¿Decir adiós a las bases de datos vectoriales? Evaluación de costos y rendimiento del almacenamiento en caché de contexto y contexto ultralargo de 2 millones de tokens de Gemini

Gemini 1.5 Pro admite 2 millones de ventanas de contexto Token, lo que equivale a poder incluir toda la trilogía “Three Body” a la vez. Como desarrollador que ha estado experimentando con el sistema RAG durante dos años, comencé a preguntarme: ¿Podría ser esta una tecnología que tenga hermosos datos de laboratorio y pueda usarse para mejorar la cintura en la práctica? ¿La base de datos vectorial + incrustación + canalización de reordenamiento se eliminará con “solo dámelo”?

Después de comparar medidas reales, la respuesta es más complicada de lo que imaginamos.

Análisis panorámico de la capacidad de contexto largo de Gemini

Ruta de evolución de 1.5 Pro a 3.1 Pro

Primero, repasemos brevemente la historia de la evolución del largo contexto de Géminis.

A principios de 2024, se lanzó Gemini 1.5 Pro, que elevó directamente la ventana de contexto a 1 millón de tokens, conmocionando a todo el círculo. Unos meses más tarde, Gemini 1.5 Pro se actualizó a 2 millones de tokens. Ya sabes, en ese momento Claude 3 todavía rondaba los 200.000 tokens, y GPT-4 Turbo solo tenía 128.000 tokens. La brecha es desorientadora, como si todos estuvieran corriendo en bicicleta y de repente alguien llega y entra un auto deportivo.

Las series posteriores Gemini 2.0 y 2.5 continuaron trabajando en esta dirección, y aunque el último Gemini 3.1 Pro “redujo” la ventana a 1 millón de tokens, ha logrado una mejora cualitativa en la calidad del razonamiento y la comprensión multimodal. La explicación de Google es: en lugar de perseguir ciegamente los números, es mejor centrarse primero en la calidad.

De hecho, estoy bastante de acuerdo con esta idea. Después de todo, si puede contener un libro completo pero no puede leerlo, y si puede comprender con precisión el contenido principal pero tiene una capacidad ligeramente menor, esto último es obviamente más práctico.

¿Cuánto contenido pueden contener 2 millones de tokens?

Mucha gente no tiene idea de esta serie de números. Déjame convertirlo por ti:

• Aproximadamente 1,5 millones de palabras en inglés o 3 millones de caracteres chinos
• Se pueden meter aproximadamente 7 copias del conjunto completo de “Harry Potter”
• Casi el número total de publicaciones de blogs técnicos en 10 años.
• O el código fuente completo (con comentarios) de un proyecto Python de tamaño mediano

En otras palabras, la base de conocimientos internos de la mayoría de las empresas se puede incorporar de inmediato.

Permítanme tomar mi propia situación como ejemplo. El wiki interno de nuestra empresa, los documentos técnicos, los requisitos de los productos y los registros de reuniones suman solo cientos de miles de palabras. En el pasado, tenía que dividirlos, vectorizarlos, indexarlos y preocuparme por la calidad de la recuperación. ¿Y ahora qué? Simplemente tíralo todo a Géminis y listo.

Esta sensación, cómo debería decirlo, es un poco como cambiar de una transmisión manual a una transmisión automática. Al principio, puede que te preocupe perder el control, pero una vez que te acostumbras, no podrás volver atrás.

Contexto largo multimodal: no solo texto

Géminis también tiene una ventaja que fácilmente se pasa por alto: su contexto a largo plazo es multimodal.

¿Cuál es el significado? Puedes lanzarle una hora de vídeo, docenas de páginas PDF y varios gráficos al mismo tiempo, y luego preguntar: “¿Cuál es la contradicción entre los datos de este vídeo y los resultados estadísticos de la página 15 del PDF?”

Este tipo de análisis de correlación intermodal es difícil de lograr con el RAG tradicional. Porque ¿cómo cortar el vídeo? ¿Cómo vectorizar gráficos? Estas no son preguntas simples.

Anteriormente había intentado realizar pruebas con un proyecto que incluía un vídeo de demostración del producto, un formulario de comentarios de los usuarios y un boceto de diseño. Gemini no solo puede responder con precisión preguntas sobre contenido de video, sino que también puede señalar puntos de conflicto entre ciertas decisiones de diseño y los comentarios de los usuarios. Este tipo de capacidad de comprensión general es realmente impresionante.

Medición real de “Encontrar una aguja en un pajar”: la verdad sobre la tasa de recuperación de Géminis

¿Qué es la prueba de la aguja en un pajar?

Llegados a este punto te preguntarás: Tener una gran capacidad es una cosa, pero ¿realmente puedes recordarlo?

Esta es también mi mayor preocupación. Después de todo, nadie quiere gastar mucho dinero para que una IA lea 2 millones de palabras y luego recuerde solo los últimos párrafos.

Existe un método de prueba especial en la industria llamado “Aguja en un pajar”. El principio es simple: ocultar una oración específica (como “Mi color favorito es el morado”) en un texto muy largo, luego mezclar este texto con otro contenido irrelevante y finalmente preguntarle a la IA cuál es esa oración específica.

Si la IA puede responder con precisión, significa que realmente ha “encontrado” la aguja en un texto tan largo. La prueba se repite en diferentes longitudes y ubicaciones, lo que da como resultado una curva de recuperación.

Interpretación de datos oficiales de Gemini 1.5 Pro

Los datos publicados oficialmente por Google son bastante llamativos:

Vultr - Servidor cloud NVMe de alto rendimiento, 32 ubicaciones globales, despliegue Docker con un clic

Ver precios →Anuncio

• En la prueba de 530.000 Tokens, 100% de recuperación
• En la prueba de 1 millón de tokens, 99,7% de recuperación
• Incluso en la prueba extrema de 10 millones de tokens, se puede mantener la tasa de precisión del 99,2%

Francamente, cuando vi por primera vez este conjunto de números, tuve dudas. Los datos oficiales, como usted sabe, suelen procesarse en condiciones óptimas.

Pero luego miré los resultados de las pruebas de una agencia de evaluación externa y descubrí que los datos eran básicamente consistentes. Las pruebas independientes realizadas por Artificial Analysis muestran que Gemini 1.5 Pro mantiene una estabilidad de recuperación extremadamente alta en documentos de diversas longitudes, especialmente en la mitad del documento, lo que es significativamente mejor que otros modelos.

Esto fue un poco una sorpresa para mí. Debido a que algunos modelos de contexto largos utilizados antes a menudo tienen el problema de “olvidarse en el medio”: el principio y el final del documento se recuerdan firmemente y la parte central se difumina fácilmente. Géminis parece resolver muy bien este problema.

Recuperar el rendimiento en escenarios empresariales reales

Sin embargo, los datos de laboratorio pertenecen a los datos de laboratorio y los escenarios comerciales reales son otra cuestión.

Yo mismo diseñé una prueba que está más cerca de la realidad: obtenga un conjunto de documentos técnicos de 500.000 palabras, que contiene diferentes tipos de contenido, como documentación de API, diseño de arquitectura y manuales de solución de problemas. Oculté varios parámetros de configuración específicos en diferentes ubicaciones en varios de los documentos y luego le pedí a Gemini que respondiera preguntas relevantes.

¿Cuál fue el resultado?

Para ser honesto, se puede encontrar en la mayoría de los casos. Pero también encontré algunos detalles interesantes:

• Para información clara y estructurada (como “¿Durante cuántos días es válida la clave API”), la tasa de recuperación es casi del 100%?
• Pero para preguntas que requieren un poco de razonamiento (como “Según la descripción del documento, ¿cuáles son los riesgos de seguridad en este diseño”), la tasa de precisión se reducirá a aproximadamente el 80%
• Si la pregunta involucra información cruzada de múltiples documentos, Gemini a veces omitirá una de las fuentes.

¿Qué quiere decir esto? Muestra que la capacidad de contexto prolongado de Géminis es realmente poderosa, pero no omnipotente. Especialmente cuando el problema requiere un razonamiento complejo en lugar de una simple recuperación, todavía hay margen para la optimización.

Análisis en profundidad del almacenamiento en caché de contexto

Por qué es necesario el almacenamiento en caché de contexto

Bien, ahora sabemos que Gemini puede instalar y recordar. Pero hay una cuestión clave: el costo.

2 millones de Tokens suena genial, pero si tienes que retransmitir estos 2 millones de Tokens para cada conversación, la factura puede hacerte querer llorar.

Según el precio de Gemini 1.5 Pro (datos de febrero de 2026), las entradas que superen los 128.000 costarán 2,50 dólares por millón de tokens. En otras palabras, una solicitud de 2 millones de tokens cuesta $5 solo para ingresar. Si tiene 100 consultas al día, eso son $500.

Este costo es inaceptable para la mayoría de las aplicaciones.

En este momento, el almacenamiento en caché de contexto resulta útil.

Cómo funciona el almacenamiento en caché de contexto

En pocas palabras, Context Caching le permite precargar y almacenar en caché contextos reutilizables. Las consultas posteriores solo necesitan pasar nuevas preguntas e ID de caché, sin enviar repetidamente la información de fondo de millones de Tokens.

El proceso específico es el siguiente:

1. En la primera solicitud, le pasa el documento a Gemini y le pide que cree un caché.
2. Gemini devuelve una ID de caché y conserva el estado de estos tokens en el lado del servidor.
3. Para consultas posteriores, solo necesita pasar el ID de caché + nueva pregunta
4. Al facturar, solo se cobrará la tarifa simbólica para nuevas preguntas + una pequeña tarifa de mantenimiento de caché.

La clave es que solo se cobrará el 10% del precio original por el Token que se encuentre en el caché. En otras palabras, el costo original de los insumos de 5 dólares es ahora de sólo 0,5 dólares.

Cuando entendí este mecanismo por primera vez, sentí que de repente me iluminaba. Resulta que Google ya ha pensado en el problema de los costes y ha encontrado una solución muy elegante.

Implicit vs Explicit Caching

Gemini proporciona dos modos de almacenamiento en caché:

Almacenamiento en caché explícito: debe llamar activamente a la API para crear un caché, especificar qué contenido almacenar en caché y establecer parámetros como TTL (tiempo de vida). Este método es el más controlable y adecuado para conjuntos de datos con límites claros, como bases de conocimiento y almacenes de códigos.

Almacenamiento en caché implícito: esta es una función lanzada después de mayo de 2025. El sistema detecta automáticamente prefijos de token duplicados y los almacena en caché sin que usted tenga que hacer nada. Esta función está habilitada de forma predeterminada, lo cual es una gran noticia para la experiencia de desarrollo.

Sin embargo, cabe señalar que el almacenamiento en caché implícito tiene ciertas condiciones de activación y, por lo general, requiere que el mismo prefijo de aviso alcance una cierta longitud antes de que entre en vigor. Si el contexto de cada una de tus solicitudes es muy diferente, es posible que no disfrutes de este beneficio.

El impacto de la tasa de aciertos de la caché en el costo

Hagamos un problema matemático simple.

Suponga que su base de conocimientos tiene 1 millón de tokens y un promedio de 1000 consultas por día:

Sin almacenamiento en caché:

• Entrada diaria de Tokens: 1.000.000 × 1000 = mil millones de Tokens
• Costo: mil millones ÷ 1 millón × $2,50 = $2500/día

Uso del almacenamiento en caché de contexto:

• Primera carga: $2.50 (única)
• Tarifa de mantenimiento de caché: $1,00/millón de tokens/hora × 1 millón de tokens × 24 horas = $24/día
• Entrada de consulta posterior: Calculado en base al 10%, es decir, $0,25/millón de tokens
• Tarifa de consulta diaria: 1000 × 500 Token × $0,25/millón de Token ≈ $0,125/día
• Total: Alrededor de $25/día

¿Viste eso? El costo bajó de 2.500 dólares a 25 dólares por día, una diferencia 100 veces mayor.

Este es el poder del almacenamiento en caché de contexto. Para ser honesto, después de liquidar esta cuenta, comencé a considerar seriamente si migrar algunos proyectos de RAG.

Enfrentamiento de costos: contexto largo versus RAG

Análisis completo de los precios de la API de Gemini (último en 2026)

Para hacer una comparación precisa, primero analicemos los precios más recientes de Gemini (a febrero de 2026):

Nota: MTok = Millones de Tokens (Millones de Tokens)

Railway - Plataforma de despliegue moderna, sin ops complejas, en producción en minutos

Empezar ahora →Anuncio

Además, la estructura de tarifas de Context Caching:

• Almacenamiento en caché: $1,00/millón de tokens/hora
• Impacto de caché: 10% del precio de entrada original
• Fallo de caché: a precio normal

Costos ocultos de los sistemas RAG

Ahora calculemos el costo de la solución RAG. A primera vista, RAG solo requiere tarifas de incrustación y tarifas de bases de datos vectoriales, lo que parece ser muy económico. Pero, de hecho, hay muchos costos ocultos.

Costo explícito:

• API de incrustación: tome text-embedding-3-large como ejemplo, $0,13/millón de tokens
• Base de datos vectorial: la versión estándar de Pinecone cuesta alrededor de $70 al mes, o el costo de un servidor autohospedado.
• Tarifa de generación de LLM: depende del modelo que utilices

Costos ocultos:

• Costos de desarrollo y mantenimiento: los ingenieros necesitan tiempo para construir y mantener la tubería RAG.
• Ajuste de la calidad de la búsqueda: tamaño del fragmento, superposición, estrategia de reordenamiento… todo esto requiere prueba y error
• Problema de latencia: recuperación + generación es una operación de dos pasos y el tiempo de respuesta es mayor
• Pérdida de recuperación: no importa qué tan bueno sea el RAG, habrá ocasiones en las que no podrá recuperar contenido relevante.

Permítanme tomar como ejemplo un proyecto que hice antes. Nuestro equipo pasó dos semanas completas ajustando el sistema RAG, ajustando el tamaño de los fragmentos, cambiando a diferentes modelos de incrustación y probando varias estrategias de reordenamiento. La tasa de recuperación final aumentó del 75% al ​​85%, pero aún está lejos de ser perfecta.

El costo laboral de estas dos semanas, convertido en dinero, puede ser superior a la tarifa API de un año.

Descubriendo el punto crítico: ¿Cuándo deberías cambiar?

Habiendo dicho todo esto, ¿cuándo debería elegir contexto largo + almacenamiento en caché de contexto y cuándo debería seguir usando RAG?

Dibujé una tabla de decisiones para ayudarte a tomar un juicio rápido:

Adecuado para escenarios de contexto prolongado:

• La cantidad total de documentos está dentro de los 2 millones de Tokens (aproximadamente 3000 páginas de PDF)
• Alta frecuencia de consultas (más de cientos de veces al día)
• Requiere análisis de correlación entre documentos
• Tener cierta tolerancia a los retrasos (en realidad, más rápido que RAG)
• No quiero mantener una infraestructura de recuperación compleja

Escenarios adecuados para RAG:

• La cantidad total de documentos es enorme (más de decenas de millones de Tokens)
• La frecuencia de consultas es muy baja (varias o decenas de veces al día)
• Requiere referencias y rastreo precisos a nivel de fragmentos
• Extremadamente sensible al control de costes y a la actualización frecuente de documentos.
• Ya tenemos una infraestructura RAG madura

Por ejemplo, para un sistema de base de conocimientos de servicio al cliente con 500.000 palabras de documentos y 500 consultas por día, el costo mensual de usar contexto largo + almacenamiento en caché de contexto es de aproximadamente $50; mientras que utilizar la solución RAG, además de la base de datos vectorial y los costos de desarrollo y mantenimiento, puede resultar más costoso.

Pero si usted es una plataforma de documentos legales con un volumen total de documentos de cientos de millones de palabras, entonces RAG sigue siendo una opción más adecuada.

Combate práctico: guía de acceso al caché contextual

Condiciones previas y restricciones

Si decide probar el almacenamiento en caché de contexto, consulte estos requisitos previos:

1. Versión del modelo: Se requiere Gemini 1.5 Pro y superior
2. Cantidad de tokens: se requieren al menos 32 768 tokens para almacenar en caché el contenido (menos de este número no es rentable)
3. Período de validez: El caché se guarda por hasta 1 hora de forma predeterminada y se puede renovar.
4. Restricciones regionales: es posible que algunas áreas no sean compatibles temporalmente. Es necesario consultar la documentación oficial.

Ejemplo completo del SDK de Python

El siguiente es el código de acceso completo, que se puede utilizar directamente:

import google.generativeai as genai
from google.generativeai import caching
import datetime

# Configurar API Key
genai.configure(api_key="YOUR_API_KEY")

# Preparar contenido a cachear
# Supongamos que tienes un documento largo
document_content = """
[Contenido largo del documento, al menos 32768 tokens]
"""

# Crear caché
cache = caching.CachedContent.create(
    model='gemini-1.5-pro-002',
    display_name='knowledge_base_cache',
    system_instruction='Eres un asistente técnico profesional; responde según la documentación proporcionada.',
    contents=[document_content],
    ttl=datetime.timedelta(hours=1),  # Cachear 1 hora
)

print(f"Caché creada, ID: {cache.name}")
print(f"Cantidad de tokens: {cache.usage_metadata.total_token_count}")

# Usar caché para conversar
model = genai.GenerativeModel.from_cached_content(cached_content=cache)

# Las consultas posteriores solo envían la pregunta, sin repetir el documento
response = model.generate_content("¿Cuál es la estrategia de rate limiting de la API mencionada en el documento?")
print(response.text)

# Extender validez de la caché
cache.update(ttl=datetime.timedelta(hours=2))

# Eliminar al terminar (o esperar expiración automática)
# cache.delete()

Gestión del ciclo de vida de la caché

En aplicaciones prácticas, es necesario considerar la gestión del ciclo de vida de la caché:

Tiempo de creación: los documentos de uso común generalmente se precargan cuando se inicia la aplicación o se crean a pedido cuando los usuarios cargan documentos.

Estrategia de renovación: Si el caché está a punto de caducar pero todavía hay consultas activas, se puede renovar automáticamente en segundo plano.

Estrategia de limpieza: Para los cachés que ya no se utilizan, elimínelos a tiempo para ahorrar costos.

# Listar todas las cachés
caches = caching.CachedContent.list()
for c in caches:
    print(f"{c.display_name}: {c.name} (quedan {int(c.expire_time.timestamp() - datetime.datetime.now().timestamp())} s)")

# Limpiar cachés expiradas en lote
now = datetime.datetime.now()
for c in caches:
    if c.expire_time < now + datetime.timedelta(minutes=5):
        c.delete()
        print(f"Caché eliminada: {c.display_name}")

Errores y soluciones comunes

** Error 1: la pérdida de caché aún se carga **
A veces crees que has utilizado el almacenamiento en caché, pero descubres que tu factura no se ha reducido. El motivo puede ser que la ID de la caché se haya transmitido incorrectamente o que la caché haya caducado. Se recomienda agregar registros para confirmar.

** Error 2: el cálculo del token es inexacto **
La cantidad de tokens almacenados en caché debe ser ≥32768, pero la cantidad de tokens que calcule puede ser inconsistente con la de Google. Se recomienda utilizar usage_metadata proporcionado por el SDK para confirmar.

** Error 3: problemas de simultaneidad **
Está bien que varias solicitudes utilicen el mismo ID de caché al mismo tiempo, pero preste atención a la atomicidad de la renovación del caché.

** Error 4: Actualización de contenido **
Si se actualiza el documento original, el caché no se actualizará automáticamente. Debe eliminar manualmente el caché anterior y crear uno nuevo.

Elección arquitectónica: ¿RAG está muerto o es simbiótico?

Limitaciones del contexto largo

Habiendo dicho tantas cosas buenas sobre Géminis, es hora de echarle un poco de agua fría.

El contexto prolongado no es una panacea, tiene limitaciones obvias:

Límite superior de costo: aunque el almacenamiento en caché de contexto reduce el costo de una sola consulta, si el volumen de documentos es enorme (decenas de millones de tokens o más), la tarifa de mantenimiento de la caché en sí no es barata.

Frecuencia de actualización: si sus documentos cambian con frecuencia y es necesario reconstruir el caché con frecuencia, la ventaja disminuirá.

Alibaba Cloud - Opción preferida para desarrolladores, 15 % de descuento exclusivo en Lighthouse

Obtener 15% dto. →Anuncio

Cita precisa: RAG puede decirle con precisión al usuario “de qué página y párrafo proviene la respuesta”, pero en el modo de contexto largo, esta trazabilidad es más difícil.

Aislamiento multiinquilino: en un escenario multiusuario, cada usuario puede necesitar un contexto independiente y la administración de la caché se volverá complicada.

Escenas irremplazables de RAG

Admítelo, hay algunos escenarios en los que RAG sigue siendo una mejor opción:

• Recuperación masiva de documentos: cuando el tamaño del documento alcanza el nivel de TB, solo las bases de datos vectoriales pueden procesarlo de manera eficiente
• Actualizaciones con altos requisitos en tiempo real: noticias, información bursátil y otros escenarios que requieren actualizaciones minuciosas
• Requisitos de búsqueda mixtos: consultas complejas que requieren filtrado multidimensional, como palabras clave, etiquetas y tiempo.
• Infraestructura madura existente: si su sistema RAG ya está funcionando de manera estable, no es necesario reconstruirlo para ponerse al día con las nuevas tecnologías.

Posibilidad de arquitectura híbrida

De hecho, el contexto largo y el RAG no son una relación de uno u otro. Los desarrolladores inteligentes ya están explorando arquitecturas híbridas:

Primer nivel de filtrado: primero utilice la búsqueda vectorial para limitar el alcance y encontrar los cientos de documentos más relevantes.
Segundo nivel de lectura intensiva: inserte estos documentos en el contexto extenso de Gemini y realice un análisis en profundidad

Esto no sólo evita el procesamiento directo de documentos masivos, sino que también conserva la profundidad de comprensión de contextos largos.

Yo mismo he estado probando esta arquitectura recientemente y el efecto es sorprendentemente bueno. RAG es responsable de la “selección aproximada” y Gemini es responsable de la “lectura intensiva”. Cada uno realiza sus propios deberes.

Mi árbol de decisión de sugerencias

Si todavía tiene dificultades después de leer este artículo, puede consultar este sencillo árbol de decisiones:

¿Cuál es el volumen total de tus documentos?
├── < 2M tokens → Usar contexto largo + Context Caching directamente
└── > 2M tokens → ¿Necesitas RAG?
    ├── Necesitas citas precisas de fragmentos → Usar RAG
    ├── Los documentos se actualizan muy a menudo → Usar RAG
    └── Si no → Considerar arquitectura híbrida (RAG prefiltrado + lectura intensiva con contexto largo)

Perspectivas futuras y conclusión

Tendencia de desarrollo de la tecnología de contexto largo

Mirando hacia atrás, a principios de 2026, la velocidad de desarrollo de la tecnología de contexto largo es asombrosa.

Gemini ha empujado la ventana a decenas de millones de tokens, y Claude también la está persiguiendo. Es previsible que la ventana de contexto siga ampliándose y los costos sigan disminuyendo.

Más importante aún, la capacidad de “memoria efectiva” del modelo mejora constantemente. Los primeros modelos de contexto largo a menudo eran “capaces de instalar pero no de recordar”, pero ahora Gemini ha podido “tanto instalar como recordar”.

Calculo que en uno o dos años, “el documento es demasiado grande para caber” puede convertirse en un término histórico que se desvanece como “memoria insuficiente”.

Sugerencias de acción para desarrolladores de RAG

Si eres un desarrollador de RAG como yo y te enfrentas a esta ola, tengo algunas sugerencias:

Primero, que no cunda el pánico. RAG no será sustituido por completo, simplemente ha encontrado un posicionamiento más adecuado. Al igual que NoSQL no ha eliminado las bases de datos relacionales, las dos coexistirán durante mucho tiempo.

En segundo lugar, acepte el cambio. Intente migrar algunos proyectos pequeños a la solución de contexto largo y experimente la diferencia usted mismo. Sólo si lo hace usted mismo podrá emitir juicios técnicos correctos.

En tercer lugar, céntrese en la arquitectura híbrida. Esta puede ser la solución óptima durante algún tiempo en el futuro: tiene tanto la escalabilidad de RAG como la profundidad de comprensión de contextos largos.

Cuarto, liquidar la cuenta de costos. No se deje engañar por el aura de “nueva tecnología” y no se ciña a la zona de confort de las “viejas soluciones”. Dejemos que los datos hablen por sí solos. Utilice el que sea barato y fácil de usar.

Para ser honesto, después de escribir este artículo, mi actitud hacia Géminis cambió del escepticismo inicial a un optimismo cauteloso. No es una solución mágica, pero lo hace más elegante y económico que un RAG tradicional en ciertos escenarios.

El valor de la tecnología no reside en si es nueva o vieja, sino en si resuelve problemas prácticos. Esperamos que este artículo le ayude a tomar una decisión informada entre contexto largo y RAG.

Si tiene alguna pregunta o desea compartir su experiencia práctica, deje un mensaje para discutirlo. Después de todo, en este campo que cambia rápidamente, todos todavía estamos aprendiendo.