7 minutosMemoria para agentes (vídeo conceptual)
Separarás las decisiones sobre memoria a corto y largo plazo y decidirás cuándo debe escribir memoria el agente.
Reproducir vídeofreeCodeCamp.org. El curso presenta cuantización, LoRA, QLoRA y PEFT con Llama 2 y Gemma. El curso ofrece ejemplos de consumo de VRAM para configuraciones concretas. El artículo exige mediciones del modelo y hardware elegidos; los ejemplos no prueban que cualquier tarea adecuada pueda ejecutarse sin un clúster.
Los modelos base del curso (Llama 2, Gemma) son ejemplos de su época. Usa los métodos como contexto y comprueba la compatibilidad del modelo, las versiones de bibliotecas, los recursos y los resultados de tu configuración; no se garantiza la aplicación directa.
Usar el curso como ejemplo para planificar un experimento de LoRA o QLoRA y medir los recursos y resultados de la configuración elegida.
Python y familiaridad básica con herramientas de ML; comprueba los recursos necesarios para el modelo y hardware elegidos antes del experimento.
Última revisión: 18 may 2026
Continúa por el mismo itinerario de aprendizaje con los siguientes vídeos complementarios seleccionados.
7 minutosSepararás las decisiones sobre memoria a corto y largo plazo y decidirás cuándo debe escribir memoria el agente.
13 minutosModelarás la inyección de prompts como una mezcla de datos no fiables y diseñarás límites para el uso de herramientas.
19 minutosPodrás estimar cuándo compensa la caché de prompts comparando el recargo de escritura con el ahorro de lectura para tus cargas reales.