1) La idea base: predecir lenguaje con contexto
Qué significa “predecir el siguiente token” y por qué, con suficiente contexto y escala, ese mecanismo produce respuestas útiles y coherentes.

2) Chatbots clásicos vs LLMs
Diferencias entre sistemas por reglas y modelos generativos.

3) Qué significa GPT
Desglose de Generative, Pre-trained y Transformer, y cómo cada parte impacta en el comportamiento del modelo.

4) Redes neuronales y aprendizaje
Cómo se entrenan los pesos de una red neuronal usando error, backpropagation y optimización iterativa.

5) Tokenización
Cómo el texto se transforma en tokens para poder ser procesado numéricamente.

6) Embeddings
Cómo cada token pasa a un vector en un espacio de alta dimensión y qué implica eso para similitud y contexto semántico.

7) Transformers y atención
Cómo el mecanismo de atención pondera el contexto para construir representaciones más precisas en cada capa.

8) Decoding: de probabilidades a texto
Cómo se pasa de logits y softmax a la selección de tokens (greedy/sampling) hasta formar una respuesta completa.

9) Del LLM al agente con tools
Cómo un modelo puede usar herramientas externas (APIs, web, bases de datos, código) mediante orquestación.

Recorrido técnico-práctico por la arquitectura de un LLM: preentrenamiento autoregresivo, tokenización, embedding, transformers, decoding y orquestación de tools.