docs: add Spanish README

README.es-ES.md

@@ -0,0 +1,75 @@
+
+
+# AI Engineering 101
+Todo lo que necesitas saber para comenzar con la Ingeniería de IA. En este repositorio, estoy documentando mis notas de aprendizaje sobre Ingeniería de IA.
+
+## Tabla de Contenidos
+- [AI Engineering 101](#ai-engineering-101)
+  - [Tabla de Contenidos](#table-of-contents)
+  - [Vibe Coding](#vibe-coding)
+  - [Investigación](#research)
+    - [Infraestructura de Agentes](#agent-infra)
+    - [Infraestructura Multimodal](#multimodal-infra)
+      - [Entrenamiento](#training)
+      - [Servicio](#serving)
+      - [Núcleos GPU](#gpu-kernels)
+  - [Ingeniería](#engineering)
+    - [Mejores Prácticas para Núcleos](#kernel-best-practices)
+    - [Mejores Prácticas para PyTorch](#pytorch-best-practices)
+    - [Mejores Prácticas Multimodales](#multimodal-best-practices)
+    - [Mejores Prácticas para Ray](#ray-best-practices)
+
+## Vibe Coding
+- [Una guía breve (Claude Code)](./Vibe/readme.md) para introducir el vibe coding a personas no técnicas.
+- [Una guía breve (OpenCode)](./Vibe/opencode.md) para introducir el vibe coding a ingenieros.
+
+
+
+## Investigación
+_Avances en investigación sobre infraestructura de agentes e infraestructura multimodal_
+
+### Agent Infra
+> La infraestructura de agentes se centra en optimizar el rendimiento en tiempo de ejecución de los agentes en lugar de crearlos. Para más información, consulta [Why agent infrastructure matters](https://blog.langchain.com/why-agent-infrastructure/) y [Agent Engineering: A New Discipline](https://blog.langchain.com/agent-engineering-a-new-discipline/).
+
+1. [Identifying the Risks of LM Agents with an LM-Emulated Sandbox](https://arxiv.org/abs/2309.15817). ICLR 2024.
+2. [Autellix: An Efficient Serving Engine for LLM Agents as General Programs](https://arxiv.org/abs/2502.13965). arXiv 2025.
+
+### Multimodal Infra
+> Si deseas aprender más sobre modelos multimodales, consulta [Understanding Multimodal LLMs](https://magazine.sebastianraschka.com/p/understanding-multimodal-llms?utm_source=publication-search).
+
+#### Entrenamiento
+1. [DistTrain: Addressing Model and Data Heterogeneity with Disaggregated Training for Multimodal Large Language Models](https://arxiv.org/abs/2408.04275). arXiv 2024.
+2. [DISTMM: Accelerating Distributed Multimodal Model Training](https://www.usenix.org/system/files/nsdi24-huang.pdf). NSDI 2024.
+3. [PipeWeaver: Addressing Data Dynamicity in Large Multimodal Model Training with Dynamic Interleaved Pipeline](https://arxiv.org/abs/2504.14145). arXiv 2025.
+#### Servicio
+1. [Approximate Caching for Efficiently Serving Text-to-Image Diffusion Models](https://www.usenix.org/conference/nsdi24/presentation/agarwal-shubham). NSDI 2024.
+2. [Katz: Efficient Workflow Serving for Diffusion Models with Many Adapters](https://www.usenix.org/system/files/atc25-li-suyi-katz.pdf). ATC 2025.
+3. [Understanding Diffusion Model Serving in Production: A Top-Down Analysis of Workload, Scheduling, and Resource Efficiency](https://dl.acm.org/doi/10.1145/3772052.3772206). SoCC 2025.
+#### Núcleos GPU
+1. [Large Scale Diffusion Distillation via Score-Regularized Continuous-Time Consistency](https://arxiv.org/abs/2510.08431). arXiv 2025. 
+   - Núcleo JVP de FlashAttention-2 para entrenamiento
+2. [SageAttention: Accurate 8-Bit Attention for Plug-and-play Inference Acceleration](https://arxiv.org/abs/2410.02367). ICLR 2025.
+   - Núcleo de atención de 8 bits para inferencia
+3. [SLA: Beyond Sparsity in Diffusion Transformers via Fine-Tunable Sparse-Linear Attention](https://arxiv.org/abs/2509.24006). arXiv 2025.
+   - Núcleo de atención dispersa para inferencia
+
+## Ingeniería
+_Mejores prácticas de ingeniería para construir sistemas de IA_
+
+### Mejores Prácticas para Núcleos
+1. [OpenAI Triton Best Practices](./Engineering/Kernel/triton_tutorial.md)
+   - Un tutorial práctico sobre las mejores prácticas para escribir núcleos GPU eficientes utilizando Triton.
+
+### Mejores Prácticas para PyTorch
+1. [Optimize Training Performance in PyTorch](./Engineering/PyTorch/training_optim.md) 
+   - Utilización de FLOPs del modelo (MFU), PyTorch Profiler y Nsight Systems para monitoreo de rendimiento, Triton y Nsight Compute para optimización de núcleos.
+
+
+### Mejores Prácticas Multimodales
+
+1. [Disaggregated Hybrid Parallelism with Ray](https://github.com/ray-project/multimodal-training) 
+   - Un marco de trabajo para entrenar modelos de visión y lenguaje utilizando paralelismo híbrido desagregado, donde cada componente del modelo adopta su estrategia de paralelización óptima de forma independiente.
+
+### Mejores Prácticas para Ray
+1. [Use Ray for Distributed Machine Learning Apps](./Engineering/Ray/ray_ml_apps.md)
+   - Escalado de aplicaciones de aprendizaje automático utilizando Ray.