Matthew Berman. Recorre el artículo académico y el código de RouteLLM de LMSYS: un pequeño clasificador se sitúa delante de un par formado por un modelo potente y otro básico, y decide a cuál llamar. De este modo alcanza aproximadamente el 95% de la calidad del modelo potente por una fracción del coste. Las visualizaciones quedan por debajo del umbral habitual de 100k, pero, para la necesidad específica de «mostrar enrutamiento real, no solo comparar modelos», es la explicación más clara de YouTube y coincide directamente con la sección del artículo sobre la contrapartida entre calidad y coste.
Los nombres, los precios y las capacidades de los modelos cambian con rapidez. Utiliza este vídeo para aprender el patrón de decisión y comprueba después el comportamiento vigente de cada modelo antes de adoptarlo.
Evaluarás las contrapartidas del enrutamiento entre calidad, coste y fiabilidad antes de añadir complejidad de orquestación.
Sentirse cómodo leyendo Python y llamando a API de modelos; ayuda conocer el mapa de gamas de la elección principal.
Última revisión: 18 may 2026
Continúa por el mismo itinerario de aprendizaje con los siguientes vídeos complementarios seleccionados.
107 minutosAprenderás el ciclo de evaluación para productos: inspeccionar trazas, etiquetar fallos, definir criterios, probar cambios y comparar los resultados con el criterio humano.
211 minutosComprenderás el stack moderno de LLM con suficiente profundidad para razonar sobre tokens, entrenamiento, herramientas y fallos.
18 minutosAprenderás por qué las llamadas a LLM basadas en esquemas necesitan objetos tipados, validadores, reintentos y gestión explícita de los campos mal formados o inventados.
Cursos externos seleccionados para profundizar en este tema.
Anthropic AcademyAnthropic Academy
MCP es el protocolo que está sustituyendo discretamente las integraciones específicas para cada herramienta en todo el ecosistema de IA. Apréndelo de la fuente original. Al terminar, habrás creado y desplegado tu propio servidor MCP, conectado a él un cliente de LLM y comprendido por qué este estándar es lo más parecido a USB-C que existe en el sector.
DeepLearning.AIJoão Moura (Founder, CrewAI)
Doubles as our sales and customer-support vertical pick and a genuinely practical agent-building course: you build an agentic sales pipeline (lead scoring, personalized outreach) and a customer-support data-insights pipeline as two of the five hands-on projects, taught by CrewAI's own founder. Requires basic Python, so it sits with our other builder-track courses rather than the no-code picks.
Hugging FaceHugging Face
La explicación más clara disponible en código abierto sobre sistemas con agentes. Se basa en los tres frameworks que los equipos de ingeniería evalúan realmente (smolagents, LlamaIndex y LangGraph), en lugar de limitarse al stack de un proveedor. Termina con una prueba comparativa y una clasificación pública: resultados que tu equipo puede verificar.
