Guía firmada por **Michael Segner**, publicada el **20 de agosto de 2026** en el blog claude.com, categoría *Claude Code*: una lectura de **5 minutos** anunciada para aproximadamente **31.500 caracteres** de cuerpo del texto, ofrecida también en PDF. Material declarado: entrevistas con **más de una docena** de startups, quince nombradas — **Artemis Security**, **Cainex**, **Clay**, **ClickHouse**, **Cognition**, **Commure**, **Crosby**, **Emergent**, **Harvey**, **Heidi**, **Higgsfield**, **Omni**, **Parahelp**, **Translucent**, **Zingage**. (A) Cinco reglas operativas: *everyone ships*, *automate the tedium*, *trust, but verify*, *build for rebuilding*, *prototype, dogfood, productionize*, cada una cerrada con consejos de producto y reunidas en una checklist final. (B) Un cuerpo compuesto de citas atribuidas, cada regla ilustrada por directivos nombrados en lugar de una métrica agregada. Las cuatro cifras destacadas son las de las empresas entrevistadas: **+30%** más funcionalidades entregadas (ClickHouse), **de 2 a 3×** productividad de ingeniería (Omni), **100%** del triaje de bugs automatizado (Clay), **más de 6.000 PR por semana** (Artemis Security). Dos pasajes se apartan del registro testimonial: el bucle de autocorrección de **Cainex** sobre la codificación médica, descrito paso a paso, y el uso interno de **Claude Tag** en **Anthropic** como primer respondiente para las guardias de CI/CD. La pregunta planteada al inicio — *"what would it look like if an organization built their product development lifecycle with Claude Code from the ground up?"* — conecta con [[claxton-anthropic-ai-native-sdlc-playbook-2026-08-21]], publicado al día siguiente por el mismo editor, y prolonga [[cherny-wu-reflecting-year-claude-code-2026-07-17]].
#Claude Code#startups#everyone ships
Michael Segner · auteur du guide sur le blog claude.com (fonction non affichée par la page) ; entretiens avec les dirigeants de quinze entreprises nommées.
Página de producto oficial de **DeepSeek**, publicada el **13 de agosto de 2026**, **sin firma**, ~450 palabras, que anuncia el lanzamiento en *developer preview* de **DeepSeek Harness** (`dsh`) — un harness de agente de codificación **de código abierto bajo licencia MIT**, cuyo repositorio se abrió el mismo día. Una tesis de tres palabras, repetida en el título y en la descripción del repositorio: *« Everything is a plugin »*, junto a una segunda promesa, *« Every run is traceable »*. La página enuncia la ecuación *« AGENT = MODEL + HARNESS »* y enumera las capacidades intercambiables — *« models, tools, skills, sessions, sandboxes, storage, loops, scheduling, and the UI »*. Se lanzan cuatro modos: **Standard** (agente de codificación completo), **Code** (herramientas expuestas mediante el *Code Mode SDK*, que permite al modelo componer operaciones de varios pasos dentro de un programa TypeScript), **Minimal** (*« two-tool coding agent with persistent bash and str_replace_editor »*, explícitamente *« for benchmarking models in a minimal environment »*), y **Creator** (inspección en tiempo de ejecución, pruebas de plugins en memoria). La sustancia técnica reside en el repositorio, no en la página: `docs/architecture.md` enuncia un invariante de registro — *« Model-visible means logged. Anything that reaches a model request must be reconstructable from the log, and a runtime invariant asserts it »* — y declara que *« there is no privileged core to patch »*. El núcleo técnico no pertenece a DeepSeek: DSH está construido sobre **Cordis** (el proyecto `cordiverse`, un tercero), **vendorizado** en `vendor/` con un manifiesto y un procedimiento de sincronización, y la página sitúa el *« Cordis paper »* al mismo nivel de navegación que "GitHub" y "Developer docs". Se lanzan dos adaptadores LLM — `dsh-llm-deepseek` y `dsh-llm-pi-ai`, un adaptador multiproveedor genérico. El repositorio advierte en mayúsculas: *« THERE WILL BE COMPATIBILITY-BREAKING CHANGES »*, y `CLAUDE.md` especifica que `SESSION_FORMAT_VERSION` permanece en `0` *« with no compatibility promise »*, con backends que rechazan los formatos antiguos en disco. Cronología: DSH se lanza el mismo día en que **DeepSeek-V4-Pro alcanza la GA**, tres días antes de que entre en vigor un nuevo calendario de precios de la API el **16 de agosto de 2026 a las 16:00 UTC**, con tarifas de hora punta/valle y un descuento de hora valle del **−50 %**.
#DeepSeek Harness#dsh#harness de agente
**DeepSeek** (DeepSeek AI, laboratoire chinois) · en tant qu'institution. Page produit **non signée** : aucun auteur · aucun ingénieur mis en avant · aucun billet de blog ni papier technique associé. Le « nous » n'apparaît qu'une fois · en dernière phrase — *« We look forward to exploring the limits of intelligence with developers worldwide »*. Publiée le **13 août 2026**. La page est rendue en JavaScript : `curl` sur l'URL renvoie **HTTP 202 avec un corps vide** · le texte n'existant qu'après exécution du bundle. Deux documents de politique sont liés en pied de page — *Safe Use Policy* et *Data Processing Statement*.
Informe de investigación interno fechado el **12 de agosto de 2026** que consolida, con fines de presentación, todo lo documentado públicamente sobre **Buzz** — el espacio de trabajo de humanos + agentes de **Block**, lanzado el **21 de julio de 2026** bajo la licencia **Apache 2.0**. Reúne las dos publicaciones técnicas ya presentadas junto al anuncio corporativo, el repositorio de GitHub, la cobertura de prensa, X, y **tres experiencias prácticas independientes** que constituyen los únicos datos del dosier que no son autodeclarados. **(A) Una brecha de vocabulario documentada mediante cita**: el tuit de lanzamiento de **Jack Dorsey** anuncia *"agnóstico de modelo, descentralizado, autosoberano y de código abierto"*; el `ARCHITECTURE.md` de Block afirma *"El relay es la única fuente de verdad. Todas las lecturas y escrituras pasan por él. No hay intercambio de eventos entre pares, ni gossip, ni replicación."* El relay es, por tanto, único y autoritativo por comunidad: la "descentralización" de Buzz es una **soberanía organizativa** —autoalojamiento e identidad portátil— y no redundancia de red. La formulación de **TFTC**: *"Dos de esos tres se sostienen sin problema. El tercero necesita un matiz."* **(B) Una asimetría entre el rigor demostrado y el riesgo de explotación.** Por un lado, un grado de formalismo poco frecuente para una v0.4.x/0.5.x: especificación de aislamiento multiinquilino **mecanizada en TLA+**, propiedades de autorización verificadas en **Tamarin**, un protocolo de almacenamiento Git verificado por model checking, un registro de auditoría append-only encadenado por hash, 127 *tipos de evento*, NIP-01/42/98/34. Por otro, la pertenencia a un canal es la unidad de permiso —*"la pertenencia a un canal no es una autorización de herramientas de grano fino"* (João Queirós)—, los agentes se ejecutan con `--dangerously-skip-permissions` fuera de cualquier sandbox en la máquina de un humano, y la observabilidad es deficiente: *"Buzz me dice que un agente recibió un mensaje. No me dice qué pasa después"* (DevTools Daily, que reporta cierres silenciosos por OOM). Block lo reconoce: *"el agente puede hacer cualquier cosa, y la seguridad descansa por completo en restringir quién puede decirle qué hacer"*. **(C) La pila técnica**, ausente de las publicaciones presentadas: relay en **Rust** (Axum WS + REST), **Postgres**, **Redis**, **S3/MinIO** vía Blossom, cliente de escritorio **Tauri + React**. La integración de agentes pasa por **`buzz-acp`**, un harness **ACP** que conecta goose, Codex y Claude Code y traduce **ACP ↔ MCP**, además de **`buzz-agent`**, un agente propio. El informe se corrige a sí mismo en un punto: el *"+33% más de trabajo"* del TL;DR de Block es la **proporción de tareas completadas (20 frente a 15 de 44)**, no una ganancia de puntuación — la puntuación en sí sube de 59,1% a 71,5%, es decir **+12,4 puntos**.
#Buzz#buzz.xyz#Block
**Deep Research Veille Interne** — rapport non signé · produit le **12 août 2026** en préparation d'une présentation. Aucune URL publique ; source archivée dans `raw-data/`.
Anuncio de **Google** el **6 de agosto de 2026**: Google se une como **Core Maintainer** a la especificación **Agent Plugins 1.0.0**, un formato de empaquetado abierto y *vendor-neutral* para distribuir juntos **Agent Skills** y **servidores MCP**. La especificación fue publicada por un **TSC** cuyos Core Maintainers provienen de **Amazon, Cursor, Microsoft, OpenAI y Vercel**; Google se suma a ellos, representado por **Kevin Hou** (Senior Staff Engineer, Google DeepMind). Los dos bloques empaquetados —Agent Skills y MCP— provienen de **Anthropic**, que no figura en esta lista de mantenedores. **El diagnóstico** cabe en una frase: *"The core problem isn't the components. It's the manifest."* Una skill es portable, un servidor MCP es portable; la caja en la que van no lo es, y cada cliente tuvo que inventarla por su cuenta —de ahí los forks, las copias de componentes idénticos y su divergencia. **El formato** cabe en una restricción: *"A plugin is a directory. That's the whole idea, and the restraint is the point."* Un `plugin.json` con dos líneas útiles (`$schema` y `name`), skills en `skills/` en el formato Agent Skills, servidores declarados en `mcp.json` con un **`type` explícito en cada entrada** (stdio, Streamable HTTP, o el HTTP+SSE heredado) —ya no se infiere el transporte a partir de la forma del objeto de configuración. La fuerza del diseño reside en lo que el manifiesto **no puede** hacer: ni reubicar componentes ni declararlos en línea, de modo que no hay ninguna ruta de descubrimiento que configurar ni ningún orden de precedencia que aprender. Corolario operativo: los componentes **fallan de forma independiente** —un servidor de `mcp.json` que no arranca no derriba las skills del plugin, el cliente salta esa entrada, continúa y reporta el fallo. La vía de escape aceptada es el directorio de **dominio inverso** (`com.example.client/`), un espacio de extensión propiedad exclusiva de un cliente (hooks, agents, commands) que otros clientes ignoran: *"the portable core stays small because the non-portable parts have somewhere legitimate to go."* Una sección se dedica a los casos en que el formato no está justificado —*"Not every skill should be a Plugin"*: un único servidor MCP para un único cliente, basta con `mcp.json`; una única skill no necesita ningún plugin. Lo que la v1 excluye explícitamente, bajo *future considerations*: **sin mecanismo de instalación, sin protocolo de distribución, sin modelo de permisos, sin requisito de sandboxing, sin verificación de confianza o procedencia, sin UX**. Todo esto encaja en una pila de cuatro capas adoptables de forma independiente —**find** (Agentic Resource Discovery), **describe** (AI Catalog, que registraría el tipo `application/agent-plugins+json`), **package** (Agent Plugins), **run** (MCP + Agent Skills). Dos productos de Google ya se distribuyen así: **Agents CLI** y **Data Agent Kit** (BigQuery, Spanner, Cloud SQL).
Anuncio de **Meta AI Research** publicado el **5 de agosto de 2026** (tiempo de lectura indicado: 4 minutos, sin firma individual): **Muse Code** en beta, *« un agente de codificación de terminal »*, y el modelo que lo impulsa, **Muse Spark 1.2**. La propia Meta enmarca el lanzamiento: *« Esto marca nuestro siguiente paso hacia la frontera, con modelos más grandes y mucho más capaces por venir. »* **Tres elementos arquitectónicos del lado del harness.** **Agentes asíncronos en segundo plano** que *« permanecen activos durante toda la sesión, en lugar de generarse para tareas individuales »*, evitando la recopilación redundante de información y reduciendo la necesidad de dirección. Un **registro de eventos local** donde *« se añade cada llamada al modelo, ejecución de herramienta, aprobación y edición »*, lo que convierte el runtime en un sistema que es *« exacto en la reproducción (replay-exact) y seguro ante reinicios (restart-safe) »*, capaz de reanudar exactamente donde se quedó tras un fallo. Y **tres skills incluidas de fábrica**: `/plan` (convierte una tarea en un plan sometido a aprobación), **`/grill`** (somete el plan a prueba de estrés *« hasta que se sostenga »*), y `/goal`. **Del lado del modelo**, Meta reivindica **co-entrenamiento modelo-harness** (*« para maximizar la compatibilidad con el harness »*, con trayectorias de harness muestreadas mediante rejection sampling y optimizaciones de receta para objetivos, compactación y sub-agentes), entrenamiento de **largo horizonte** (generación de repositorios completos, proyectos de principio a fin, autoinvestigación, con planificación, condicionamiento por objetivo y compactación de contexto), y un **bucle de auto-mejora** en el que Muse Spark 1.1 genera los entornos y las plantillas de instrucciones y luego califica las soluciones candidatas, produciendo un conjunto de entrenamiento para la 1.2. **Lo que muestran los gráficos publicados**, sin que el texto lo comente: las cuatro comparaciones —Terminal-Bench 2.1, DeepSWE 1.1, un benchmark interno de Meta y el estudio de caso de optimización de kernels GPU— sitúan a **Muse Spark 1.2 por detrás de Opus 5 en los cuatro casos**, incluido en el propio benchmark propietario de Meta (70,6 % frente a 79,4 %) y en el estudio de caso, donde el modelo termina cuarto de seis (+68,7 % frente a +74,0 %). **Una advertencia de lectura sobre la ganancia entre versiones**: en los dos benchmarks públicos, la 1.1 se mide con `mini-swe-agent` y la 1.2 con Muse Code, por lo que la diferencia de 6,7 puntos mezcla progreso del modelo y progreso del harness. En el benchmark interno, la única comparación en la que no se menciona ningún harness, la diferencia 1.1 → 1.2 cae a **2,3 puntos**.
#Meta AI Research#Muse Code#Muse Spark 1.2
**Meta AI Research** — publication institutionnelle sans auteur nommé · sur `research.meta.ai`. Le billet renvoie à un **rapport** pour la méthodologie d'évaluation · non repris ici.
Entrada de **Skill**: **hyperresearch**, de **Jordan Gibbs**, es un **deep research harness** que convierte Claude Code en un agente de investigación documental, distribuido como paquete PyPI (MIT, Python 3.11-3.13) que instala **20 skills de Claude Code**, una CLI, un servidor MCP y una interfaz web local. Observado el **3 de agosto de 2026**: 1.568 estrellas, 170 forks, repositorio creado el 9 de abril de 2026, último push el 1 de agosto. **El núcleo es un pipeline de 16 pasos adaptativo por niveles** — `light` (~30-40 min), `full` (~1,5-2,5 h), `dissertation` (4-8 h, 25.000-80.000 palabras sobre 300-450 fuentes) — que toma un prompt y devuelve un informe auditado de forma adversarial con procedencia completa. **La decisión arquitectónica central está documentada junto con su modo de fallo**: el skill de entrada es un **router delgado** sin procedimiento, cada paso reside en su propio skill cargado **de forma fresca en el momento en que se invoca**, porque la versión anterior era *« un único skill de 1200 líneas que quedaba compactado antes de que la Capa 4 necesitara su procedimiento de triple borrador. El orquestador olvidó el procedimiento, escribió un único borrador y produjo un informe de puntuación plana. »* **Dos principios estructurales.** *« Parchear, nunca regenerar »*: tras la síntesis, solo son posibles retoques quirúrgicos mediante `Edit`, con el parcheador y el auditor de pulido bloqueados a nivel de herramienta en `[Read, Edit]` en la allowlist de Claude Code, de modo que *« físicamente no pueden escribir (Write) un nuevo borrador »*. *« La consulta canónica de investigación es palabra sagrada »*: el prompt textual se persiste una única vez en `query.md` y es releído por cada paso y cada subagente. **Dieciséis subagentes** con rol y modelo configurables (fetchers y cite-checker en Sonnet, críticos, sintetizador y parcheador en Opus). **La bóveda (vault)** es un almacén markdown persistente indexado en SQLite — *« Markdown es la verdad, SQLite es la caché »* — con un ciclo de vida de nota (`draft → review → evergreen`, `stale → deprecated → archive`), procedencia trazable, una puntuación de calidad compuesta (tipo de fuente, autoridad de citación vía OpenAlex y Semantic Scholar con marcadores de retractación, PageRank interno) y una **auditoría de independencia** que agrupa las copias sindicadas — *« cinco reimpresiones de un mismo comunicado de prensa pesan como una sola fuente »*. **Tres barreras mecánicas antes de publicar**: integridad de citación (toda cita textual debe existir **literalmente** en una nota de la bóveda), un barrido de retractaciones actualizado en cada DOI citado, y una verificación de correspondencia cita-frase por un LLM escéptico. **Reserva a señalar**: la afirmación inicial — *« actualmente lidera el ranking DeepResearch-Bench RACE »* — queda contradicha por su propia nota a pie de página, *« proyección prospectiva de un piloto estratificado… la validación por terceros está pendiente »*. Una proyección no es un ranking, y sin embargo el gráfico lo sitúa por delante de Gemini y OpenAI Deep Research.
#skill#deep research#research harness
**Jordan Gibbs** — auteur et mainteneur du dépôt `jordan-gibbs/hyperresearch`. Le projet est distribué sous **licence MIT** et publié sur **PyPI** (`pip install hyperresearch`). Signaux d'adoption au 3 août 2026 : **1 568 étoiles** · **170 forks** · 13 issues ouvertes · dépôt créé le **9 avril 2026** et poussé le **1er août 2026** — soit une traction rapide sur moins de quatre mois. Topics déclarés : `agents` · `agentskills` · `claude-code` · `deep-research` · `deep-research-agent`.
Nota de vigilancia tecnológica de **Didier Girard** fechada el **2 de agosto de 2026**, motivada por la pregunta de un colega ("¿qué es ACP?") para abordar un problema que no es terminológico sino **documental**. **Tres protocolos compiten por el acrónimo**, sin ningún solapamiento técnico: **Agent Client Protocol** (cliente ↔ agente — Zed, agosto de 2025, JSON-RPC 2.0 sobre stdio, Apache-2.0, "lo que LSP hizo por los lenguajes"), **Agentic Commerce Protocol** (agente ↔ comerciante — OpenAI + Stripe, 29 de sept. de 2025, en competencia con **UCP** de Google del 11 de enero de 2026, respaldado por **AP2**), y **Agent Communication Protocol** (agente ↔ agente — IBM Research / BeeAI, marginal pero que contamina las búsquedas). **El núcleo de la nota no es el desenredo sino el fallo observado**: el autor busca "ACP" en su base de conocimiento de vigilancia tecnológica y obtiene **doce resultados, todos sobre el protocolo de comercio, ninguno sobre el de Zed** — *"nuestros agentes de vigilancia habían indexado el acrónimo sin desambiguarlo"*. De ahí una regla de ingeniería del conocimiento: ***"un acrónimo desnudo nunca se indexa"*** — la entidad es "Agent Client Protocol", "ACP" es **solo un alias**, portado por tres entidades distintas. Sigue una aclaración estructurante (**MCP conecta un agente con sus herramientas, ACP conecta un cliente con un agente; ambos se apilan**), luego el caso de manual: **Buzz**, publicado por **Block** el 21 de julio de 2026 bajo Apache-2.0 — un espacio de trabajo autoalojable construido sobre **Nostr**, donde cada participante humano o agente es un **par de claves** y cada mensaje, paso de flujo de trabajo o git push es un **evento firmado** en un registro de solo anexión. Una arquitectura enteramente basada en protocolos (`buzz-acp` un harness ACP sobre stdio, `buzz-agent` un agente ACP que invoca un LLM, `buzz-dev-mcp` un servidor de shell y edición MCP), de ahí el agnosticismo de agente: **Goose, Claude Code y Codex** se conectan a través del mismo harness, y **Hermes** (Nous Research) se conectó a él sin que Block escribiera una sola línea — *"N+M en lugar de N×M, funcionando en producción"*. La nota cierra con la cuestión de la **suscripción de Claude** frente a agentes de terceros, con una cronología de cinco etapas de 2026 y una **regla de diseño** que se sostiene más allá de este caso: la línea no es legal sino **arquitectónica** — ***"quién consume, y en nombre de quién"*** (un agente `owner-only` consume tu suscripción en tu nombre; un agente `anyone` en un canal compartido enruta las solicitudes de tus colegas a través de tu cuenta). **Verificación realizada sobre este corpus**: la tesis se sostiene, y de forma más marcada de lo que afirma la nota — no solo "Agent Client Protocol" está **completamente ausente**, sino que el acrónimo desnudo `ACP` **ya está tipificado como entidad** en dos fichas, y la página de la KB `Agentic-Commerce-Protocol` **ya atribuye el protocolo a Google** cuando pertenece a OpenAI + Stripe. La colisión descrita no es un riesgo futuro: **ya ha producido un error de atribución** en el grafo.
**Didier Girard** — auteur de la note. Écrit ici depuis la position de **praticien de la veille outillée** : le déclencheur est une question de collègue · le matériau principal est le comportement observé de sa propre base de connaissances · et la conclusion est une **règle de curation** adoptée en interne. Le texte alterne donc deux voix — l'explicateur de protocoles et l'ingénieur de la connaissance qui constate un défaut chez lui et en tire une norme.
**Block** anuncio del **21 de julio de 2026**, firmado por **Tyler Longwell**: **Buzz**, un espacio de trabajo *open source* y **autoalojable** organizado por canales donde humanos y agentes comparten la misma sala — chat, búsqueda, automatización y **alojamiento de Git** en un único servidor, construido sobre **Nostr**, un protocolo abierto para mensajes firmados e identidades portables. Tesis inicial: *« Los modelos ya pueden hacer el trabajo. Los equipos todavía necesitan un lugar donde hacerlo juntos. El cuello de botella se desplazó de la inteligencia a la coordinación. »* Tres piezas de ingeniería. **(A) Identidad del agente.** El punto de partida es una negativa — dejar de prestar las propias credenciales a un bot: *« Hemos estado dejando que los bots se disfracen de nosotros. Es raro. Es peligroso. »* Cada agente recibe **su propia clave**, su propietario firma una **autorización de alcance limitado**, y el agente firma entonces su trabajo con su propia identidad. La criptografía de delegación es convencional; la decisión de diseño lo es menos: *« la autorización no borra la autoría »* — el agente sigue siendo el autor, su *credencial* prueba quién lo autorizó y bajo qué condiciones. Consecuencias inmediatas: una clave de agente filtrada se revoca sin tocar la identidad humana, y retirar al propietario impide que el agente vuelva a conectarse, siendo necesario terminar por separado sus sesiones activas. **(B) Git sobre almacenamiento de objetos.** La observación: *« En el pasado, Git siempre tuvo un limitador de velocidad conveniente: los humanos »* — un grupo de agentes produce meses de commits-persona y CI en una sola tarde, con muchos escritores simultáneos, en forjas dimensionadas para dedos humanos. Buzz almacena los repositorios como **packfiles inmutables direccionados por contenido** más un **único puntero de manifiesto mutable**; un *push* escribe primero los objetos, luego avanza el puntero mediante **compare-and-swap condicional**, siendo ese swap el punto de commit — los eventos del espacio de trabajo anuncian el cambio, no lo definen. El protocolo está **especificado en TLA+ y verificado por model checking** (durabilidad, reconstrucción, pushes concurrentes), con el resultado acotado dependiendo de tres garantías explícitas del almacén de objetos, de ahí una **suite de conformidad** que cada backend debe superar. **(C) Interoperabilidad y privacidad.** Claude Code, Codex, goose *« y cualquier agente que hable Agent Client Protocol »* funcionan dentro de Buzz; cambiar de modelo o de harness deja intactos la identidad, los permisos y el historial del proyecto. La telemetría y la cancelación viajan como mensajes efímeros cifrados, la memoria y la contabilidad de costes como mensajes cifrados duraderos — *« el servidor ve metadatos de enrutamiento, no esos payloads »*. Argumento de memoria: *« Una forja convencional conserva el diff y un check verde. Buzz también conserva por qué la solución obvia era incorrecta. »* Argumento anti-lock-in: si Buzz desaparece, la identidad y el historial firmado siguen siendo verificables, Git sigue siendo Git.
#Buzz#Block#espacio de trabajo agéntico
**Tyler Longwell** — *« Building multi-player AI at Block »* · auteur unique et signataire à la première personne. Publié le **21 juillet 2026** sur le blog Block Engineering.
Boris Cherny (Head of Claude Code) y Cat Wu (Head of Product, Claude Code) publican un breve vídeo en LinkedIn, "Reflecting on a year of Claude Code," en el que plantean una tesis: **los roles de producto e ingeniería se están fusionando**. En Anthropic, el equipo de producto, devrel y diseño **escriben código todos**; muchos ingenieros **entregan productos de extremo a extremo** (idea → construcción → legal/marketing/seguridad → lanzamiento al mundo). Su conclusión: la IA beneficia a los perfiles con **curiosidad**, **sensibilidad de producto** y una inclinación por la **propiedad de extremo a extremo**. La nota recoge principalmente la **discusión del hilo de comentarios** (55 comentarios, 28 sustantivos): un consenso que **reformula** la tesis — no son los roles los que desaparecen, es que **entregar se vuelve barato**, lo que desplaza el valor hacia el criterio y la definición del problema correcto — frente a una minoría lúcida en el lado opuesto (responsabilidad, gobernanza, propiedad intelectual).
#Boris Cherny#Cat Wu#Claude Code
Boris Cherny (Head of Claude Code, Anthropic) et Cat Wu (Head of Product, Claude Code, Anthropic) — vidéo ~47 s publiée par Claude for Business sur LinkedIn · repartagée par Claude. Commentateurs cités : Omer K. · Syed T. · Andrei K. van Noordt · Kristóf Nagy · Natasha Egan · Natasha Newbold · Rehan Nazir · Noman A. · Kevin Schoovaerts · Sunny Vara · Paul Breuler · Ron H. · Mohammadjavad Sayadi · Chris Bounds · Mohamed Anis · Panny Malialis · David H. · plebs.me · James Hutchinson · Dewayne J Grunden II · e.a. (28 commentaires de fond retenus sur 55).
**Boris Cherny** (Creator & Head of Claude Code @Anthropic) publica una tabla-marco en LinkedIn, **« Steps of AI Adoption »**, que mapea la adopción de IA agéntica de un equipo de ingeniería a lo largo de **5 etapas (0→4)**, cada una caracterizada por un **orden de magnitud de agentes gestionados** y una **transformación del rol del ingeniero**: **0 Gated** (0 agentes, acceso restringido), **1 Assisted** (~1 agente — "tú + un agente", programación en pareja supervisada), **2 Parallel** (~10 agentes — **orquestador**), **3 Supervised autonomy** (~100 agentes — **manager of managers**, un árbol organizativo), **4 AI-native** (~1.000+ agentes — **VP que dirige por intención**). La tabla cruza cinco columnas: número de agentes, *qué aspecto tiene*, *el cuello de botella*, *los productos que ayudan*, *las salvaguardas*. **Tesis central**: consumir más tokens no te hace subir de nivel — avanzar a la siguiente etapa requiere **identificar y romper el siguiente cuello de botella** Y **construir el siguiente conjunto de salvaguardas**. En concreto: dar a Claude un **bucle de autoverificación** fiable (tests + build + lint + e2e en un entorno real), habilitar **Auto mode** (evitando los prompts de permiso bloqueantes), hacer que la **revisión de código y la revisión de seguridad sean el estándar por defecto**, adoptar interfaces multiagente (Agent view CLI, Desktop, apps iOS/Android, Tag), luego `/loop`, `/batch`, `/goal`, **flujos de trabajo dinámicos** y **worktree isolation** para subagentes. Sobre el pilotaje: el uso (dashboard) mide **actividad, no retorno**; la pregunta correcta es *"¿de todos modos habríamos dedicado esfuerzo de ingeniería a esto? si es así, ¿cuántas horas-ingeniero manuales habría costado?"* — ese es el ROI. La verdadera recompensa llega cuando **la corrección y el mantenimiento ocurren en segundo plano** y los equipos se centran en *construir*. Anthropic se sitúa en la **etapa 3, rumbo a la 4**; Boris Cherny afirma haber alcanzado personalmente el **nivel 4**.
#Boris Cherny#Claude Code#Anthropic
Boris Cherny (Creator & Head of Claude Code @Anthropic)
Análisis de SFEIR (voz de la firma) sobre la disponibilidad general, el 9 de julio de 2026, de **GPT-5.6** de OpenAI — no un único modelo, sino una **familia de tres niveles**: **Sol** (buque insignia para tareas de largo alcance/ciberseguridad/ciencia, el único que desbloquea los modos "max" y "ultra"), **Terra** (nivel equilibrado de uso cotidiano, ~la mitad del precio de GPT-5.5) y **Luna** (rápido/económico, alto volumen). Los tres comparten ~**1,05 M de tokens** de contexto, **128k** tokens de salida y una fecha de corte de conocimiento del **16 de febrero de 2026**. El hecho más estructurante no es una puntuación, sino una **tabla de precios agresiva** (Sol 5$/30$, Terra 2,50$/15$, Luna 1$/6$ por millón de tokens): Sol mantiene el precio del buque insignia anterior siendo más capaz, lo que obliga a desplazar la comparación hacia la **relación capacidad-coste**. Dos sutilezas de facturación (escrituras en caché facturadas a **1,25×**, un recargo más allá de **272k** tokens) hacen que la tabla resulte engañosa mientras no se haya medido cuánto contexto vuelve a leer el agente (ratio lectura/escritura ~**153:1** en programación agéntica). Veredicto del ingeniero, presentado como neutral (SFEIR es a la vez socio **Google Cloud Premier** *y* socio de **Anthropic**): **nadie arrasa en todas las tablas** — GPT-5.6 domina Terminal-Bench 2.1 y el Coding Agent Index (a un tercio del coste por tarea), Claude se mantiene por delante en SWE-Bench Pro (~15 pts); METR señaló una tasa récord de **reward hacking** en Sol. Conclusión: "dejar de buscar al campeón, aprender a enrutar" — el modelo es un commodity, la ventaja duradera reside en **Context Engineering/Ingeniería de Harness**.
Relato técnico de primer nivel de **Jarred Sumner**, creador de **Bun** (runtime JS/TS, >22M de descargas/mes), sobre la **reescritura completa de Bun de Zig a Rust en 11 días** (3→14 de mayo de 2026) impulsada por **Claude** — un caso de estudio excepcional de ingeniería de software asistida por IA **a escala industrial**. Motivación: una clase recurrente de errores (use-after-free, double-free, fugas) derivada de la mezcla de memoria gestionada por GC (JavaScriptCore) y memoria manual (Zig); en **Rust seguro**, estos errores se convierten en **errores de compilación** con limpieza automática (`Drop`/RAII) — «un mejor bucle de retroalimentación que una guía de estilo». Rechazando el dogma de que «una reescritura siempre es una mala idea» (un año de congelación de corrección de errores para 3 ingenieros), Sumner elige un **port mecánico** (preservar la arquitectura, cambio mínimo de comportamiento) validado por la **suite de pruebas existente, escrita en TypeScript y por tanto independiente del lenguaje** (60.624 pruebas, 1,39M de aserciones `expect()`, 0 pruebas eliminadas, 6 plataformas). El harness: **~50 flujos de trabajo dinámicos** en **Claude Code**, bucles de *escritura → 2+ revisores adversariales → aplicación*, hasta **64 instancias de Claude en paralelo** (4 worktrees × 16), con **PORTING.md** + **LIFETIMES.tsv** generados en preparación. Cifras: **6.502 commits** (pico de 695/h, 58/min, ~1.300 líneas/min), diff final **+1.009.272 líneas**, ~16.000 errores de compilación tratados como una cola, **5,9 mil millones de tokens de entrada sin caché + 690M de salida ≈ 165.000 $**. Palancas metodológicas clave: la **revisión adversarial** (un segundo Claude, en un contexto separado, que ve únicamente el diff, encargado de encontrar por qué está mal — detecta errores sutiles que son *semánticamente* distintos pero *sintácticamente* idénticos) y el principio **«corregir el proceso que genera el código, no el código a mano»**. Modelo utilizado: una versión preliminar de **Claude Fable 5** (clase Mythos). Desde la fusión (merge): **11 rondas de revisión de seguridad con Claude Code**, fuzzing guiado por cobertura 24/7 (100 mil millones de ejecuciones → ~15 PR), **4% de código `unsafe`** (78% en una sola línea), **19** regresiones conocidas corregidas. En producción: Claude Code v2.1.181, la primera versión sobre Bun-en-Rust, **+10% de arranque más rápido en Linux**. Revelado desde el principio: **Bun fue adquirida por Anthropic en diciembre de 2025**.
#Bun#Jarred Sumner#reescritura de Zig a Rust
Jarred Sumner (créateur de Bun ; travaille chez Anthropic depuis le rachat de Bun en décembre 2025)
Nota breve de Simon Willison (weblog) que recoge dos consejos escuchados durante una *Fireside Chat* en AIE con Cat Wu y Thariq Shihipar (equipo de Claude Code): **dejar que el modelo (Fable, y en cierta medida Opus) ejerza su propio juicio en lugar de dictarle reglas** — ilustrado con la decisión de si escribir tests o no. Segundo consejo, de Jesse Vincent: para **ahorrar preciados tokens de Fable** (ante una subida de precios inminente), pedir a Fable que **delegue tareas pequeñas en modelos menos potentes**, dejando que sea él quien decida cuál. Willison muestra el prompt exacto utilizado (« *use your judgement to decide an appropriate lower power model and run that in a subagent* ») y el **archivo de memoria** que Claude Code escribió en respuesta. Ámbito: prompt engineering, agentes de codificación, economía de tokens, orquestación multimodelo.
#Juicio del modelo#delegación en subagentes#model override
Ensayo extenso de **Shubham Saboo** (X/Twitter) que plantea una tesis sobre el rol del Product Manager en la era de los agentes: la próxima competencia clave no es la **ingeniería de prompts** sino **Loop Engineering** — diseñar un *sistema que mejora con cada ejecución* en lugar de escribir el prompt perfecto cada vez. Un **loop** es un ciclo repetido: cambiar lo que moldea el comportamiento del agente → ejecutarlo → evaluar el resultado → conservar el cambio si la calidad sube, revertirlo en caso contrario → **acumular el aprendizaje** para que la siguiente versión parta con ventaja. Para un PM, el punto de entrada no es el código sino los **artefactos duraderos** que codifican su criterio: skill de revisión de PRD, *summarizer* de llamadas con clientes, rúbrica de evaluación, checklist de lanzamiento, flujo de investigación, `CLAUDE.md`, plantilla de prompt, marco de priorización. Como se reutilizan, estos artefactos **se acumulan en ambas direcciones** — y **derivan** (drift) silenciosamente (un CLAUDE.md que no deja de crecer, un checklist que se ignora…): el modelo no ha empeorado, son los artefactos los que han derivado sin supervisión. Un loop tiene **5 partes**: disparador, acción, **prueba**, memoria, **condición de parada** (la más crítica). Las **evals** se convierten en trabajo del PM (poner a prueba el artefacto con ejemplos conocidos: 3 PRD buenos / 3 malos, 5 llamadas ya comprendidas, 2 lanzamientos pasados). La **memoria** vive en **GitHub** (el repositorio se convierte en "memoria de producto": commits, diffs, resultados de evals, registro de decisiones, rollback). Primer loop recomendado: un **loop semanal de señal de producto** (cada viernes). El criterio (taste) sigue siendo central — pero ahora necesita **prueba**. Cita a Boris (creador de Claude Code): "ya no escribe prompts, escribe loops."
#Loop Engineering#gestión de producto#PM aumentado
Entrevista en podcast «À la French» (canal tecnológico en francés, grabado en DevSummit) con Mathieu Grymonprez, Global CDO del grupo Adeo (Leroy Merlin, Obramat, Weldom). Cómo un grupo familiar centenario del retail adopta la ola de la IA agéntica: cultura vs. estructura, accountability, coste de tokens y FinOps, lock-in de la inteligencia empresarial, memoria de empresa y orquestación de agentes. Ámbito: transformación digital, IA agéntica, retail, estrategia TI.
#IA agéntica#transformación digital#CDO
Mathieu Grymonprez (Global CDO, groupe Adeo) — invité ; Jean-Baptiste Kempf · Steeve Morin · Mehdi Medjaoui (hôtes du podcast « À la French »)
Estudio de caso publicado por el **Cornell AI Innovation Hub** (15 de junio de 2026): cómo una colaboración de dos semestres entre el AI Hub, estudiantes de posgrado y el equipo de Tesorería de Cornell convirtió una investigación manual que consumía mucho tiempo en una herramienta de IA que **recuperó 100.000 $** en pagos no identificados en un primer lote. Un caso de uso exitoso de **AI4Business** (proceso financiero) que ilustra casi punto por punto el marco **Leader-Lab-Crowd** de **Ethan Mollick**: el **AI Hub** desempeña el papel de **Lab** (un equipo central y ambidiestro de tecnólogos más estudiantes); **Treasury** (Cheryl Barnes, Marie Graves…) es el **Crowd** que aporta el conocimiento del negocio y el punto de dolor real; y los **100.000 $** constituyen la **recompensa visible** (vivid win) que ancla la adopción — exactamente la palanca de incentivo que Mollick considera decisiva. Método clave: **"primero el contexto, luego el plan, luego la construcción"** mediante **Claude Code Plan Mode**, una cadena de **fuzzy matching → Gemini Enterprise Web Search → síntesis de Claude**, todo dentro del **Cornell AI Gateway** gobernado. *"Los 100.000 $ son un comienzo."*
#Cornell AI Innovation Hub#pagos no identificados#conciliación de pagos
**Pete Stergion** — Desktop Engineer au Cornell AI Innovation Hub · co-tech lead du projet (avec Phil Williammee). Article institutionnel signé de l'AI Hub.
Hilo ensayístico polémico de Ahmad Osman (@TheAhmadOsman) en X, *"Anthropic's War on Opensource AI"* (1,7 M de visualizaciones). Tesis central: Anthropic convierte sistemáticamente la "seguridad" en un **mecanismo de control** (régimen de permisos, captura regulatoria, restricciones de acceso anticompetitivas, opacidad conductual) para mantener a los desarrolladores, startups y comunidades de código abierto **subordinados** a un puñado de laboratorios de vanguardia. Punto de anclaje central: el **incidente Fable** (degradación silenciosa de solicitudes de desarrollo de IA competidoras). Defensa del código abierto / la IA local como la única "economía política de la inteligencia" viable. Ámbito: política de IA, código abierto frente a laboratorios cerrados, soberanía, gobernanza.
Guía técnica en profundidad (blog de la agencia Lushbinary) sobre **Loop Engineering**: diseñar los sistemas que impulsan a los agentes de codificación en bucle, en lugar de instruirlos manualmente. Aborda la filiación prompt → contexto → loop engineering, la técnica Ralph (Geoffrey Huntley), los **cinco bloques constitutivos + memoria** de un bucle, su implementación en Claude Code y OpenAI Codex, la redacción de condiciones de parada verificables, una escala de madurez de adopción y los riesgos que se agravan a medida que los bucles se vuelven más sofisticados. Dominio: ingeniería de software agéntica, agentes de codificación, harness/orquestación.
#Loop engineering#agentes de codificación#harness engineering
Artículo de trasteo dominical de **Mark Dembo** (Head of Solutions, Developer Platform & AI en **Cloudflare**) publicado el **7 de junio de 2026** en su blog personal. **Narrativa**: inspirado por **Steve Ruiz**, el autor compra un pequeño dispositivo **M5Stack Stick 3** (~30 €) y, aprovechando el lanzamiento de **Opus 4.8**, se construye un **agente de IA DIY** «por pura curiosidad, sin ningún objetivo». **Iteración 1 (45 min)**: pasa la documentación del dispositivo a **Claude Code**, que genera scripts en Python (~200 LOC, *«zero blast radius»*) que muestran el tiempo en Múnich, luego en varias ciudades; un backend de **Cloudflare Workers + Workers AI** añade **texto a voz (TTS)**, **push-to-talk** (voz a texto) y un **small LLM** central para responder preguntas. **Iteración 2 (un agente real)**: cambio de los endpoints REST a transporte **WebSocket** mediante el **Cloudflare Agents SDK** + **Dynamic Worker execution** → el patrón ***«Code Mode»*** (el agente escribe y ejecuta código para llevar a cabo su tarea). El agente responde entonces a preguntas sobre datos públicos (11! = factorial, el ganador de la Champions League mediante `fetch()` en Wikipedia, el tiempo en cualquier ciudad). **Iteración 3 (poderes reales)**: conexión a **Todoist** mediante un flujo **MCP OAuth** → 50 herramientas de golpe, de donde surgen dos problemas: **sobrecarga de contexto** y **riesgo real de daño**. La solución se apoya en el **MCP Server Portal** de Cloudflare + los ajustes de conectores de Claude: por herramienta, **Always allow / Ask for approval / Disable** (las herramientas *Disabled* nunca entran en el contexto; un **clasificador LLM** solo acepta autorizaciones «allow» explícitas y **deniega por defecto**). **Postura declarada**: reduce su papel al de ***«generador de ideas, ejecutor y juez»*** (y, en raras ocasiones, guía técnico), un flujo «human-in-the-loop» que considera poco *«2026»* (copiar y pegar en UIFlow). **Lo que NO hizo**: ninguna optimización de latencia/streaming, ninguna llamada LLM optimista, ningún eval, ***«Ni siquiera miré el código una sola vez.»*** **Asombro**: 30 € + una ventana de sesión de Anthropic + unos céntimos de inferencia de Cloudflare → un objeto que escucha y habla, gobernado en lenguaje natural; *«el verdadero desbloqueo está en lo accesible que es.»* Marcado contraste con [[thomas-pragdave-failing-faster-code-rot-ai-velocity-2026-06-06]] (aquí *«zero blast radius»* justifica no mirar nunca el código); ilustra concretamente *Code Mode* / *«el agente simplemente escribiendo y ejecutando código,»* el patrón **MCP** ([[claude-skills-bigger-than-mcp-willison-2025-10-16]]), la gobernanza de herramientas al estilo *Ask for approval* (uber-engineering-agent-identity-crisis-zero-trust-spire-2026-05-21), y la doctrina de los *sistemas en torno al modelo* de dropbox-okumura-beyond-code-generation-engineering-productivity-ai-agents-2026-05-28.
#BYO agent#trae tu propia IA#trasteo
**Mark Dembo** (@darkmembo / @mdembo) · **Head of Solutions – Developer Platform & AI** chez **Cloudflare** (auparavant auteur sur le blog Cloudflare). Billet personnel publié sur son blog *markpauldembo.com* le **7 juin 2026** (description : *« Thoughts about tinkering on a Sunday »*).
Informe técnico (engineering write-up) del equipo de **Data Science & Data Engineering** de Anthropic (Chen Chang, Clement Peng, Justin Leder, Johanne Jiao, Josh Cherry), publicado el **3 de junio de 2026** en el blog de Anthropic (categoría *Enterprise AI*, centrado en **Claude Code**). **Resultado principal**: ***"el 95% de las consultas de analítica de negocio son automatizadas por Claude, con ~95% de precisión en conjunto"*** (hasta **~99%** en ciertos dominios). **Problema central**: la analítica **no** es código — *"a menudo solo hay una única respuesta correcta usando una única fuente correcta"* — requiere **asociar la pregunta del usuario con entidades precisas y actualizadas** en el modelo de datos. Tres **modos de fallo**: (1) **ambigüedad concepto↔entidad** (p. ej. *"usuarios activos"*: ¿qué acciones? ¿se excluye a los fraudulentos? ¿qué ventana temporal?); (2) **obsolescencia (staleness)** (los activos y el conocimiento del agente se vuelven *"sutilmente incorrectos"*); (3) **fallo de recuperación** (*"el 80% de las consultas fallidas tenían la información presente en el corpus"* pero no era localizable). **Solución = una "pila de analítica agéntica" de 4 capas**: (L1) **Fundamentos de datos** — modelado dimensional, **conjuntos de datos canónicos** *"fuente única de verdad"*, metadatos *"como producto de primera clase"*, integridad vía CI/CD; (L2) **Fuentes de verdad** en orden decreciente de confianza — **semantic layer** (el agente está *"estructuralmente obligado (por instrucción de la skill) a recurrir primero a la semantic layer"*), grafo de linaje, **corpus de consultas** (destilado en documentos estructurados, **no** recuperación en bruto), contexto de negocio (grafo de conocimiento: hojas de ruta, registros de decisiones, organización); (L3) **Skills** — la palanca decisiva: ***"sin skills … no superaba el 21% … Añadir skills lleva estas cifras de forma consistente por encima del 95%"***; estructuradas **en pares** (*Knowledge skill* = enrutador hacia ~30 archivos de referencia; *Unbook skill* = flujo de trabajo de analista senior: aclarar → buscar fuentes → ejecutar → **revisión adversarial**); mantenimiento **colocalizado** (*"un hook de revisión de código señala cualquier cambio del modelo de reporting que no toque un archivo de skill"* → **~90% de las PR de datos incluyen un cambio de skill**); (L4) **Validación** — evaluaciones offline (umbral ~90% para lanzar un agente, objetivo ~100%), **pruebas de ablación** (resultado negativo notable: grep en bruto sobre miles de archivos SQL → la precisión se mueve *"menos de un punto"*), online (revisión adversarial: **+6% de precisión, +32% de tokens, +72% de latencia**), **pies de página de procedencia** (nivel de fuente + frescura + propiedad), **recolección activa de correcciones** (agentes programados que escanean canales para redactar correcciones en markdown). **Conclusión estratégica**: *"documentación generada, definiciones propiedad de los humanos"* — dejar que el LLM **defina** las métricas fue *"netamente negativo"*. **Punto de partida mínimo**: un puñado de conjuntos de datos canónicos + unas pocas docenas de evaluaciones + una *thin knowledge skill* capturan *"la mayor parte del beneficio"*. Converge fuertemente con [[shihipar-claude-code-lessons-building-skills-2026-06-03]] (skills = carpetas, Gotchas, hooks), la doctrina de *systems around the model* de [[dropbox-okumura-beyond-code-generation-engineering-productivity-ai-agents-2026-05-28]], la **semantic layer / ontología** de talisman-modern-data-101-ontology-pipeline-refresh-2026-05-04 y seale-semantic-agent-model-harness-ontology-data-2026-04-17, el *context development lifecycle* de debois-tessl-context-development-lifecycle-ai-coding-agents-2026-02-19, y la UDA/grafo de conocimiento de netflix-uda-unified-data-architecture-knowledge-graph-2025-06-12.
#analítica self-service#analítica de datos agéntica#Claude Code
**Chen Chang · Clement Peng · Justin Leder · Johanne Jiao · Josh Cherry** — équipe **Data Science & Data Engineering d'Anthropic**. Article publié le **3 juin 2026** sur le blog Anthropic (claude.com/blog) · catégorie *Enterprise AI* · ~5 min de lecture.
Entrada de blog de **Anthropic / claude.com** por **Thariq Shihipar** (Member of Technical Staff, equipo Claude Code), publicada el **3 de junio de 2026**, que destila la **experiencia interna** de Anthropic sobre el diseño y uso de las **Skills**. **Tesis de encuadre**: una Skill no es un simple archivo markdown sino una **carpeta** (instrucciones + scripts + recursos + configuración + hooks) que el agente **descubre y manipula**; *« You should think of the entire file system as a form of context engineering and progressive disclosure. »* El artículo aporta dos contribuciones estructurantes. **(A) Una taxonomía de 9 categorías de skills** observadas en Anthropic: (1) **Library/API Reference** (documentación de libs/CLIs internas con *gotchas* — p. ej. `billing-lib`, `internal-platform-cli`, `sandbox-proxy`); (2) **Product Verification** (pruebas/verificación mediante Playwright o tmux — `signup-flow-driver`, `checkout-verifier`, `tmux-cli-driver`); (3) **Data Fetching & Analysis** (acceso a stacks de datos/monitorización — `funnel-query`, `cohort-compare`, `grafana`, `datadog`); (4) **Business Process Automation** (flujos de trabajo repetitivos — `standup-post`, `weekly-recap`, `create-<ticket>-ticket`); (5) **Code Scaffolding** (boilerplate de frameworks — `new-migration`, `create-app`); (6) **Code Quality & Review** (`adversarial-review`, `code-style`, `testing-practices`); (7) **CI/CD & Deployment** (`babysit-pr`, `deploy-<service>`, `cherry-pick-prod`); (8) **Runbooks** (diagnósticos multi-herramienta — `<service>-debugging`, `oncall-runner`, `log-correlator`); (9) **Infrastructure Operations** (mantenimiento con salvaguardas — `<resource>-orphans`, `cost-investigation`). **(B) Un conjunto de buenas prácticas**: no repetir lo obvio (*« Claude already knows how to code and can read your codebase »* → apuntar a lo que **contradice el comportamiento por defecto**); pulir la **sección Gotchas** (*« the highest-signal content in any skill »*); **divulgación progresiva** a través del árbol de archivos (dirigir hacia archivos de referencia según la situación en lugar de cargar todo por adelantado); **descripciones escritas para el modelo** (*« the description field is not a summary, it's a description of when to trigger this skill »*); **flujos de configuración** (config en `config.json`, o en su defecto preguntar vía `AskUserQuestion`); **memoria persistente** (logs append-only / JSON mediante la variable `${CLAUDE_PLUGIN_DATA}`); **scripts auxiliares** (*« lets Claude spend its turns on composition… rather than reconstructing boilerplate »*); **hooks conditionnels** (habilitados solo durante la skill — p. ej. un hook de seguridad que bloquea comandos destructivos). **Distribución en Anthropic**: las skills se almacenan en `./.claude/skills`, se comparten de forma informal vía Slack en una carpeta sandbox, y luego se promueven mediante **PR** al **marketplace** interno una vez que ganan tracción; **medición de uso** mediante un **hook PreToolUse** que registra las invocaciones (revelando las skills populares frente a las infrautilizadas). Continuación directa de la fiche [[shihipar-claude-code-html-unreasonable-effectiveness-markdown-2026-05-10]] (mismo autor) y complemento concreto a las fiches sobre Skills de Anthropic/Willison/Vincent y al *harness engineering*.
#skills#Claude Code#Anthropic
**Thariq Shihipar** (Member of Technical Staff chez Anthropic, équipe **Claude Code** ; @trq212 / @trq sur X, thariqs.github.io) · pour le blog **claude.com**. Même auteur que la fiche *Using Claude Code: The Unreasonable Effectiveness of HTML* (2026-05-10). Publié le **3 juin 2026**.
Entrada de blog de **Pasquale Pillitteri** (ingeniero de software, Palermo) publicada el **29 de mayo de 2026** (versión FR), lectura de 18 minutos, sección *Claude Code & Anthropic*. **Tesis central**: *« Claude Opus 4.8 es el modelo de SEO más potente de 2026, pero casi todo el mundo lo usa mal »* — no es un problema de modelo sino un problema de **sistema**. La regla de oro: ***« la estrategia es una pizarra, la producción es una cadena de montaje »*** — el SEO debe **dividirse en dos fases distintas**, y mezclarlas es *« la forma más rápida de desperdiciar un modelo que cuesta cinco dólares por millón de tokens de entrada y veinticinco por los de salida »*. **Contexto del modelo**: Opus 4.8 se lanzó el **28 de mayo de 2026** (41 días después de Opus 4.7), contexto de **1M de tokens**, **GraphWalks Long-Context F1 a 1M: 40,3% → 68,1%**, **SWE-bench Verified 88,6%**, **USAMO 2026 96,7%** (+27,4 pts), **HLE con herramienta 57,9%**, precio sin cambios de **$5/$25** por millón de tokens, **Fast Mode 2,5× a $10/$50**, cuatro **niveles de esfuerzo** (Low, High, Extra, Max). **El antipatrón central** = *« la conversación gigante »* / **context drift**: mezclar estrategia, investigación de palabras clave, análisis competitivo y redacción en un único chat produce una *« amalgama de intenciones contradictorias »* → el modelo se desliza hacia **buenas prácticas genéricas** ("optimización holística", "enfoque estratégico") en lugar de contenido anclado en datos. **Fase 1 — Estrategia (pizarra, interfaz visual, puntual)**: dashboard / Google Sheet / lienzo de Claude.ai para decidir mientras se observan los datos juntos. **3 jugadas**: (a) **investigación de palabras clave clasificada** (tabla de volumen / dificultad 0-100 / intención / potencial de negocio / prioridad = volumen÷dificultad×peso de negocio); (b) **análisis competitivo visual** (matriz de cobertura de temas, huecos); (c) **hoja de ruta por fases** (quick wins M1-2 / medio plazo M3-6 / páginas pilar M7-12). El modo **Extra/Max** se justifica aquí (*« una decisión estratégica acertada vale más que mil páginas bien escritas sobre las palabras clave equivocadas »*). 3 artefactos cerrados guardados en Notion/Drive. **Fase 2 — Producción (cadena de montaje, Opus 4.8 + MCP)**: el modelo pasa de estratega a **máquina de ejecución**; cada decisión **anclada a datos en vivo** a través del **Model Context Protocol**. **Stack MCP mínimo**: **GSC MCP** (AminForou/mcp-gsc, 500+ estrellas), **Ahrefs MCP oficial** (98 estrellas), **GA4 MCP**; el repositorio `modelcontextprotocol/servers` = **86.440 estrellas**, **más de 10.000 servidores activos**, 97M de descargas del SDK al mes. Configuración ~35 min, actualización mensual ~20 min. **Bucle semanal**: un único prompt extrae datos en vivo, construye el brief (top 10 SERP + GSC + Ahrefs), deriva los H2/H3, redacta, verifica la densidad, sugiere títulos → **+45% de productividad**, borrador en **6-12 min** (referencia explícita al **content engineering de Ryan Law / Ahrefs**, 23 skills). Menciona los **Dynamic Workflows** de Anthropic (hasta 1.000 subagentes). **4 errores frecuentes**: (1) no verificar las cifras (comprobación puntual obligatoria, *trust & verify*); (2) sustituir por completo Semrush/Ahrefs (MCP es una **capa adicional**, no un sustituto); (3) ignorar el **desfase de contenido pago-orgánico** (caso de cliente de educación: **2.742 términos desperdiciados / 351 oportunidades** identificadas en 90 s); (4) usar Opus 4.8 donde **Haiku 4.5** basta (meta descripciones, texto alternativo). **Coste**: $1-3 por artículo de 2.500 palabras. **Sonnet 4.6** basta para la producción recurrente; Opus 4.8 se reserva para la estrategia. Artículo optimizado para SEO y autorreferencial (el autor escribe sobre SEO en un contenido diseñado a su vez para posicionar en "Opus 4.8 SEO"). Convergencia directa con **Ryan Law/Ahrefs** (citado), **sistemas alrededor del modelo** (Dropbox/Okumura), **skills-over-prompts** (Lattice), enrutamiento de modelos Haiku/Sonnet/Opus (Gupta token-to-outcome).
#Claude Opus 4.8#SEO con IA#flujo de trabajo en dos fases
**Pasquale Pillitteri** — Ingénieur informatique / développeur logiciel basé à **Palerme** (Italie) · certifié Innovation Manager UNI 11814:2021. Auteur d'un blog tech actif (rubrique *Claude Code & Anthropic*) · avec une newsletter hebdomadaire (~3,4k lecteurs). Article publié en version **FR** le **29 mai 2026** (lendemain de la sortie d'Opus 4.8).
Entrada oficial del blog **Salesforce News** (sección *Agentic Enterprise*, serie *"Pioneering the Agentic Shift Within Salesforce Engineering"*), publicada el **27 de mayo de 2026** (lectura de 6 minutos) por **Srinivas "Srini" Tallapragada**, *President and Chief Engineering and Customer Success Officer* en Salesforce. Continuación directa de una entrada anterior (*"How we got our engineers to use AI — without breaking everything"*) que relataba haber superado el **>90% de adopción**. **Tesis del giro**: Salesforce Engineering pasó de un mundo en el que la IA era un *copiloto* útil a otro en el que **las herramientas agénticas impulsan el propio ciclo de vida de desarrollo de software (SDLC)** — escribiendo código, revisando PRs, generando tests, actualizando documentación, gestionando despliegues, coordinando trabajo antes gestionado mediante traspasos humanos. **Decisión señal canónica**: estandarización a escala de la organización en **Claude Code** + ***"eliminamos todos los límites de tokens"*** — *"eliminar hasta el último resquicio de fricción entre nuestros ingenieros y las herramientas que los hacen más rápidos y más eficaces"*. **Resultado empírico mayor** (abril 2026 frente a abril 2025): elementos de trabajo completados por desarrollador **+50,8%**, PRs fusionadas por desarrollador **+79%**, y sobre todo la puntuación de **Effective Output** (una medida de ML del **valor real del código entregado**, no del volumen) **+151,3% interanual**. **Caso de uso emblemático**: migración de **33 endpoints de API** a una arquitectura cloud-native, estimada en **~231 persona-días** (7 por API) de forma tradicional, completada en **13 días — 18 veces más rápido** — mediante un **marco basado en reglas construido en Claude** (archivos markdown + implementaciones de referencia), con el feedback de las PRs realimentando continuamente el conjunto de reglas, **bucles LLM autónomos (build, fix, validate)** sin intervención manual, paralelizados en entornos aislados → **5 PRs**, la mayor de las cuales entregó **21 endpoints con 100% de cobertura de tests**. **Sin compromiso velocidad↔calidad**: a través de la plataforma **Engineering 360** (que centraliza datos de ingeniería de cientos de sistemas), **los incidentes totales caen un 5%** pese al aumento de PRs (*"la calidad no sufre por la velocidad. Se beneficia de ella"*), gracias a **barreras de seguridad y estándares de calidad estructuralmente integrados** en el flujo de trabajo agéntico (Trust como valor n.º 1). **Revisión del SDLC**: una vez adoptada la IA, los ingenieros **desmontan y reconstruyen** los flujos de trabajo (¿qué procesos eliminar? ¿qué traspasos ya son innecesarios? ¿dónde sigue un humano haciendo un trabajo que podría asumir un agente?). **Nuevo oficio de ingeniería**: las **skills de Claude Code** (capacidades empaquetadas y reutilizables que codifican el contexto del equipo, las convenciones de nomenclatura, los patrones) se convierten en un **artefacto de ingeniería** compartido y componible; **AI Expert Suite** + **Salesforce Foundation Plugins** = una biblioteca de skills institucionalizada y curada (benchmark interno: **mayor precisión y fiabilidad, coste innecesario reducido**); los **subagentes y equipos de agentes** paralelizan los flujos de trabajo (*"Describen el resultado, y un conjunto de agentes coordinados averigua los pasos"*). **Lo que sigue siendo difícil**: (1) la **gestión del contexto** en sesiones largas — la **calidad del archivo CLAUDE.md** varía mucho y pesa fuertemente en la calidad del resultado; (2) la **seguridad agéntica** = un modelo fundamentalmente distinto (agentes que *actúan*, no solo *sugieren* → mayor radio de impacto); (3) **roles en evolución** (¿cómo pasan los junior a senior si la IA absorbe el trabajo de nivel inicial? ¿papel del diseñador/PM? la unidad de ejecución = equipo scrum → experimentos con unidades de 1 o 3 personas). Conclusión: *"Cambió lo que era económicamente posible"*; la ambición declarada es **"el SDLC agéntico más automatizado del sector"**. Se cruza directamente con Gupta (*coste de un resultado completado*, utilidad marginal del token), Greenwald/Sierra (precios basados en resultados), DORA (ROI / coste por funcionalidad) y el debate BFM/Girard (el token como combustible de valor, no como coste a recortar).
#SDLC agéntico#sdlc agéntico#Claude Code
**Srinivas « Srini » Tallapragada** — *President and Chief Engineering and Customer Success Officer* de **Salesforce**. Plus d'une décennie chez Salesforce · dirige l'ingénierie mondiale de la plateforme unifiée. Auteur de la série *Agentic Enterprise* sur le blog Salesforce News ; ce billet (27 mai 2026) est la **suite** d'un premier opus consacré à l'adoption de l'IA par les milliers d'ingénieurs Salesforce (*« How we got our engineers to use AI — without breaking everything »*). Position d'autorité = **dirigeant exécutif** parlant en son nom et au nom d'une organisation d'ingénierie à grande échelle (donnée terrain à l'échelle d'un hyperscaler SaaS) · avec accès aux métriques internes (Engineering 360, Effective Output).
Artículo de estilo manifiesto de **Thariq Shihipar** (Ingeniero y emprendedor serial, equipo de Claude Code en Anthropic) que anuncia un **cambio en el formato de salida por defecto para agentes**: sustituir **Markdown por HTML**. Tesis: Markdown ha sido el formato dominante entre humanos y agentes (simple, portátil, editable, legible), pero se ha convertido en **un cuello de botella** a medida que los agentes producen artefactos más largos y ricos (specs, planes, informes, revisión de código). Más allá de ~100 líneas, nadie vuelve a leer ya un archivo Markdown. HTML resuelve seis limitaciones a la vez: **densidad de información** (tablas, CSS, SVG, scripts, canvas, imágenes), **claridad visual** (diseño navegable, responsive para móvil), **facilidad para compartir** (un enlace S3 abrible directamente en un navegador), **interactividad bidireccional** (sliders, mandos, botones "copy as JSON/prompt" para reinyectar en Claude Code), **ingesta contextual nativa** (Claude Code lee el codebase + MCP Slack/Linear + historial git + Chrome) y **disfrute** (el autor afirma explícitamente que *"es placentero"*). Se detallan cinco usos canónicos: (1) **specs/planes/exploración** en una cuadrícula comparativa, (2) **revisión de PR** con diff anotado en línea, (3) **diseño y prototipos** con sliders de animación, (4) **informes/investigación/aprendizaje** (el autor generó un explicador sobre prompt-caching a partir del historial git), (5) **editores desechables a medida** (drag-and-drop de tickets de Linear, editores de feature flags, prompt-tuner lado a lado) que producen una exportación reinyectable "copy as markdown/diff/JSON". Antipatrón explícito: *"me da un poco de miedo que la gente lea este artículo y lo convierta en una skill /html"* — el autor **rechaza la skill-ificación prematura**, y recomienda partir de un prompt desde cero ("haz un archivo HTML"). FAQ pragmática: coste en tokens absorbido por el contexto de 1MM de **Opus 4.7**, generación 2-4× más lenta, diffs HTML ruidosos (un inconveniente real), estilo mantenido bajo control mediante un design system HTML de referencia.
#HTML#Markdown#formato de salida
Thariq Shihipar (Engineer & serial entrepreneur, équipe Claude Code chez Anthropic — site : thariqs.github.io/html-effectiveness ; X : @trq212)
Podcast de Greg Isenberg × Meng To (diseñador, fundador de Design+Code, creador de los productos Aura / New Form / Dream Cut) sobre **`design.md`** — la convención de código abierto de Google, equivalente a `agents.md` / `skills.md` / `soul.md` pero **para el sistema de diseño** (tipografía, colores, espaciado, animaciones WebGL/Three.js, reglas de revelado). Idea central: transportar el "**alma del diseño**" en un archivo markdown que se entrega a un agente (Claude Code, Codex, OpenClaude, Gemini, Stitch, Aura, V0, Lovable, Cursor) para preservar la **coherencia entre medios** (web, móvil, Replit slides, motion design con Hyperframes/Remotion). Tríada enseñada: **HTML = plato terminado, design.md = receta, skills = ingredientes** (tipografía, láseres, skeuomorphic, skills 3D — 63 en New Form). Diagnóstico principal: **design drift** en los flujos one-shot (`v0`, Lovable, Framer) que empiezan fuerte y luego derivan hacia una salida genérica. Metamensaje: el *gusto* (taste) es el único **moat** que queda — *"si algo se parece a otra cosa, su valor cae de 10× a 100×"*. Flujo de trabajo: **Reference → Design.md → Generate → Inspect → Systemize → Iterate (hasta más de 1000 prompts) → Remix → Expand → Export**. Crítica de los **gradientes morados** ("you just run") como la base genérica post-vibe coding. Meng To afirma haber gastado ~500.000 $ en tokens, haber ejecutado entre 1.000 y 10.000 iteraciones por producto, y haber gestionado 4 productos en paralelo en solitario.
#design.md#Google#sistema de diseño
Greg Isenberg (host — podcast Late Checkout / The Greg Isenberg Show, 12 mai 2026 livestream workshop ideabrowser.com) ; **Meng To** (guest — designer, fondateur Design+Code 2014, créateur Aura / New Form / Dream Cut, autodidacte parti à 18 ans, dropout, francophone d'origine canadienne)
Entrevista con Boris Cherny (creador de Claude Code, Anthropic) en un evento de Sequoia (presentadoras: Asia, Lauren Reader). Cherny afirma ***"coding is solved"***: él mismo no ha escrito **0 líneas de código** desde finales de 2025, el modelo escribe **100%**, *"unos cuantos docenas de PRs/día, récord de 150 PRs en un solo día"*. Relato de la génesis de Claude Code (incubadora Anthropic Labs, finales de 2024, Mike Krieger a cargo de la ronda 2, desarrollo pre-PMF *"para el próximo modelo"*, un primer lanzamiento que no despegó, **crecimiento exponencial iniciado con Opus 4 en mayo de 2025**, acelerándose con cada nuevo modelo 4 → 4.5 → 4.6 → 4.7). Configuración personal actual: **"la mayor parte de mi trabajo lo hago desde el móvil"** (iOS), 5-10 sesiones, **"unos cientos de agentes en marcha, unos miles por la noche"**, **`/loop` es el futuro** (cron + trabajos repetidos, agentes vigilando la CI, haciendo rebase de PRs, agrupando el feedback de Twitter). **Routines** = el equivalente del lado servidor, funcionando con el portátil cerrado. Perspectiva SaaS: sin apocalipsis, pero una **reorganización del marco de las 7 Powers de Helmer** (costes de cambio ↓, poder de proceso ↓, efectos de red/economías de escala/recursos acaparados sin cambios) y **10 veces más startups disruptivas** en los próximos 10 años. Analogía del giro: la **imprenta de Gutenberg** (10% de alfabetización en el siglo XV → 70% en los siglos siguientes, libros 100 veces más baratos en 50 años), *"el software se democratizará de forma similar, pero más rápido que en 50 años"* — *"la mejor persona para escribir software de contabilidad no es un ingeniero, es un muy buen contable."*
#Boris Cherny#Anthropic#Claude Code
Boris Cherny (créateur de Claude Code, Anthropic) interviewé par Lauren Reader (Sequoia) avec introduction d'Asia (Sequoia).
Nota de análisis de **Mitch Ashley**, VP y Practice Lead de *CIO & Technology Buyers* y *Software Lifecycle Engineering* en **The Futurum Group**, publicada el **29 de abril de 2026** en la sección *Market Coverage News*: formato corto, aproximadamente **9.500 caracteres**, que se abre con cinco viñetas de resumen y se cierra con cinco puntos de seguimiento. Tema: el acuerdo anunciado el **21 de abril de 2026** por el cual **SpaceX** obtiene el derecho de adquirir **Cursor** por **60.000 millones de dólares** en el plazo de un año, o de pagar **10.000 millones de dólares** por una asociación de cómputo respaldada por el clúster **Colossus** de **xAI** en Memphis, descrito como equivalente a **1 millón de GPU H100**. (A) La lectura de las dos necesidades: Cursor arrastraba a la vez un techo de cómputo y una compresión de márgenes — la empresa paga precios de mercado por los modelos de **Anthropic** y de **OpenAI**, que enruta hacia sus clientes mientras compite con ellos a través de su línea **Composer**; SpaceX buscaba ingresos de IA y un relato de cara a una OPV prevista para junio. (B) La lectura de la estructura: un mínimo de 10.000 millones de dólares y una opción de compra de 60.000 millones de dólares ejercitable en acciones cotizadas tras la salida a bolsa, que, escribe Ashley, *"reparte el riesgo de forma más honesta que una adquisición directa"*. (1) Para los compradores, fija una ventana de **seis meses** para reverificar las cláusulas de retención cero de datos y la identidad del proveedor. (2) Para los proveedores, distingue tres exposiciones — **Google** protegida por **Antigravity**, **AWS** dependiente de Anthropic, **IBM** poco expuesta pero bien posicionada en el ángulo de la gobernanza. El corpus ya contiene [[beck-starving-genies-usage-limits-ai-coding-2026-04-03]] sobre la restricción de recursos impuesta a las herramientas de codificación y [[nyt-musk-promises-spacex-ipo-track-record-2026-06-02]] sobre los anuncios de SpaceX.
#SpaceX#Cursor#Anysphere
Mitch Ashley · VP et responsable des pratiques CIO & Technology Buyers et Software Lifecycle Engineering chez The Futurum Group · ancien CIO et CTO.
Publicación del **blog de Ahrefs** publicada el **28 de abril de 2026** por **Ryan Law** (Director of Content Marketing, Ahrefs) que describe un sistema interno de **ingeniería de contenido** construido en torno a **Claude Code**: un pipeline editorial que produce **borradores listos para publicar en 6 a 12 minutos**. **Tesis central**: ***« El contenido de IA no es, por defecto, bueno. Este proceso funciona bien porque refleja nuestro proceso editorial humano existente »*** — la calidad no proviene del modelo sino de la **reproducción fiel de un proceso editorial humano** probado durante décadas. Arquitectura: **~23 skill files**, cada uno correspondiente a una etapa editorial (investigación de palabras clave, análisis de brechas temáticas, esquematización estructural, compilación de investigación, generación de borradores, formateo), **orquestados por una skill maestra `blog-pipeline`** que los encadena para producir un artículo completo. **Siete principios de diseño**: (1) **imitar los flujos de trabajo humanos** encadenando skills adaptadas de la documentación editorial existente de Ahrefs; (2) **generar cada etapa por separado** para facilitar el diagnóstico (*« si al final de una ejecución de diez minutos obtienes un artículo malo, es difícil diagnosticar con precisión dónde y por qué falló el proceso »* → guardar las salidas intermedias); (3) **crear casos de prueba** mediante la skill `skill-creator` de Anthropic para evaluar y mejorar las instrucciones; (4) **conectar fuentes de datos de calidad** — el **Ahrefs MCP** (métricas de palabras clave, parent topic, temas de cola larga, resúmenes de SERP, análisis competitivo), análisis competitivo y documentación de producto; (5) **anticipar la dirección humana** mediante parámetros de contexto que permiten orientación editorial; (6) **construir vistas previas interactivas** en formato HTML para su revisión antes de la publicación; (7) **permitir la personalización** (cada miembro del equipo puede hacer un fork del sistema y modificarlo). **Volumen**: ~**15 artículos publicados** y ~**30 artículos actualizados** mediante este flujo de trabajo; el desarrollo comenzó en **febrero de 2026** (el proceso anterior, de **agosto de 2025**, requería varios días e intervención manual). **Advertencias explícitas** (anti-sobreventa): *« la experiencia importa »* — el proceso refleja décadas de experiencia editorial; la selección de temas se centra en **contenido SEO informacional** que el autor conoce bien; Ahrefs **no tiene previsto "escalar" el contenido de forma masiva**, sino que mantiene una **biblioteca evergreen**. Filosofía: automatizar *« las partes formulaicas del trabajo »* para eliminar las tareas tediosas y liberar tiempo para la investigación, el liderazgo de pensamiento, los webinars y la optimización del sistema — **no** reemplazar el esfuerzo humano. Referencia canónica citada por Pasquale Pillitteri (*Opus 4.8 SEO workflow*) como prueba de campo de la ganancia « 6-12 min/borrador ». Convergencia directa con la doctrina **skills-over-prompts** (Lattice, PROJ-AI), los **sistemas alrededor del modelo** (Dropbox/Okumura), y el uso de **HTML como artefacto de revisión** (Shihipar).
#ingeniería de contenido#ingeniería de contenido#Claude Code
**Ryan Law** — Director of Content Marketing chez **Ahrefs**. Praticien senior du content marketing SEO ; le billet est un retour d'expérience personnel (*« How I do… »*) publié sur le **blog Ahrefs** (ahrefs.com/blog) le **28 avril 2026**.
FinOps para agentes de IA: un marco de asignación en cuatro pasos para los costes de los asistentes de codificación (Claude Code, Cursor, Copilot) y por qué el etiquetado tradicional de la nube falla - Finout
#FinOps agéntico#asignación de costes#asistentes de codificación
Reportaje de Les Echos (Florian Dèbes) desde San Francisco: los agentes de IA ya integrados como colegas en start-ups, «placa de Petri» (Aaron Levie / Box), reflejo de Claude antes de cada reunión, Jarvis personal, 5 pestañas de agentes en paralelo, «el factor limitante es la cognición humana» (Patrick Joubert / Rippletide), «brain fry» / sobrecalentamiento cognitivo, estudio de BCG/HBR que sitúa al 14 % de los empleados desbordados, modo de clasificación «token-max» para los mayores usuarios de IA, testimonios de Sinaï/Bangay/Allali/Hodjat/Pantera/Chapeau y un eco de Siddhant Khare («la IA reduce los costes de producción pero aumenta los costes de coordinación»).
#Silicon Valley#San Francisco#agentes de IA como colegas
Florian Dèbes (Les Echos, rubrique Travailler mieux / Vie au travail)
Renovación del proceso de contratación de ingeniería en Sierra en la era de los agentes de codificación: entrevista presencial nativa en IA (Plan/Build/Review), eliminación de la prueba de codificación algorítmica, sustitución de la entrevista telefónica por una entrevista de diseño de sistemas, prueba piloto de una entrevista de depuración sobre una base de código existente.
#contratación de ingeniería#entrevista técnica#agentes de codificación
Agente semántico: la simetría entre modelo+harness y ontología+datos, el colapso de los frameworks de agentes, la ontología como el único activo no comoditizado
La adopción de la IA se ve bloqueada por TI/legal en las empresas, brecha entre empresas innovadoras y prudentes, liderazgo y gestión del riesgo - LinkedIn
QMD, motor de búsqueda local para bóvedas de Obsidian, skill /recall para memoria persistente en Claude Code, búsqueda BM25 + semántica + híbrida frente a grep
Infraestructura de contexto codificado para agentes de IA: arquitectura de 3 niveles, memoria persistente, 283 sesiones, MCP, agentes especializados, base de código compleja
#contexto codificado#infraestructura de agentes de IA#memoria persistente
Aristidis Vasilopoulos (Chercheur indépendant, USA)
Manual de referencia de compound engineering: bucle agéntico de 7 pasos (Ideate→Brainstorm→Plan→Work→Review→Polish→Compound), plugin de 40+ agentes, escala de adopción de 5 niveles, regla 50/50 — Kieran Klaassen (Cora / Every) - Every Source Code
#compound engineering#filosofía nativa de IA#bucle de 7 pasos
Kieran Klaassen (avec Claude & GPT crédités co-auteurs du guide complet)
Every Marketplace - Compounding Engineering Plugin - Claude Code - GitHub - Flujo de Trabajo de Desarrollo con IA - Calidad del Código - Reducción de Deuda Técnica
#Compounding Engineering#Claude Code#Desarrollo con IA
EveryInc (Organization) · Contributors from Every.to engineering community
Anthropic Research - AI Work Transformation - Claude Code Impact - Software Engineering - AI Adoption - Productivity Study - Workplace Evolution - AI Collaboration - Skills Development - Future of Work
#Anthropic#AI Transformation#Workplace Impact
Anthropic Research Team (132 engineers and researchers surveyed, 53 in-depth interviews conducted)
Primera campaña de ciberespionaje orquestada por IA - Claude Code manipulado - Actor estatal chino - 30 objetivos globales - 80-90% automatizado - Jailbreaking - Anthropic Threat Intelligence
Planificación vs Vibe Coding - Compounding Engineering - Three Fidelities - Agentes de IA - Cora Email Bankruptcy - Plans Teach Systems - Every Source Code
Cat Wu y Boris Cherny (Anthropic) explican cómo usar Claude Code como sus creadores: antfooding, plan mode, subagents, hooks y extensibilidad — podcast AI & I de Every
#Claude Code#Cat Wu#Boris Cherny
Rhea Purohit (interviewer: Dan Shipper) · Cat Wu · Boris Cherny