> ## Documentation Index
> Fetch the complete documentation index at: https://docs.dgrid.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Dori Find Models

> Dori es el asistente en lenguaje natural de DGrid para descubrir, comparar y evaluar grandes modelos de lenguaje según proveedor, precio y benchmarks.

**Dori Find Models** es el asistente impulsado por lenguaje natural de DGrid para descubrir y evaluar modelos de lenguaje de gran tamaño (LLM). Con Dori, usted expresa sus requisitos en lenguaje sencillo, prueba los modelos preseleccionados con sus propias cargas de trabajo y recibe informes estructurados que respaldan decisiones de selección de modelos confiables y basadas en datos.

## Rol dentro de la plataforma DGrid

Dori es una de las dos capacidades estrechamente integradas en el ecosistema DGrid:

* **Dori Find Models**: lo ayuda a:
  * Traducir los requisitos de negocio o de producto en candidatos concretos de modelos
  * Descubrir, probar y comparar modelos en un flujo guiado y conversacional
* **AI Gateway**: proporciona:
  * Una única capa de abstracción y API sobre más de 200 LLM listos para producción
  * Selección y cambio de modelos basados en configuración, sin cambios de código

Juntos, permiten un flujo de trabajo de LLM de extremo a extremo:

<Tip>
  **Enfoque tradicional:** buscar proveedores → crear múltiples cuentas → probar manualmente → integrar por proveedor

  **Con DGrid (Dori + AI Gateway con el Model Marketplace):** describir las necesidades → descubrir y probar en un solo lugar → integrar una vez → intercambiar modelos mediante configuración
</Tip>

## Capacidades clave

### 1. Recepción de requisitos en lenguaje natural

Dori parte de sus necesidades reales, capturadas en texto libre. Por ejemplo:

* "Necesitamos un modelo de baja latencia y rentable para soporte al cliente multilingüe (inglés, español, portugués), integrado en nuestro chatbot existente."
* "Estamos construyendo un asistente de código centrado en Python y TypeScript; un razonamiento sólido y la comprensión de contextos amplios son importantes."
* "Queremos un modelo optimizado para RAG de documentos extensos, con un rendimiento estable en contextos de más de 10.000 tokens."

**No** necesita conocer los nombres exactos de los modelos, los proveedores ni los acrónimos de los benchmarks. Dori interpreta su descripción y la traduce en criterios técnicos de selección.

### 2. Búsqueda inteligente en el Model Marketplace

Una vez capturados sus requisitos, Dori realiza búsquedas en el **Model Marketplace de DGrid**, que agrupa más de 200 LLM detrás de una sola interfaz.

Dori:

* Filtra los modelos candidatos según:
  * **Adecuación a la tarea** (por ejemplo, chat, código, RAG, soporte multilingüe)
  * **Ventana de contexto** (contexto corto frente a largo, por ejemplo, más de 10.000 tokens)
  * **Perfiles de latencia y costo**
  * Otras características operativas relevantes
* Clasifica los modelos según sus prioridades:
  * Sensibilidad al rendimiento y a la latencia
  * Concesiones entre calidad y costo
  * Necesidades de capacidades específicas (por ejemplo, programación, razonamiento, multilingüismo)
* Devuelve una **lista breve y relevante de modelos recomendados**, para que evite revisar manualmente decenas de páginas de proveedores y tablas de benchmarks.

### 3. Pruebas unificadas con cargas de trabajo reales

Después de que Dori propone una lista preseleccionada, le ayuda a probar esos modelos en un **entorno único**, dentro de DGrid:

* Ejecute **pruebas** sobre los modelos candidatos directamente en la plataforma
* Use **sus propios prompts, documentos y escenarios** en lugar de ejemplos genéricos
* Evalúe los modelos bajo una **configuración compartida y consistente**, lo que hace que las comparaciones sean significativas

Esto elimina el patrón común de:

* Playgrounds separados por proveedor
* Scripts ad hoc para cada API
* Capturas de pantalla, notas y hojas de cálculo dispersas en varias herramientas

### 4. Evaluación estructurada y compartible

Dori produce resultados claros y estructurados que puede compartir y discutir con su equipo, como:

* **Ejemplos de salidas** de cada modelo candidato
* **Notas cualitativas** sobre el comportamiento y la idoneidad
* **Métricas de latencia y rendimiento** observadas durante las pruebas
* **Estimaciones de costo** alineadas con sus patrones de tráfico y carga esperados

En lugar de basarse en "intuición" e información parcial, los equipos pueden contar con un registro de evaluación trazable al elegir "el mejor modelo para nuestro caso de uso".

### 5. Integración estrecha con AI Gateway

Dori está directamente acoplado con AI Gateway, de modo que todo lo que descubra y pruebe está disponible de inmediato para integrarse en producción mediante:

* **Una sola clave de API**
* **Un único endpoint unificado**
* **Una interfaz de API única y coherente**

Consecuencias clave:

* No necesita autenticación, SDK ni endpoints separados por proveedor
* Un modelo que valide con Dori está listo para usarse **sin agregar una nueva integración de proveedor**
* Cambiar de modelo más adelante se convierte en un **cambio de configuración**, no en un proyecto de redesarrollo

## Casos de uso típicos

### Soporte al cliente multilingüe

* Necesidad: un LLM de baja latencia y rentable para un chatbot multilingüe (por ejemplo, inglés, español, portugués)
* Cómo ayuda Dori:
  * Interpreta los requisitos de multilingüismo y latencia
  * Identifica modelos adecuados para soporte conversacional en esos idiomas
  * Le permite probar con consultas y flujos de conversación reales de los clientes

### Asistentes de código y herramientas para desarrolladores

* Necesidad: un modelo para generación, explicación y refactorización de código en lenguajes como Python y TypeScript
* Cómo ayuda Dori:
  * Destaca modelos con sólidas capacidades de razonamiento y programación
  * Enfatiza el soporte de contexto extenso para bases de código grandes
  * Facilita las pruebas usando repositorios reales, fragmentos de código o tareas

### RAG de contexto extenso y aplicaciones de documentos

* Necesidad: rendimiento estable para generación aumentada por recuperación (RAG) de documentos extensos con contextos de más de 10.000 tokens
* Cómo ayuda Dori:
  * Filtra los modelos por longitud de contexto e idoneidad para RAG
  * Permite la evaluación con sus documentos reales y su configuración de recuperación
  * Produce informes que capturan tanto la calidad como el rendimiento en contextos extensos

## Beneficios según el tipo de usuario

### Desarrolladores individuales y equipos de startups

* Concéntrese en el producto y la experiencia de usuario en lugar de:
  * Perseguir la documentación de los proveedores
  * Conectar múltiples API y SDK
* Itere rápidamente:
  * Pruebe varios modelos a través de Dori
  * Elija uno (o más) a través del Marketplace
  * Cámbielos más adelante cuando lleguen modelos nuevos y mejores

### Empresas y grandes plataformas

* Estandarice el acceso a LLM en todas las unidades de negocio mediante:
  * Una sola integración con el Model Marketplace
  * Flujos de evaluación compartidos a través de Dori
* Reduzca el mantenimiento a largo plazo:
  * Evite integraciones a medida por proveedor
  * Mantenga la flexibilidad para adoptar nuevos modelos a medida que el ecosistema evoluciona

### Proyectos Web3 y en cadena

* Construya agentes, dApps y protocolos impulsados por IA cuyo núcleo de modelos pueda:
  * Actualizarse con el tiempo
  * Diversificarse entre proveedores
* Preserve la lógica de integración en cadena y fuera de cadena mientras:
  * Cambia o amplía los LLM subyacentes mediante configuración
  * Evita cambios disruptivos cada vez que adopta un nuevo modelo