas formación matemática para leerla, pero conserva suficiente precisión técnica para que un ingeniero experimentado no pierda el tiempo.
Cómo leer esta página
Cada volumen, más abajo, lista su tabla de contenidos completa, organizada por Parte. Cada capítulo enlaza a un recorrido en línea que puedes leer libremente. El libro completo — con las cápsulas In Plain English, los ejercicios trabajados, las derivaciones y los apéndices — está disponible en Amazon; cada sección de volumen incluye el enlace directo.
Los apéndices se listan por transparencia, pero son contenido exclusivo del libro — material de referencia, hojas de cálculo, ejercicios con soluciones y otros bloques que pertenecen al final del libro y no a un recorrido independiente. Para acceder a los apéndices, hay que leer el libro.
Los siete volúmenes
Volumen I — Cómo funciona la IA generativa
Una guía clara y práctica sobre los fundamentos de los modelos de lenguaje grandes.
La rampa de entrada en lenguaje llano a toda la serie. Partiendo de cero — tokens, entrenamiento y el simple acto de predecir la siguiente palabra — construye una imagen honesta y sin jerga de qué es un modelo de lenguaje grande, cómo se entrena y por qué se comporta como lo hace, sin asumir ningún conocimiento previo. Es el cimiento sobre el que se apoyan todos los volúmenes siguientes.
|
|
Introducción a la serie: Un recorrido capítulo por capítulo de LLM Primer I — Introducción a la serie e índice
Parte I — Conceptos y fundamentos
Parte II — Cómo funcionan los LLM
Parte III — Perspectivas prácticas
Parte IV — Temas avanzados
Apéndices (solo en el libro)
| A — | Glosario LLM |
| B — | Matemáticas detrás de la atención |
| C — | Hoja de referencia de prompting |
| D — | Herramientas y bibliotecas |
| E — | Lecturas recomendadas |
Volumen II — Modelos de lenguaje a través de las matemáticas
Explorando el funcionamiento interno de la IA con visión matemática.
Un recorrido matemáticamente riguroso pero legible por el funcionamiento interno de la IA: atención, dinámica de optimización, paisajes de pérdida y comportamiento al escalar, explicados a través de las matemáticas que los sostienen. Toda ecuación que importa se deriva por completo — cada una envuelta en una historia, una analogía y un ejemplo numérico trabajado. Para lectores que quieren las matemáticas que el primer volumen mantiene en sus recuadros.
|
|
Introducción a la serie: Un recorrido capítulo por capítulo de LLM Primer II — Introducción a la serie e índice
Parte I — Intuición matemática
Parte II — Anatomía de un Transformer
Parte III — Entrenamiento, alineación y evaluación
Parte IV — Aplicaciones, límites y práctica
Apéndices (solo en el libro)
| Hoja de referencia matemática del LLM |
| Una perspectiva estadística de los LLM |
| Preguntas que la gente hace |
| Derivaciones trabajadas |
| Ejercicios con soluciones |
| Índice de símbolos |
| Una pasada hacia adelante completa, en números |
| Una cronología de las ideas |
Volumen III — Potenciando la IA empresarial con RAG
Una guía práctica para construir sistemas de generación aumentada con recuperación para la empresa.
Generación aumentada con recuperación, en términos prácticos — bases de datos vectoriales, estrategias de fragmentación y la arquitectura de anclar un modelo en tus propios documentos para obtener respuestas empresariales fiables y al día. El volumen para leer si tu trabajo es lanzar funciones de IA que tienen que mantenerse actualizadas y citar sus fuentes.
|
|
Introducción a la serie: LLM Primer III — Introducción de la serie e índice
Parte I — Fundamentos de RAG
Parte II — Ingesta, parsing y fragmentación
Parte III — Bases de datos vectoriales y optimización de la recuperación
Parte IV — Seguridad, privacidad y control de acceso
Parte V — Evaluación, monitoreo y mantenimiento
Apéndices (solo en el libro)
| A — | Fórmulas matemáticas esenciales para optimizar RAG |
| B — | Prompts de sistema de ejemplo para anonimización y evaluación |
| C — | Matrices de decisión de bases de datos vectoriales y herramientas |
| D — | Conjuntos de datos de referencia para evaluar RAG |
Volumen IV — Diseñando la cognición de la IA con MCP
Ingeniería del contexto, las herramientas y la memoria para agentes de IA fiables.
Modelado estructurado del contexto y orquestación: cómo dar forma al razonamiento del modelo a través de la ingeniería del contexto y las situaciones que ve, en vez de modificar el modelo mismo. El volumen a leer si estás construyendo sistemas agénticos — inventarios de herramientas, bucles de larga duración, memoria entre sesiones y la disciplina de diseñar lo que el modelo puede mirar.
|
|
Introducción a la serie: LLM Primer IV — Introducción de la serie e índice
Parte I — El cambio de paradigma en la integración con IA
Parte II — Mecánica central del MCP
Parte III — Patrones de orquestación multi-agente
Parte IV — Diseñando la cognición: contexto y memoria
Parte V — Asegurando los flujos agénticos
Parte VI — Ingeniería de producción y escala
Apéndices (solo en el libro)
| A — | Referencia rápida y hoja de chuletas de MCP |
| B — | Planos de implementación y ejemplos de código |
| C — | Checklists de preparación para producción y seguridad |
| D — | Especificaciones avanzadas y propuestas de mejora del estándar (SEPs) |
| E — | Benchmarks y datos de rendimiento |
| F — | Recursos oficiales y enlaces al ecosistema |
Volumen V — Construyendo aplicaciones LLM del mundo real
Diseñando, evaluando y operando sistemas LLM en producción.
Una guía centrada en sistemas, del prototipo a la producción — diseño de APIs, bucles de evaluación, monitoreo e integración — para convertir un modelo capaz en un producto fiable. El volumen que convierte la comprensión arquitectónica en servicios desplegados con usuarios reales encima.
|
|
Introducción a la serie: LLM Primer V — Introducción de la serie e índice
Parte I — Fundamentos de la ingeniería de IA
Parte II — Construyendo capacidades agénticas y de recuperación
Parte III — Aseguramiento de calidad y observabilidad
Parte IV — Seguridad, escala y optimización
Apéndices (solo en el libro)
| A — | Checklists de preparación para producción y seguridad |
| B — | Matrices de selección de herramientas y marcos |
| C — | Protocolos, streaming y salidas estructuradas |
| D — | Arquitectura de limitación de tasa y gestión de costes |
| E — | Glosario de métricas y términos de ingeniería de IA |
Volumen VI — Escalando sistemas de IA
Arquitectando inferencia LLM de baja latencia para escala de producción.
Arquitectando inferencia de alto rendimiento: serving distribuido, optimización de latencia y modelado de costes para sistemas que tienen que responder millones de veces al día. El volumen a leer cuando tu sistema de IA ha crecido más allá de un solo servidor y ahora necesita comportarse como una pieza real de infraestructura.
|
|
Introducción a la serie: LLM Primer VI — Introducción de la serie e índice
Parte I — Fundamentos de la inferencia LLM
Parte II — El sustrato de hardware
Parte III — Optimización a nivel de modelo (compresión)
Parte IV — Optimizaciones a nivel de sistema y motor
Parte V — Frameworks de serving y orquestación
Parte VI — Economía a nivel de aplicación y TCO
Apéndices (solo en el libro)
| A — | Referencia de fórmulas matemáticas y modelado de costes |
| B — | Guía de especificaciones de hardware y aceleradores |
| C — | Configuraciones de despliegue y fragmentos de código |
| D — | Metodología de benchmarking y definiciones de métricas |
Volumen VII — Seguridad de la IA
Defendiendo sistemas LLM frente a inyección de prompts, jailbreaks y amenazas adversariales.
Diseñando IA segura y robusta: riesgos adversariales, inyección de prompts, marcos de gobernanza y diseño defensivo para sistemas desplegados en el mundo real. El volumen a leer cuando tu sistema de IA tiene que tratarse como infraestructura relevante para la seguridad.
|
|
Introducción a la serie: LLM Primer VII — Introducción de la serie e índice
Parte I — Fundamentos de la seguridad de IA
Parte II — Seguridad de prompts e interacción
Parte III — Robustez y fiabilidad del modelo
Parte IV — Arquitectura de seguridad a nivel de sistema
Parte V — Gobernanza, ética y cumplimiento
Parte VI — Temas avanzados
Apéndices (solo en el libro)
| A — | Checklist de seguridad de IA para sistemas en producción |
| B — | Plantilla de modelo de amenazas de ejemplo |
| C — | Patrones de diseño de prompts seguros |
| D — | Plantilla de respuesta a incidentes para aplicaciones LLM |
| E — | Herramientas y marcos recomendados |
Physical AI — un volumen hermano
Physical AI es un volumen hermano de la Serie LLM Primer que extiende el mapa hacia los sistemas incorporados: robótica, agentes situados y la clase de inteligencia que tiene que actuar en el mundo físico y no solo generar texto. Donde la Serie LLM Primer trata a la IA como una capa cognitiva sobre datos y APIs, Physical AI pregunta qué cambia cuando el mismo tipo de modelos tiene que percibir, planificar y actuar a través de sensores y actuadores — cuando el retraso es continuo, el mundo es ruidoso y el margen de error se traduce en consecuencias físicas. Es un compañero natural para lectores que quieren llevar el pensamiento de la serie más allá de la pantalla, hacia máquinas que se mueven, agarran y navegan.
