Guías, comparativas y novedades sobre herramientas de IA

El mensaje "You've hit your session limit · resets 3:45pm" de Claude Code no es un error, sino cómo funcionan los límites de uso de la suscripción. La referencia oficial recoge cuatro variantes: session (la ventana móvil de 5 horas), weekly (la ventana semanal) y Opus y Sonnet (topes de una sola familia de modelos); como los límites de sesión y semanal son comunes a todos los modelos, cambiar de modelo no devuelve el acceso. Te explicamos qué significa cada mensaje y cómo cambió el texto desde el antiguo "Claude usage limit reached", qué consume más cupo y qué hacer al llegar al tope: cambiar de modelo con /model ante un tope de Opus/Sonnet, esperar el reinicio (automático desde v2.1.234), usar créditos de uso con /usage-credits o pasar a la API de pago por uso. Incluye cómo ver lo que te queda con /usage y los mensajes parecidos que no son tu límite.

Claude Code muestra "Prompt is too long" cuando la entrada total, incluidos historial, archivos y resultados de herramientas, supera el límite de contexto. Este artículo distingue entre compactar un historial largo, reducir una primera entrada excesiva y resolver la causa de un error de compactación, como un fallo de autenticación. Las definiciones MCP se cargan bajo demanda de forma predeterminada; la disponibilidad de 1M depende del modelo, la conexión y el plan. También explica el recuento de tokens y los motivos de parada al usar directamente la API.

Si un servidor MCP no conecta en Claude Code, revisa conjuntamente el estado, el método de conexión y los detalles de Issue. failed puede indicar un fallo de inicio stdio, un problema de comunicación HTTP o el rechazo de una cabecera fija de autenticación. El artículo explica Connection closed, las variables de entorno y las referencias no definidas, la configuración y aprobación del proyecto, el inicio de npx en Windows, los registros de depuración y las pruebas tras reconectar. También aclara por qué cero herramientas no implica necesariamente un error y por qué un inicio independiente no garantiza una conexión MCP correcta.

A veces Claude Code muestra "court" (o "call") seguido de etiquetas <invoke> en bruto y el comando nunca se ejecuta. No es tu entorno ni tu comando: es un fallo del lado del modelo al generar el token de control de la llamada a herramienta. El harness lo rechaza fail-closed, así que no hay riesgo de un comando equivocado; lo molesto es la cadena por autoenvenenamiento. Cubrimos el mecanismo, las causas, los errores comunes, las soluciones para usuarios y desarrolladores, cómo distinguirlo de errores parecidos y el estado oficial.

Te pueden suspender la cuenta de ChatGPT o Claude sin mala intención, y volver con otra cuenta lo empeora. Leímos completos, a 4 de octubre de 2026, los términos de OpenAI (ChatGPT, Codex) y Anthropic (Claude, Claude Code) —Terms of Use, Usage Policies, Consumer Terms y Usage Policy— y sus centros de ayuda, y explicamos: los motivos de suspensión que cada empresa publica; qué no hacer, con la cláusula de cada caso (compartir cuentas, automatizar la interfaz, jailbreak, eludir un baneo, usar Claude desde países no admitidos con VPN, destilación, reventa, crear cuentas en masa); cómo cambió entre febrero de 2026 y hoy lo que dice Anthropic sobre usar el inicio de sesión del plan personal en otras herramientas (usar tú mismo el Agent SDK está contemplado; entregar tokens al servicio de otro está prohibido); avisos y verificaciones que no son infracciones; la diferencia entre tener varias cuentas y cómo se usan (actualización del 9 de octubre: el selector oficial de OpenAI, el límite de verificación telefónica de Anthropic, por qué cambiar manualmente tras alcanzar un límite requiere una respuesta específica y en qué se diferencia de compartir, revender y eludir un baneo); una lista de ocho puntos; y los pasos para apelar (OpenAI: enlace del correo u openai.com/form/appeal; Anthropic: iniciar sesión en claude.ai con la cuenta baneada; avisos: usersafety@anthropic.com).

Volver a entrenar desde cero una IA gigantesca es demasiado caro, pero quieres ajustarla solo para ti; LoRA (Low-Rank Adaptation) cumple ese deseo congelando el modelo original y entrenando solo una pequeña pieza añadida (un adaptador), reduciendo los parámetros entrenables a menos del 1% del modelo original. LoRA abarata y acelera enormemente el fine-tuning, y es muy popular en la generación de imágenes como Stable Diffusion como un archivo pequeño que añade un personaje o un estilo. Este artículo lo explica con la analogía del parche. LoRA es el referente del ajuste fino eficiente en parámetros (PEFT): deja congelados los enormes pesos originales, inserta una pequeña matriz añadida en cada capa y entrena solo eso (W = W0 + BA, donde W0 está congelado y BA es la pequeña parte añadida). Se apoya en la hipótesis de que adaptar una IA no requiere grandes cambios (basta un rango bajo), que los experimentos del artículo original respaldaron (aunque hay estudios en los que queda por debajo del entrenamiento completo en matemáticas y programación). Ventajas: parámetros entrenables por debajo del 1% del original (unas 10.000 veces menos con GPT-3 175B en el artículo original), menos memoria de GPU (en el mismo caso, de 1,2 TB a 350 GB durante el entrenamiento), entrenamiento más rápido y barato, sin latencia de inferencia una vez fusionado el adaptador, y menos olvido de las capacidades del modelo original. Su mayor fortaleza son los adaptadores intercambiables: mantén una base común y cambia al instante pequeños archivos LoRA por caso de uso (soporte, tono de empresa, un personaje concreto). Mucha gente conoce LoRA por primera vez en la generación de imágenes, donde se comparten ampliamente LoRA de Stable Diffusion que aprendieron un personaje, estilo o sujeto (añadir un estilo, enseñar un personaje, ligero y fácil de compartir). QLoRA combina la cuantización, entrenando LoRA sobre una base de 4-bit: permitió hacer fine-tuning en una sola GPU de 48 GB de un modelo de 65B que, entrenado por completo en 16 bits, necesitaría más de 780 GB, y de un modelo de 33B en una GPU de consumo de 24 GB, con resultados equivalentes a los métodos de 16 bits en las comparaciones del artículo (el propio artículo dice que no comprobó si iguala al entrenamiento completo en 33B y 65B). Frente al fine-tuning completo (entrenar todos los pesos), LoRA difiere en los pesos entrenados, el coste, el resultado y el mejor uso; para la mayoría del trabajo, LoRA basta. Conserva la base, sazónala en pequeño. Las cifras corresponden a las condiciones experimentales de los artículos originales y otros, a modo orientativo.

Que un enorme modelo de 70B corra en un solo PC en casa, en lugar de un rack de GPU de centro de datos (dejando a la CPU y la RAM la parte que no cabe en una GPU de consumo), es posible gracias a la cuantización, que reduce la precisión numérica de los pesos de un modelo para encoger drásticamente su tamaño y memoria. Mientras la destilación traslada el conocimiento a otro modelo más pequeño, la cuantización hace más ligero el mismo modelo. Este artículo lo explica con una analogía de compresión de fotos. La cuantización reemplaza los pesos almacenados como decimales FP16/FP32 por enteros INT8 (8 bits) o INT4 (4 bits), recortando los bytes por peso (FP32=4, INT8=1, INT4=0,5); como comprimir una foto RAW a JPEG, sacrificas un poco de precisión a cambio de una gran reducción, y lo sorprendente es lo poco que renuncias. En memoria, 4-bit usa alrededor de un cuarto de FP16: un modelo de 70B baja de ~140GB a ~35GB, y uno de 8B a 4-bit ocupa ~4.5-5GB, que cabe en una GPU de gama media de 8GB de VRAM para uso local (la democratización de los LLM). En precisión, INT8 es casi sin pérdidas e INT4, según se informa, se degrada por debajo del 4% en tareas generales de preguntas y respuestas o de sentido común, pero la pérdida es más notable en matemáticas, generación de código y razonamiento difícil (se manifiesta como un pequeño aumento de la perplejidad), así que elige el número de bits según la tarea. Métodos principales: GPTQ (pionero del 4-bit preciso), AWQ (protege el ~1% de los pesos más importantes; si supera a GPTQ depende de la evaluación), GGUF (formato llama.cpp/Ollama, Q2_K-Q8_0, híbrido CPU+GPU, para local) y QLoRA (base de 4-bit más LoRA para fine-tuning en GPU de consumo). Se diferencia de la destilación (trasladar a otro modelo pequeño) y del fine-tuning (añadir conocimiento de tarea), y las tres suelen combinarse (cuantizar un modelo destilado; hacer fine-tuning sobre una base cuantizada). Para empezar, ejecuta un modelo GGUF con Ollama en un comando, elige Q4/Q8 según la VRAM y evita INT4 para código o matemáticas exactas. La mayoría de los modelos principales ya vienen cuantizados, así que solo los descargas y usas. Conserva la inteligencia, suelta solo el peso. Las cifras se citan de materiales públicos, orientativas.

Una IA enorme y de alto rendimiento es inteligente pero pesada y cara; la destilación de modelos (knowledge distillation) resuelve esto transfiriendo el conocimiento de un gran modelo profesor a un pequeño modelo alumno, conservando un rendimiento cercano al del profesor con un tamaño mucho menor y más velocidad. Este artículo lo explica con una analogía profesor-alumno. La clave son las soft labels: el entrenamiento normal solo enseña "la respuesta es gato" (hard label), mientras que la destilación transmite la distribución de probabilidad completa del profesor, como "90% gato, 8% perro, 2% zorro", cuyo grado de duda lleva información valiosa; un parámetro temperature suaviza las probabilidades para revelar relaciones sutiles (ejemplo real: la función de la API de OpenAI de 2024 para entrenar modelos pequeños con las salidas de otros grandes). Ventajas: rápido y barato, mucho más compacto con un rendimiento cercano al del profesor (TinyBERT: 7,5 veces menor, más del 96,8%), funciona en el edge, potente para la especialización. Dos enfoques: white-box (acceso completo a pesos y representaciones internas, transferencia más profunda; para modelos propios u OSS) y black-box (solo salidas/respuestas de API visibles; usar la API de otra empresa como profesor puede infringir los términos). Se diferencia de la cuantización (comprimir la precisión de los pesos del mismo modelo) y del fine-tuning (seguir entrenando un modelo existente para una tarea): la destilación mueve el conocimiento a un modelo pequeño aparte, y las tres son combinables. La realidad legal/ToS fue un gran tema en 2026: la técnica es legítima, pero OpenAI, Anthropic y xAI incluyen cláusulas de destilación anticompetitiva que prohíben usar las salidas para crear modelos competidores, así que destilar un competidor desde una API restringida puede infringir los términos. La disputa OpenAI contra DeepSeek (OpenAI alegó que cuentas vinculadas a DeepSeek eludieron las restricciones para obtener salidas para destilación, mientras que los términos de DeepSeek, según los informes, permiten destilar sus salidas) muestra que la valoración depende de qué términos de API se aplican, y Claude Fable 5/Mythos 5 desvían las solicitudes marcadas como destilación a un modelo Opus menos capaz. Consejos: usa modelos propios u OSS con licencia como profesor, revisa las cláusulas anti-destilación antes de usar una API comercial y valora si el uso es "desarrollar un modelo competidor". La inteligencia, del modelo grande; la operación, del pequeño, pero a quién elijas como profesor cambia el resultado técnica y legalmente. Las cifras provienen de materiales públicos, son orientativas.

En "Cómo construir un sistema multiagente" dijimos que hay que instrumentar cada traspaso antes de añadir agentes; la tecnología que sostiene esa instrumentación en producción es la observabilidad de IA. Hace visible lo que los LLM y agentes hacen realmente en producción (qué modelo con qué prompt, qué herramientas y búsquedas, qué se devolvió y cuánto tiempo y dinero costó) para que puedas rastrear hasta la causa. La diferencia decisiva frente al monitoreo habitual: la IA puede devolver 200 OK en 50ms y aun así alucinar con seguridad, así que la mayoría de los fallos de IA son fallos de calidad (alucinación, recuperación débil, respuestas inseguras, tareas incompletas, mal uso de herramientas, regresiones tras cambiar el prompt), no de infraestructura. La observabilidad se apoya en tres pilares: trazas (una petición como un árbol de spans que muestra llamadas a LLM, herramientas, recuperación y cadenas de razonamiento; la estrella de la observación de IA), métricas (latencia, coste, tokens, tasa de errores, throughput) y logs (detalle por evento). El estándar del sector OpenTelemetry y sus convenciones GenAI capturan prompts, respuestas, uso de tokens y llamadas a herramientas/agentes en un esquema neutral que se puede enviar a Datadog/Grafana. La distinción más confundida es observabilidad frente a evaluación (evals): la observabilidad muestra qué pasó (fácil de medir, pero no dice si la respuesta es correcta), mientras que las evals miden si la respuesta es buena (precisión, fundamentación, seguridad) y requieren evaluación explícita. Como el coste y la latencia son fáciles de medir pero la calidad de la respuesta no, las herramientas de 2026 combinan la visualización de trazas con la puntuación de salidas y alertas de degradación. Las métricas se dividen en operativas (coste, latencia, tokens, tasa de errores) y de calidad (alucinación, fundamentación/faithfulness, lo más crítico en RAG, seguridad, cumplimiento de la tarea), con detección de alucinaciones mediante LLM-as-a-judge, similitud semántica y puntuaciones de groundedness. Herramientas principales: LangSmith (LangChain), Langfuse (autoalojable de código abierto), Arize Phoenix (depuración de RAG), MLflow (ciclo de vida), AgentOps (agentes) y OpenTelemetry (el estándar). Empieza capturando trazas (compatibles con OpenTelemetry), visualiza las métricas operativas y luego conecta las evals antes de pasar a producción. En los sistemas multiagente la observación es esencial, ya que los fallos se esconden en cadenas de varios pasos visibles solo en una traza de la sesión completa. Observar más evaluar es lo que hace que la IA sea de calidad de producción. Las figuras y los rasgos se citan de materiales públicos, a modo orientativo.

La continuación práctica de "¿Qué es un sistema multi-agente?". La regla central: construir primero con un solo agente y añadir agentes de forma mínima solo al chocar con un límite (un estudio de Google Research halló que todas las configuraciones multi-agente rendían entre un 39 y un 70% peor en una tarea estrictamente secuencial, y Anthropic indica que los sistemas multi-agente usan unas 15 veces más tokens que un chat). La forma base es el patrón supervisor: subagentes en Claude Agent SDK, agents as tools en OpenAI Agents SDK. Además de los 5 pasos (descomponer, definir workers, diseñar el supervisor, traspasos, medir), incluye código mínimo para ambos SDK según su documentación oficial (un supervisor más un investigador y un revisor), cómo restringir las herramientas de cada rol, límites en tres capas (maxTurns, max_turns, gasto), cuándo usar handoffs, buenas y malas divisiones de roles y fallos reales de Anthropic (50 subagentes para una consulta simple, investigación duplicada) con sus soluciones.

Ahora que los agentes de IA son algo cotidiano, el siguiente reto es cómo lograr que colaboren entre sí. Si MCP conecta un agente con sus herramientas, A2A (Agent2Agent) conecta un agente con otro agente: un estándar abierto para que IAs creadas sobre distintos proveedores y frameworks se descubran, se comuniquen y cooperen mediante una convención común. Google lo publicó en abril de 2025, lo donó a la Linux Foundation ese junio y alcanzó la v1.0 en 2026. Esta guía para principiantes explica qué es A2A (con la analogía de la etiqueta de una alianza comercial), por qué hace falta (agentes especializados que se pasan el trabajo en relevo: un agente de planificación, uno de reserva de hotel y uno de pago), en qué se diferencia de MCP (MCP es vertical, agente ↔ herramientas; A2A es horizontal, agente ↔ agente; apilar ambos es la configuración estándar de dos capas), cómo funciona (una Agent Card —un JSON «tarjeta de visita» en /.well-known/agent-card.json— sirve para descubrir capacidades, luego una Task lleva la solicitud a través de estados como working, input-required y completed, y un Artifact devuelve el resultado, todo sobre HTTP, Server-Sent Events y JSON-RPC 2.0, con los agentes manteniendo ocultas sus interioridades) y su situación e implementación (a abril de 2026, más de 150 organizaciones que lo respaldan, más de 22.000 estrellas en GitHub, SDK en cinco lenguajes —Python, JavaScript, Java, Go, .NET— con Microsoft, Salesforce, SAP y ServiceNow participando). La regla mnemotécnica: conectar con herramientas = MCP, conectar con pares = A2A.

Construiste un sistema RAG pero la calidad de búsqueda es mediocre: justo ahí es donde ayuda el reranking. El reranking vuelve a puntuar por su relevancia respecto a la consulta los candidatos reunidos de forma aproximada por la búsqueda por embeddings (vectorial) y los reordena, conservando solo los mejores; este único paso puede cambiar drásticamente la calidad de las respuestas de un sistema RAG. Esta guía para principiantes cubre qué es el reranking (con la analogía de una primera criba y una entrevista final), por qué hace falta (la búsqueda por embeddings vectoriza la consulta y los documentos por separado, así que juzga la relevancia solo de forma tosca, y un mal orden reduce directamente la calidad de las respuestas; la investigación muestra que el reranking puede mejorar notablemente la precisión de la recuperación, y superponerlo a la hybrid search es el estándar de 2026), cómo funciona la recuperación en dos etapas («reunir amplio» con la rápida búsqueda por embeddings para el recall, luego «acotar con criterio» con el reranker para la precisión, y entregar los mejores al LLM), por qué un reranker es más preciso (un bi-encoder vectoriza la consulta y el documento por separado y es rápido pero aproximado; un cross-encoder los introduce juntos y produce una puntuación de relevancia de 0–1, preciso pero pesado, así que reúnes con el rápido bi-encoder y acotas con el preciso cross-encoder) y los modelos e implementación (tipo API como Cohere Rerank, Voyage y Jina; open-source como BGE reranker, mixedbread y FlashRank; y puntuación con LLM como RankLLM: basta con recuperar 50–100 y acotar a los 5 mejores). El principio: reunir amplio, acotar con criterio y afinar las cantidades con evaluaciones de IA.