Las técnicas de adaptación de mallas pueden tener un impacto significativo en la Dinámica de Fluidos Computacional al mejorar la precisión de las soluciones y reducir los costos computacionales. En esta revisión, comenzamos definiendo el concepto de adaptación de mallas, sus componentes principales y la terminología comúnmente utilizada en la comunidad. Luego, categorizamos y evaluamos las principales estrategias de adaptación, centrándonos tanto en la estimación de errores como en las técnicas de modificación de mallas. En particular, analizamos las dos familias más prominentes de estimación de errores: técnicas basadas en características, que se dirigen a regiones de altos gradientes físicos, y métodos adjuntos orientados a objetivos, que buscan reducir el error en una cantidad integral específica de interés. Los métodos basados en características son ventajosos debido a su menor costo computacional: no requieren solucionadores adjuntos y tienen una capacidad natural para introducir anisotropía. Una parte sustancial de la literatura se basa en derivadas de segundo orden de cantidades de flujo escalares para construir sensores que pueden ser equidistribuidos para minimizar el error de discretización. Sin embargo, cuando se utilizan de manera descuidada, estos métodos pueden llevar a una sobre-refinación, y generalmente son superados por técnicas basadas en adjuntos al mejorar cantidades objetivo específicas. Los métodos orientados a objetivos suelen lograr una mayor precisión en menos pasos de adaptación con mallas más gruesas. Se verá que se han desarrollado varios enfoques para incorporar anisotropía en la adaptación basada en adjuntos, incluidos sensores de error híbridos que combinan indicadores basados en características y orientados a objetivos, estrategias secuenciales y ponderación adjunta de flujos. Después de años de progreso limitado, trabajos recientes han demostrado resultados prometedores, incluidas soluciones certificables y aplicaciones a casos cada vez más complejos, como palas de compresores transónicos y turbinas refrigeradas por película. A pesar de estos avances, siguen existiendo varios desafíos críticos: paralelización eficiente, integración robusta de geometría, aplicación a flujos no estacionarios y despliegue en marcos de discretización de alto orden. Finalmente, también se discuten ejemplos del papel potencial de la inteligencia artificial en la guía o aceleración de la adaptación de mallas.