Chelsea AI Ventures graph-of-skills-claude-plugin
0 stars MarkdownA Claude Code plugin for Graph-of-Skills. It connects the agent to the skill lookup service and adds one short skill that tells the agent to check for a written method before unfamiliar work.
Recursos de IA
Guías prácticas, artículos y herramientas para su camino en la IA
Publicamos un artículo casi todas las semanas en el boletín de Chelsea AI sobre qué funciona en la IA en producción y qué no. Aquí se agrupan en cuatro temas, junto con apariciones en pódcast y sesiones grabadas, cada uno con un resumen para que sepa si le merece la pena antes de salir de la página. Debajo están los libros de nuestro director y nuestras charlas.
Explorar por tema
Cuatro hilos recorren todo lo que publicamos. Cada uno reúne los artículos sobre una parte de lo que hacemos.
-
Estrategia y ROI
Dónde la inversión en IA se rentabiliza y dónde se atasca.
18 artículos
-
Ingeniería de LLM y agentes
Recuperación, evaluación, agentes y modelos abiertos en producción.
14 artículos
-
Equipo y capacidades
Trabajo con supervisión humana, competencias y adopción de IA en el equipo.
10 artículos
-
Seguridad y gobernanza
Superficie de ataque, privacidad y rendición de cuentas de los sistemas de IA.
4 artículos
Libros de nuestro equipo
Nuestros programas integrales de formación se basan en la experiencia práctica de implementación presentada en libros superventas escritos por nuestro equipo
Retrieval Augmented Generation, The Seminal Papers
Published: March 2026 | New Release
Principles for architecting reliable and verifiable AI
Retrieval Augmented Generation (RAG) is a standard process for grounding LLM prompts in user-specified content rather than relying only on a model’s training data. RAG has grown from a simple prompt engineering workflow into a sophisticated set of data analysis, storage, and retrieval techniques. Retrieval Augmented Generation, The Seminal Papers explores foundational research papers that explain why RAG works, how it’s built, and what makes it different from other approaches.
Focus areas include:
Retrieval Augmented Generation AI Architecture Verifiable AI
Generative AI with LangChain (2nd edition)
Published: May 2025 | Amazon Bestseller in Programming
Build production ready LLM applications and advanced agents using Python and LangGraph
A practical guide to leveraging LangChain and LangGraph for GenAI implementation, with real-world examples ranging from customer support to data analysis. The 2025 edition features updated code examples and improved GitHub repository.
Focus areas include:
Enterprise-grade LLM application architecture Prompt engineering best practices RAG implementation for knowledge augmentation Custom agent development Production deployment strategies
Machine Learning for Time Series with Python (2nd edition)
Published: 2026 | New Edition
Python to forecast, predict, and monitor time series with modern ML and foundation models at scale
Forecasting and time-series modelling in Python, updated with conformal prediction, causal inference, hierarchical models, and time-series foundation models.
Focus areas include:
Forecasting with modern machine learning Time-series foundation models Conformal prediction Causal inference Hierarchical forecasting
Artificial Intelligence with Python Cookbook
Published: October 2020 | BookAuthority Best-Seller
Proven recipes for applying AI algorithms and deep learning techniques
Proven recipes for applying AI algorithms and deep learning techniques using TensorFlow and PyTorch. The practical cookbook approach provides ready-to-use solutions for common AI challenges, from computer vision to natural language processing, with complete code examples and detailed explanations of implementation considerations.
Focus areas include:
Deep learning fundamentals Computer vision applications NLP implementation techniques Reinforcement learning Model optimization strategies Transfer learning approaches Hyperparameter tuning
Software que publicamos
Todo esto es público en GitHub y de uso libre. Las herramientas nacen de proyectos de consultoría. El resto es el código que acompaña a los libros.
Tools
wiggum
2 stars ShellA self-driving agent loop for Claude Code. It turns an issue description into a workplan, implements it one task at a time, runs the verification commands the project already uses, fixes what fails, and commits as it goes.
langgraph-kirokuforms
1 star PythonHuman-in-the-loop for LangGraph. A workflow pauses, asks a person to fill in a form, and resumes with their answers, talking to KirokuForms over the Model Context Protocol.
Code from the books
rag-seminal-papers
8 stars Jupyter NotebookNotebooks working through the papers that retrieval augmented generation is built on, one implementation per paper.
Companion to Retrieval Augmented Generation: The Seminal Papers, Manning 2026
generative_ai_with_langchain
1.4k stars Jupyter NotebookCode for building LLM applications and agents with Python, LangChain and LangGraph, covering the examples in the book end to end.
Companion to Generative AI with LangChain, 2nd Edition, Packt 2025
Machine-Learning-for-Time-Series-with-Python-Second-Edition
5 stars Jupyter NotebookForecasting and time-series modelling in Python, updated with conformal prediction, causal inference, hierarchical models, and time-series foundation models.
Machine-Learning-for-Time-Series-with-Python
23 stars Jupyter NotebookForecasting and time-series modelling in Python, from classical methods through to deep learning.
Companion to Machine Learning for Time Series, Packt 2021
Artificial-Intelligence-with-Python-Cookbook
4 stars Jupyter NotebookRecipes across the breadth of applied AI in Python: supervised and unsupervised learning, probabilistic modelling, computer vision, language and speech.
Companion to Artificial Intelligence with Python Cookbook, Packt 2020
Conferencias y educación
The GenAI Build Lab: Build Production-Ready RAG with Open Models
Packt Publishing, 2026
Focus: RAG listo para producción sobre modelos abiertos pequeños: búsqueda híbrida y reranking, recuperación correctiva, evaluación con RAGAS y modelos de guardrail abiertos
Designing secure, customised, and sovereign LLM workflows
DataFest Tbilisi 2025
Focus: Taller sobre canalizaciones de agentes en cascada, salida estructurada con gramáticas, barreras de seguridad y evaluación con un conjunto de referencia en CPU local
Ver la página del eventoWhy open-source LLMs are the future of enterprise AI
DataFest Tbilisi 2025
Focus: Del uso de API públicas a modelos de código abierto en infraestructura propia, y dónde encajan los modelos de lenguaje pequeños
Ver la página del eventoMoving Beyond Statistical Parrots: LLMs and Their Tooling
Put Generative AI to Work 2023, ODSC 2024, Data Science Week Amsterdam
Focus: LLMs de código abierto e implementación empresarial
Future of Data Science and LLMs
PyData London 2023
Focus: Mesa redonda sobre tecnologías de IA de código abierto
Experimentation at Scale at loveholidays
RE•WORK, 2023
Focus: Decenas de pruebas A/B simultáneas en una plataforma propia, con poco sesgo y menor demora
Ver la grabaciónMastering Machine Learning Techniques for Time-Series Analysis
PyData Bristol 2023
Focus: Extracción de características, previsión y detección de anomalías en series temporales con Python
Ver las diapositivasTime-Series Development
University of Oxford 2023
Focus: Clase invitada en el curso Artificial Intelligence: Cloud and Edge Implementations
Strategic AI Implementation
Data & Analytics Summit EU 2022
Focus: Estrategia empresarial de IA y hojas de ruta de implementación
Time-Series in Python: Preprocessing and ML
ODSC 2022
Focus: Técnicas de aprendizaje automático para datos de series temporales
ML: The Good, The Bad and the Ugly
DataFest Tbilisi 2019
Focus: Dónde funciona el aprendizaje automático en producción y dónde falla
Apariciones en pódcast:
- The agent autonomy trap (Agent Engineering, agosto de 2026)
- What makes an ideal job candidate (Would You Data Scientist, enero de 2022)
- Time series prediction (Data Professor, enero de 2022)
¿Busca ponente para una conferencia, una sesión interna o un podcast? Aceptamos algunos al año, sobre IA generativa, MLOps y series temporales. Escríbanos