Etiqueta
Un servidor MCP propio expone tus datos y funciones a cualquier asistente de IA mediante el Model Context Protocol. Con el SDK oficial de Python y su clase FastMCP escribes un servidor en unas veinte líneas: defines herramientas, recursos y prompts como funciones anotadas con tipos, y lo conectas a Claude, Cline o Goose por stdio o HTTP.
DeepEval es el framework de código abierto para evaluar sistemas de IA como si escribieras pruebas con Pytest: defines casos, eliges métricas respaldadas por investigación (G-Eval, fidelidad, corrección de herramientas) y obtienes una puntuación de 0 a 1 que aprueba o suspende cada respuesta, tanto en tu máquina como en integración continua.
DSPy es un framework de Python de Stanford que trata las llamadas a un LLM como código: defines firmas con entradas y salidas tipadas, eliges un módulo como la cadena de pensamiento y dejas que un optimizador escriba los prompts por ti a partir de ejemplos y una métrica. Así compilas programas en vez de ajustar prompts a mano.
Outlines es una biblioteca de Python que aplica generación restringida: obliga al modelo a producir una salida que se ajusta a un esquema JSON, una expresión regular o una gramática, con garantía por construcción y no estadística. Funciona con vLLM, Transformers, Ollama y llama.cpp, y su motor escrito en Rust apenas añade sobrecarga por token.
Instructor es la biblioteca de Python más usada para obtener salidas estructuradas y fiables de un modelo de lenguaje: defines el resultado que esperas como un modelo Pydantic, Instructor parchea el cliente para que el modelo lo respete y reintenta solo, con el error de validación incluido, hasta devolver un objeto válido y ya tipado.
El function calling permite que un modelo que ejecutas con Ollama en tu propia máquina pida a tu código que llame a una función (consultar el clima, buscar en una base de datos) y use el resultado para responder. Desde julio de 2024 Ollama soporta herramientas; en 2026 modelos como qwen3 o llama3.3 lo hacen con fiabilidad razonable.
Qwen-Agent es el framework oficial del equipo Qwen para dar herramientas a sus modelos: function calling, un interprete de código en sandbox, RAG y MCP. Va por la version 0.0.34, publicada en febrero de 2026, suma unas 16.800 estrellas en GitHub y contiene la implementacion canonica del tool calling de Qwen3, tanto en la nube como en tu propia maquina.
Agno, el framework de Python antes conocido como Phidata, construye agentes de IA con un objetivo claro: rendimiento. Crea cada agente en unos dos microsegundos y ocupa unos 3,75 KiB de memoria, así que escala a miles de agentes concurrentes. Ofrece agentes, equipos y flujos de trabajo, más de veinte proveedores de modelos y el tiempo de ejecución AgentOS.
Google ADK (Agent Development Kit) es el framework de código abierto de Google para construir, evaluar y desplegar agentes de IA. Es code-first, funciona con Gemini y con otros modelos vía LiteLLM, y ofrece agentes de flujo, herramientas y memoria. Su versión 2.5.0 llegó en julio de 2026 y despliega directamente en Vertex AI.
smolagents es la biblioteca de agentes de Hugging Face: en menos de mil líneas de código te deja crear un agente que razona escribiendo Python en lugar de rellenar JSON. Su CodeAgent ejecuta esas acciones como código, da alrededor de un 30% menos de pasos que el tool calling clásico y funciona con cualquier modelo, local o de API.
Pydantic AI es el framework de agentes del equipo de Pydantic: construyes agentes en Python donde cada salida del modelo se valida contra un tipo que tú defines. Declaras la respuesta esperada como un modelo Pydantic y el agente garantiza esa estructura, con inyección de dependencias, herramientas y soporte para más de veinte proveedores de modelos.
Python 3.13 introduce de forma experimental la ejecución sin GIL mediante PEP 703. Tras unos meses de rodaje empiezan a verse pruebas reales fuera del laboratorio. Conviene entender bien qué ganas, qué pierdes y qué no cambia todavía.
Polars lleva dos años pidiendo relevo a pandas. Con Polars 1.x estable y una comunidad creciente, toca revisar dónde de verdad compensa migrar, dónde pandas sigue ganando y cómo convivir entre ambos sin pagar dos veces.
Python 3.12, publicado en octubre de 2023, aporta sintaxis de genéricos en línea con PEP 695, tracebacks que señalan el error exacto y un rendimiento medio en torno al 5% superior a 3.11 según pyperformance, además de subinterpretes experimentales con GIL propio. Migrar desde 3.10 u 3.11 es sencillo: las librerías principales ya tienen wheels compatibles.
LangChain es un framework Python que unifica la construcción de aplicaciones con LLM: prompt templates, retrievers sobre bases vectoriales, agentes con function calling y memoria conversacional. Aporta valor real en prototipos rápidos y sistemas con varios modelos, pero en producción de un caso único bien definido el código directo suele ser más mantenible.
Chroma es la base de datos vectorial más sencilla para empezar con embeddings y búsqueda semántica: se instala con pip install chromadb, no exige infraestructura adicional y ofrece una API mínima (add, query, delete). Es ideal para prototipos y RAG de tamaño medio; por encima de unos pocos millones de vectores, conviene migrar a Qdrant o Milvus.
Code Interpreter extiende ChatGPT Plus con un intérprete Python en sandbox aislado: ejecuta el código en el acto, lee los ficheros que subes (CSV, Excel, PDF, imágenes, ZIPs) y devuelve resultados y gráficos dentro del chat. La sesión es efímera y sin internet, pero notablemente eficaz para análisis exploratorio ad-hoc sin arrancar un notebook.
Los dataframes de Spark son tablas distribuidas con esquema que el motor Catalyst optimiza automáticamente, mientras los pipelines encadenan esas transformaciones en un flujo reproducible de principio a fin. Juntos permiten procesar grandes volúmenes de datos de forma eficiente y distribuida en un clúster, escalando de un portátil a cientos de nodos sin reescribir el código.
LazyPredict es una biblioteca de Python que evalúa automáticamente decenas de modelos de clasificación y regresión de scikit-learn sobre tu dataset en segundos, sin escribir el código de entrenamiento para cada uno. Con LazyClassifier y LazyRegressor obtienes una tabla comparativa de métricas que señala qué modelos merece la pena afinar después.
