{"id":1718,"date":"2026-07-29T13:02:55","date_gmt":"2026-07-29T13:02:55","guid":{"rendered":"https:\/\/convly.ai\/?p=1718"},"modified":"2026-07-29T13:02:55","modified_gmt":"2026-07-29T13:02:55","slug":"microsoft-llm-routing-architecture-aks","status":"publish","type":"post","link":"https:\/\/convly.ai\/es\/microsoft-llm-routing-architecture-aks\/","title":{"rendered":"Arquitectura de enrutamiento de modelos de lenguaje grande (LLM) de Microsoft para agentes de IA en AKS detallada"},"content":{"rendered":"<p>Seg\u00fan un informe de InfoQ, Microsoft ha detallado una arquitectura de enrutamiento de LLM de tres capas para agentes de IA que operan en Azure Kubernetes Service (AKS). La arquitectura de enrutamiento de LLM de Microsoft aborda una de las preguntas operativas m\u00e1s urgentes en la actualidad en el \u00e1mbito de la IA agente: \u00bfqu\u00e9 modelo debe responder a cada solicitud y qu\u00e9 parte de la pila debe tomar esa decisi\u00f3n? Aunque el titular de InfoQ ofrece pocos detalles t\u00e9cnicos, esta revelaci\u00f3n resulta significativa porque el enrutamiento se est\u00e1 convirtiendo r\u00e1pidamente en el punto de control para el costo, la latencia y la calidad en los sistemas de agentes en producci\u00f3n; adem\u00e1s, el hecho de que un importante proveedor en la nube formalice dicha pr\u00e1ctica como un patr\u00f3n arquitect\u00f3nico constituye una se\u00f1al digna de atenci\u00f3n.<\/p>\n<div class=\"convly-tldr\">\n<h3>Conclusiones clave<\/h3>\n<ul>\n<li>Seg\u00fan InfoQ, Microsoft ha detallado una arquitectura de enrutamiento de LLM de tres capas para agentes de IA que operan en Azure Kubernetes Service (AKS).<\/li>\n<li>El enrutamiento de LLM determina qu\u00e9 modelo procesa cada solicitud y se ha convertido en un factor clave para controlar el costo, la latencia y la calidad de las respuestas en los sistemas de agentes.<\/li>\n<li>Las cargas de trabajo basadas en agentes multiplican las llamadas a modelos por tarea, lo que transforma el enrutamiento inteligente de un mero proceso de optimizaci\u00f3n en una necesidad econ\u00f3mica.<\/li>\n<li>Desarrollar el enrutador sobre AKS sugiere que el enrutamiento se considera infraestructura de plataforma, no c\u00f3digo de aplicaci\u00f3n.<\/li>\n<li>M\u00e1s all\u00e1 del titular, los detalles t\u00e9cnicos siguen siendo limitados; su importancia radica en que un gran proveedor en la nube eleva el enrutamiento de modelos al nivel de un patr\u00f3n de dise\u00f1o de primera categor\u00eda.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_85 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a705c3eaf63f\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a705c3eaf63f\"  aria-label=\"Alternar\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/es\/microsoft-llm-routing-architecture-aks\/#What_InfoQ_reports_about_Microsofts_three-layer_routing_design\" >Qu\u00e9 informa InfoQ sobre el dise\u00f1o de enrutamiento de tres capas de Microsoft<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/es\/microsoft-llm-routing-architecture-aks\/#Why_LLM_routing_has_become_critical_for_AI_agents\" >Por qu\u00e9 el enrutamiento de LLM se ha vuelto cr\u00edtico para los agentes de IA<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/es\/microsoft-llm-routing-architecture-aks\/#Inside_a_layered_routing_stack_what_three_layers_typically_mean\" >Dentro de una pila de enrutamiento escalonada: qu\u00e9 significan t\u00edpicamente las tres capas<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/es\/microsoft-llm-routing-architecture-aks\/#Why_Azure_Kubernetes_Service_as_the_platform\" >\u00bfPor qu\u00e9 Azure Kubernetes Service como plataforma?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/es\/microsoft-llm-routing-architecture-aks\/#The_economics_routing_as_the_new_cost-control_layer\" >La dimensi\u00f3n econ\u00f3mica: el enrutamiento como nueva capa de control de costos<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/es\/microsoft-llm-routing-architecture-aks\/#What_it_means_for_teams_building_AI_agents\" >Qu\u00e9 implica esto para los equipos que desarrollan agentes de IA<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/es\/microsoft-llm-routing-architecture-aks\/#Frequently_asked_questions\" >Preguntas frecuentes<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/es\/microsoft-llm-routing-architecture-aks\/#The_bottom_line\" >En resumen<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_InfoQ_reports_about_Microsofts_three-layer_routing_design\"><\/span>Qu\u00e9 informa InfoQ sobre el dise\u00f1o de enrutamiento de tres capas de Microsoft<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>InfoQ, una publicaci\u00f3n centrada en la arquitectura de software a nivel profesional, ha cubierto lo que describe como una arquitectura de enrutamiento de LLM de tres capas de Microsoft para agentes de IA en AKS. El enfoque es notable en s\u00ed mismo: no se trata del lanzamiento de un producto dirigido al consumidor, sino de un relato orientado a la ingenier\u00eda sobre c\u00f3mo se puede enrutar el tr\u00e1fico de agentes entre modelos de lenguaje grande sobre infraestructura gestionada de Kubernetes. M\u00e1s all\u00e1 del titular, el material disponible no enumera el contenido de cada capa, no nombra modelos espec\u00edficos implicados ni cita cifras de rendimiento; por tanto, cualquier afirmaci\u00f3n detallada sobre los componentes internos debe tratarse con cautela hasta examinar el art\u00edculo completo. Lo que s\u00ed puede afirmarse con certeza es que Microsoft presenta el enrutamiento \u2014la l\u00f3gica que se sit\u00faa entre un agente y un grupo de modelos\u2014 como un sistema estructurado y escalonado en s\u00ed mismo, y que AKS es la plataforma elegida para describirlo. Para los equipos de infraestructura, esa combinaci\u00f3n de enrutamiento y Kubernetes constituye precisamente la historia.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Why_LLM_routing_has_become_critical_for_AI_agents\"><\/span>Por qu\u00e9 el enrutamiento de LLM se ha vuelto cr\u00edtico para los agentes de IA<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Para comprender por qu\u00e9 esto es relevante, basta considerar c\u00f3mo los agentes consumen realmente los modelos. Una \u00fanica solicitud de un usuario a un agente rara vez da lugar a una sola llamada al modelo. El agente puede planificar, descomponer la tarea, seleccionar herramientas, redactar, verificar, resumir y reintentar \u2014cada paso genera su propia solicitud de inferencia. Algunos de esos pasos requieren genuinamente un modelo de vanguardia; muchos otros no. Enviar todas las llamadas al modelo m\u00e1s grande y costoso infla innecesariamente los gastos y la latencia sin mejorar la calidad, mientras que enviar todo al modelo m\u00e1s peque\u00f1o degrada los resultados en los pasos complejos.<\/p>\n<p>El enrutamiento de LLM es la disciplina que consiste en asignar cada llamada al modelo m\u00e1s econ\u00f3mico que sea adecuado para la tarea. Bien implementado, puede reducir sustancialmente los gastos manteniendo constante la calidad, ya que la distribuci\u00f3n de dificultad entre las sub-tareas de un agente est\u00e1 fuertemente sesgada hacia los extremos sencillos. A medida que crece el n\u00famero de modelos viables \u2014un panorama que puedes explorar en nuestra <a href=\"https:\/\/convly.ai\/es\/models\/\">Base de datos de modelos de IA<\/a> \u2014, la decisi\u00f3n de enrutamiento se vuelve simult\u00e1neamente m\u00e1s valiosa y m\u00e1s dif\u00edcil de tomar manualmente. Precisamente ese vac\u00edo es el que pretende llenar una arquitectura formal de enrutamiento.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Inside_a_layered_routing_stack_what_three_layers_typically_mean\"><\/span>Dentro de una pila de enrutamiento escalonada: qu\u00e9 significan t\u00edpicamente las tres capas<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El titular de InfoQ no especifica qu\u00e9 contiene cada una de las tres capas del enrutamiento de Microsoft, por lo que lo siguiente corresponde al contexto general de la industria, no a hechos reportados. En la pr\u00e1ctica, los dise\u00f1os de enrutamiento escalonado tienden a separar tres preocupaciones distintas. La primera es una capa de puerta de enlace o pol\u00edtica: autenticaci\u00f3n, cuotas, aislamiento por inquilino, filtrado de seguridad y observabilidad \u2014las salvaguardias que toda solicitud atraviesa independientemente de su destino. La segunda es la capa de toma de decisiones: l\u00f3gica que clasifica una solicitud entrante seg\u00fan su dificultad, dominio o sensibilidad a la latencia, y selecciona en consecuencia un modelo, una implementaci\u00f3n o una regi\u00f3n, a veces empleando un modelo clasificador peque\u00f1o para tomar la decisi\u00f3n. La tercera es la capa de servicio o backend: los propios grupos de puntos finales de modelos, con equilibrio de carga, conmutaci\u00f3n por error y comprobaci\u00f3n de estado entre ellos.<\/p>\n<p>Separar estas preocupaciones es fundamental porque evolucionan a distintas velocidades. Las pol\u00edticas son estables; las heur\u00edsticas de enrutamiento evolucionan semanalmente conforme cambian los modelos y sus precios; los grupos de backend cambian cada vez que se lanza una nueva versi\u00f3n de un modelo. Una arquitectura escalonada permite actualizar una capa sin desestabilizar las dem\u00e1s \u2014el mismo razonamiento que llev\u00f3 a la infraestructura web a dividirse hace una generaci\u00f3n en capas perimetral, de aplicaci\u00f3n y de datos. Si el dise\u00f1o de Microsoft sigue este patr\u00f3n general, aplicar\u00eda una disciplina operativa familiar a una parte de la pila de IA que muchos equipos a\u00fan manejan mediante sentencias condicionales ad hoc.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Why_Azure_Kubernetes_Service_as_the_platform\"><\/span>\u00bfPor qu\u00e9 Azure Kubernetes Service como plataforma?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Colocar el enrutador sobre AKS, tal como indica el informe de InfoQ, es una elecci\u00f3n significativa. Kubernetes otorga a la infraestructura de enrutamiento propiedades que carece la l\u00f3gica integrada en la aplicaci\u00f3n: escalado autom\u00e1tico horizontal ante tr\u00e1fico de agentes vol\u00e1til, aislamiento a nivel de red entre inquilinos, despliegue declarativo de nuevas reglas de enrutamiento y capacidad para ejecutar servidores de modelos acelerados por GPU dentro del mismo cl\u00faster que el propio enrutador. Adem\u00e1s, hace que la arquitectura sea, en principio, portable, ya que los primitivos de Kubernetes se trasladan entre entornos.<\/p>\n<p>Tambi\u00e9n existe una dimensi\u00f3n estrat\u00e9gica. Un enrutador nativo de Kubernetes puede colocarse delante de una infraestructura mixta: modelos alojados mediante API de un lado y modelos de c\u00f3digo abierto autoalojados que se ejecutan dentro del cl\u00faster del otro, dejando que la capa de enrutamiento arbitre entre ambos en cada solicitud. Para las organizaciones que eval\u00faan ese compromiso, nuestra <a href=\"https:\/\/convly.ai\/es\/self-hosting-vs-api-calculator\/\">calculadora de autohospedaje frente a API<\/a> cuantifica d\u00f3nde se sit\u00faa el punto de equilibrio para una carga de trabajo determinada. Tratar el enrutamiento como infraestructura del cl\u00faster, y no como c\u00f3digo de aplicaci\u00f3n, es precisamente lo que hace manejable dicha infraestructura h\u00edbrida.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_economics_routing_as_the_new_cost-control_layer\"><\/span>La dimensi\u00f3n econ\u00f3mica: el enrutamiento como nueva capa de control de costos<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La l\u00f3gica comercial detr\u00e1s del enrutamiento es sencilla. Las cargas de trabajo basadas en agentes consumen muchos tokens, y los precios por token var\u00edan enormemente entre las distintas categor\u00edas de modelos. Un enrutador que env\u00ede incluso la mitad de las llamadas de un agente a un modelo diez veces m\u00e1s econ\u00f3mico \u2014sin p\u00e9rdida perceptible de calidad en esas llamadas\u2014 transforma radicalmente la econom\u00eda unitaria del producto construido sobre \u00e9l. Por eso el enrutamiento ha pasado de ser una curiosidad investigadora a una necesidad operativa, y por qu\u00e9 resulta significativo que los proveedores en la nube describan arquitecturas de referencia para ello, pues afecta a todos los equipos que ejecutan agentes a escala. Puedes modelar el efecto de redistribuir el tr\u00e1fico entre categor\u00edas de modelos con nuestra <a href=\"https:\/\/convly.ai\/es\/ai-api-cost-calculator\/\">Calculadora de costos de API de IA<\/a>, y comparar el valor entre modelos en nuestra <a href=\"https:\/\/convly.ai\/es\/ai-price-performance-index-2026\/\">\u00cdndice de relaci\u00f3n precio-rendimiento de IA<\/a>.<\/p>\n<p>Como contexto general, los principales enfoques de enrutamiento se comparan as\u00ed:<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Enfoque<\/th>\n<th>C\u00f3mo funciona<\/th>\n<th>Fortalezas<\/th>\n<th>Compromisos<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Un solo modelo para todas las llamadas<\/td>\n<td>Cada solicitud va a un \u00fanico modelo seleccionado<\/td>\n<td>Sencillo; comportamiento predecible<\/td>\n<td>Sobrepaga en llamadas sencillas o rinde deficientemente en las dif\u00edciles<\/td>\n<\/tr>\n<tr>\n<td>Enrutamiento est\u00e1tico basado en reglas<\/td>\n<td>Reglas escritas manualmente asignan tipos de solicitud a modelos<\/td>\n<td>Transparente; f\u00e1cil de auditar<\/td>\n<td>Fr\u00e1gil; requiere actualizaciones manuales constantes conforme evolucionan los modelos<\/td>\n<\/tr>\n<tr>\n<td>Enrutamiento din\u00e1mico escalonado<\/td>\n<td>Capas especializadas gestionan pol\u00edticas, selecci\u00f3n de modelos y servicio<\/td>\n<td>Adaptable por solicitud; escalable operativamente; soporta infraestructuras h\u00edbridas<\/td>\n<td>Requiere m\u00e1s infraestructura para construir, supervisar y ajustar<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2><span class=\"ez-toc-section\" id=\"What_it_means_for_teams_building_AI_agents\"><\/span>Qu\u00e9 implica esto para los equipos que desarrollan agentes de IA<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Para los desarrolladores, la conclusi\u00f3n pr\u00e1ctica es que el enrutamiento merece la misma atenci\u00f3n arquitect\u00f3nica que la propia l\u00f3gica del agente. Los equipos que lanzan agentes \u2014desde chatbots de soporte al cliente hasta los sistemas orientados a desarrolladores descritos en nuestra gu\u00eda sobre <a href=\"https:\/\/convly.ai\/es\/best-ai-coding-agents-2026\/\">agentes de programaci\u00f3n con IA<\/a> \u2014 increasingly find that model selection per call, not prompt engineering, is the biggest remaining lever on cost and latency. A vendor-published reference architecture, even one whose details are still emerging, gives platform teams something concrete to benchmark their own designs against.<\/p>\n<p>Tambi\u00e9n sugiere hacia d\u00f3nde se dirige el ecosistema: el enrutamiento como una capacidad gestionada por la plataforma en la nube, en lugar de algo que cada equipo debe volver a implementar. Si la l\u00f3gica de enrutamiento se traslada a la infraestructura a nivel de cl\u00faster en servicios como AKS, la diferenciaci\u00f3n entre productos de agentes se desplaza a\u00fan m\u00e1s hacia la capa superior \u2014hacia el dise\u00f1o de tareas, la integraci\u00f3n de herramientas y la evaluaci\u00f3n\u2014 mientras que la infraestructura subyacente se estandariza.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>\u00bfQu\u00e9 ha publicado exactamente Microsoft?<\/strong> Seg\u00fan InfoQ, Microsoft ha detallado una arquitectura de enrutamiento de LLM en tres capas para agentes de IA que se ejecutan en Azure Kubernetes Service (AKS). Los contenidos espec\u00edficos de cada capa y cualquier dato de rendimiento no se especificaron en el material disponible al momento de redactar este art\u00edculo.<\/p>\n<p><strong>\u00bfQu\u00e9 es el enrutamiento de LLM?<\/strong> Es la pr\u00e1ctica de dirigir cada solicitud de inferencia al modelo m\u00e1s adecuado dentro de un grupo de opciones, equilibrando costos, latencia y calidad esperada, en lugar de enviar todo el tr\u00e1fico a un \u00fanico modelo.<\/p>\n<p><strong>\u00bfPor qu\u00e9 ejecutar un enrutador de LLM en Kubernetes?<\/strong> Kubernetes ofrece escalado autom\u00e1tico, aislamiento, configuraci\u00f3n declarativa y soporte para cargas de trabajo GPU, lo que permite que el enrutamiento funcione como una infraestructura compartida a nivel de plataforma que sirve a m\u00faltiples agentes y equipos, en lugar de una l\u00f3gica duplicada dentro de cada aplicaci\u00f3n.<\/p>\n<p><strong>\u00bfReduce realmente el enrutamiento los costos de IA?<\/strong> En general, s\u00ed: como la mayor\u00eda de las subtareas de los agentes son sencillas, redirigirlas a modelos m\u00e1s econ\u00f3micos puede reducir sustancialmente los gastos, reservando los modelos premium \u00fanicamente para aquellas solicitudes que realmente los requieren. El ahorro exacto depende completamente de la mezcla de cargas de trabajo.<\/p>\n<p><strong>\u00bfQu\u00e9 sigue sin conocerse sobre el dise\u00f1o de Microsoft?<\/strong> Los modelos involucrados, la l\u00f3gica de decisi\u00f3n en la capa de enrutamiento, los resultados de las pruebas de referencia y los detalles sobre su disponibilidad general no han sido confirmados en la cobertura principal, y deben verificarse consultando el informe completo de InfoQ y la documentaci\u00f3n oficial de Microsoft.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_bottom_line\"><\/span>En resumen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La arquitectura de enrutamiento de LLM en tres capas de Microsoft, reportada por InfoQ, es una divulgaci\u00f3n t\u00e9cnica espec\u00edfica con implicaciones amplias. Confirma que el enrutamiento de modelos \u2014la decisi\u00f3n, solicitud por solicitud, de qu\u00e9 LLM realizar\u00e1 la tarea\u2014 ha evolucionado desde una optimizaci\u00f3n interna hasta un patr\u00f3n arquitect\u00f3nico nombrado y estructurado en capas, que un importante proveedor de servicios en la nube est\u00e1 dispuesto a documentar para su servicio gestionado de Kubernetes. Para quienes ejecutan agentes de IA en producci\u00f3n, el mensaje es claro: el enrutador se est\u00e1 convirtiendo en el n\u00facleo econ\u00f3mico y operativo de la pila de agentes, y merece ser dise\u00f1ado deliberadamente, no heredado accidentalmente. Los detalles espec\u00edficos de la implementaci\u00f3n de Microsoft merecen un an\u00e1lisis cuidadoso a medida que vayan apareciendo mayores precisiones.<\/p>\n<p><em>Fuentes: news.google.com. Informado el 29 de julio de 2026.<\/em><\/p>","protected":false},"excerpt":{"rendered":"<p>InfoQ reports that Microsoft has detailed a three-layer LLM routing architecture for AI agents on Azure Kubernetes Service, underlining routing&#8217;s growing role in controlling agent costs, latency and output quality.<\/p>","protected":false},"author":1,"featured_media":1794,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[7],"tags":[725,925,1031,1030,1032,1029,866],"class_list":["post-1718","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news","tag-ai-agents","tag-ai-infrastructure","tag-aks","tag-azure-kubernetes-service","tag-infoq","tag-llm-routing","tag-microsoft"],"_links":{"self":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/1718","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/comments?post=1718"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/1718\/revisions"}],"predecessor-version":[{"id":1720,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/1718\/revisions\/1720"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media\/1794"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media?parent=1718"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/categories?post=1718"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/tags?post=1718"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}