# Kit F1 C09: inspeccionar tokens y embeddings sin API Este kit acompaña el capítulo 09 del facsímil 1. Simula tokenización, IDs y embeddings con un programa local, sin depender de claves de API ni de modelos externos. No pretende sustituir al tokenizador real de OpenAI, Anthropic, Google o cualquier proveedor. Sirve para que el alumno vea la mecánica: un texto se parte en tokens, esos tokens se convierten en IDs, los IDs alimentan vectores y esos vectores se comparan con similitud coseno. ## Ejecutar Desde esta carpeta: ```bash python3 ops/inspect_tokens_embeddings.py --write cat output/token_embedding_decision.md ``` Como gate: ```bash python3 ops/inspect_tokens_embeddings.py --write --fail-on-invalid ``` ## Archivos | Archivo | Papel | |---|---| | `data/text_cases.json` | Pares y grupos de texto para comparar tokenización y similitud. | | `contracts/token_embedding_policy.json` | Dimensión del embedding de juguete, umbrales de similitud y coste de ejemplo. | | `ops/inspect_tokens_embeddings.py` | Tokenizador simple, IDs deterministas, embedding hash y similitud coseno. | | `output/token_embedding_report.json` | Tokens, IDs, vectores resumidos y similitudes. | | `output/token_embedding_decision.md` | Informe legible con conclusiones y límites del experimento. | ## Qué deberías mirar 1. Qué palabra y token no son lo mismo. 2. Qué dos textos con significado cercano pueden tener tokens distintos. 3. Qué es un embedding: una lista de dimensiónes numéricas. 4. Qué la similitud coseno compara direcciones, no igualdad literal. 5. Qué para producción siempre se mide con el tokenizador y el embedding reales del modelo elegido. ## Qué entregaría un alumno 1. El Markdown generado. 2. Dos pares nuevos añadidos a `data/text_cases.json`. 3. Una explicación de un caso donde el parecido semántico no coincide con el parecido literal. 4. Una decisión: qué modelo/tokenizador real mediría antes de estimar coste, memoria o RAG. ## Qué te llevas Te llevas una práctica ejecutable sobre inspeccionar tokens y embeddings sin API, con datos editables, contratos y umbrales, plantillas de entrega, código ejecutable y tests reproducibles. Trabajas con `data/text_cases.json`, contrastas la decisión contra `contracts/token_embedding_policy.json` y ejecutas `ops/inspect_tokens_embeddings.py` para generar `output/token_embedding_decision.md`. La idea no es mirar una solución cerrada: es cambiar una entrada, volver a ejecutar, comparar la salida y poder defender qué harías en una revisión técnica, una asignatura o un piloto real. ## Variantes para hacerlo tuyo - Ejecuta `make run` sin tocar nada y usa `output/token_embedding_decision.md` como línea base. - Cambia o añade un caso en `data/text_cases.json` para representar un problema de tu trabajo, clase o producto. - Endurece una regla, umbral o campo obligatorio en `contracts/token_embedding_policy.json` y explica por qué el resultado debería cambiar o bloquearse. - Compara antes/después en `output/token_embedding_decision.md` y `output/token_embedding_report.json` y escribe una decisión de una página: seguir, bloquear, medir más o cambiar el diseño. - Completa `templates/entrega.md` con contexto, cambio, evidencia, decisión y límite; no la dejes como checklist vacía. ## Rúbrica rápida | Nivel | Qué demuestra | |---|---| | Mínimo | Ejecuta `make run` y `make test`, localiza `ops/inspect_tokens_embeddings.py`, abre `output/token_embedding_decision.md` y explica qué decisión o señal produce. | | Bueno | Cambia `data/text_cases.json`, compara antes/después y justifica la diferencia con una evidencia concreta del output. | | Excelente | Convierte el kit en un mini caso profesional: añade un caso propio, ajusta una regla o test, documenta el límite principal y deja una recomendación accionable para un equipo. | ## Guía operativa del ZIP Esta sección audita el ZIP como lo recibirá un alumno. Todo lo citado aquí debe estar dentro de este archivo descargable de `Kit F1 C09: inspeccionar tokens y embeddings sin API`, no escondido en una ruta del repositorio. ### Qué contiene - `README.md`: esta guía y la explicación del ejercicio. - `Makefile`: entrada única para ejecutar y validar el kit con `make run` y `make test`. - `requirements.txt`: dependencias declaradas; muchos kits solo usan la biblioteca estándar de Python. - `data/`: datos de entrada o casos de prueba realistas. Ejemplos dentro del ZIP: `data/text_cases.json`. - `contracts/`: contratos de datos, salida, política o validación. Ejemplos dentro del ZIP: `contracts/token_embedding_policy.json`. - `templates/`: plantillas editables para la entrega. Ejemplos dentro del ZIP: `templates/entrega.md`. - `ops/`: código ejecutable del laboratorio. Ejemplos dentro del ZIP: `ops/inspect_tokens_embeddings.py`. - `tests/`: tests que comprueban que el ejercicio sigue siendo reproducible. Ejemplos dentro del ZIP: `tests/test_token_embedding_inspector.py`. - `output/`: salidas generadas o esperadas que debes revisar. Ejemplos dentro del ZIP: `output/token_embedding_decision.md`, `output/token_embedding_report.json`. ### Ejecutar desde cero Desde la carpeta extraída del ZIP: ```bash make run make test ``` `make run` construye las evidencias del ejercicio. `make test` comprueba que el kit sigue siendo ejecutable después de descargarlo, extraerlo y tocarlo. ### Qué mirar antes de entregar - `output/token_embedding_decision.md`: lectura humana de la decisión, informe o runbook. - `output/token_embedding_report.json`: evidencia estructurada para validar o automatizar. ### Qué entregar Una entrega útil no es una captura de pantalla. Debe incluir los artefactos generados, la modificación razonada que hayas hecho y una decisión escrita que explique qué harías en un sistema real. Como mínimo: 1. Resultado de `make test`. 2. Artefactos de `output/` que sostienen tu decisión. 3. Cambio propio en datos, contrato, política, plantilla o código, según el objetivo del kit. 4. Nota técnica breve: qué has probado, qué ha fallado o pasado, y qué decisión tomarías. ### Cómo adaptarlo a tu caso 1. Ejecuta primero `make run` sin tocar nada para obtener la línea base reproducible. 2. Ejecuta `make test` antes de cambiar el ejercicio; así sabes que el ZIP llegó completo. 3. Sustituye o amplía los archivos de `data/` con casos de tu dominio manteniendo el mismo contrato de campos. 4. Ajusta `contracts/` cuando cambien tipos, campos obligatorios, umbrales o catálogos permitidos. 5. Usa `templates/` como base documental; no entregues una plantilla sin completar. 6. Guarda los outputs finales y una nota breve con la decisión técnica que tomarías en un proyecto real. ### Criterio de validación El kit está completo cuando se puede descargar, extraer, ejecutar con `make run`, validar con `make test` y explicar sin depender de ninguna carpeta externa. Si una práctica menciona código, datos, contrato, CSV, SQL, política o plantilla, ese contenido debe venir dentro del ZIP.