**Entrada de tipo skill** (no un artículo): **graphify**, de **Safi Shamsi** (Graphify Labs, **Y Combinator S26**), convierte un proyecto completo —código, documentación, PDF, imágenes, vídeos— en un **grafo de conocimiento consultable**, invocado mediante `/graphify` desde Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot y una quincena de otros clientes. Observado el **6 de agosto de 2026**: **103 187 estrellas**, **10 024 forks**, repositorio creado el **3 de abril de 2026** —una trayectoria extraordinaria en cuatro meses—. **Apache-2.0**, Python 3.10+, rama por defecto **v8**. **Los tres compromisos de diseño caben en tres líneas del README**: *« Code maps for free, fully local »* (el código se analiza en un **AST de tree-sitter**, determinista, sin LLM, **nada sale de la máquina**); *« Every edge is explained »* (cada arista se etiqueta como **`EXTRACTED`** —explícita en la fuente— o **`INFERRED`** —resuelta por graphify—, con un tercer valor `AMBIGUOUS` que aparece en el informe); y *« Not a vector index »* —*« no embeddings, no vector store: a real graph you traverse »*—. **Tres salidas**: `graph.html` (grafo interactivo), `GRAPH_REPORT.md` (nodos god, conexiones sorprendentes, preguntas sugeridas) y `graph.json` (grafo persistente, consultable semanas después sin releer los archivos). **Tres modos de consulta** sustituyen a grep: `query` (subgrafo para una pregunta en lenguaje natural), `path A B` (camino más corto entre dos entidades) y `explain` (vecindario de un concepto). **Cobertura**: 36 gramáticas de tree-sitter (~40 lenguajes), además de Terraform, Apex, **configuraciones MCP**, manifiestos de paquetes, Office, Google Workspace, PDF, imágenes y vídeo/audio transcritos **localmente** por faster-whisper. Comunidades detectadas mediante **Leiden**, etiquetadas **sin LLM**. ⭐ **El resultado de benchmark más interesante no es una victoria, sino un resultado gratuito**: en LOCOMO, graphify logra un **recall@10 de 0,497** frente a 0,149 de supermemory y 0,048 de mem0, pero **pierde en precisión de QA** (45,3 % frente a 49,7 %); en LongMemEval-S obtiene **76 %, empatado con un RAG denso**; y la línea que importa es *« Graph build — LLM credits: **0** »*, donde el sector suele facturar por token. ⚠️ **Puntos a registrar**: la rama `main` conserva un README de la era v1 que describe un producto distinto (solo skill de Claude Code, la afirmación de « 71,5× menos tokens »); el paquete PyPI se llama **`graphifyy`**, con dos *y*, hasta que se recupere el nombre `graphify`; y un **registro de consultas** se escribe por defecto en `~/.cache/graphify-queries.log`, desactivable mediante una variable de entorno.
#skill#grafo de conocimiento#grafo de conocimiento
**Safi Shamsi** — créateur et mainteneur de graphify · et de **Graphify Labs** · société passée par **Y Combinator (promotion S26)** selon le badge du dépôt. Il maintient aussi le site d'annuaire `graphify.net` (cf. [[graphify-net-annuaire-ia-coding-2026-08-06]]) et publie un livre · *The Memory Layer* · sur les idées et l'architecture derrière le projet.
Entrada de **Skill** (no es un artículo): **hyperresearch**, de **Jordan Gibbs**, es un **arnés de investigación profunda** (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 + una interfaz web local. Observado el **3 de agosto de 2026**: 1568 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 nivel** (`light` ~30-40 min → `full` ~1,5-2,5 h → `dissertation` 4-8 h y 25.000-80.000 palabras repartidas en 300-450 fuentes), que toma un prompt y devuelve un informe **auditado de forma adversarial** con procedencia completa. **La decisión de arquitectura central — y la más instructiva — está documentada junto con su modo de fallo**: la skill de entrada es un **router ligero** que no contiene ningún procedimiento en absoluto, y cada paso vive en su propia skill, cargada **de forma nueva en el momento en que se invoca** — porque la versión anterior era *« one 1200-line skill that got compacted away by the time Layer 4 needed its triple-draft procedure. The orchestrator forgot the procedure, wrote a single draft, and produced a flat-scoring report. »* **Dos principios estructurales**: *« Patch, never regenerate »* — tras la síntesis, solo son posibles retoques quirúrgicos vía `Edit`, ya que el parcheador y el auditor de pulido están **bloqueados a nivel de allowlist de Claude Code a las herramientas `[Read, Edit]`**, de modo que *« physically cannot Write a new draft »*; y *« canonical research query is gospel »* — el prompt textual se persiste una sola 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/parcheador en Opus). **El vault** es un almacén markdown persistente indexado en SQLite — *« Markdown is truth, SQLite is cache »* — 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/Semantic Scholar **con indicadores de retractación**, PageRank interno) y una **auditoría de independencia** que agrupa las copias sindicadas — *« five reprints of one press release argue with the weight of one source »*. **Tres barreras mecánicas antes de publicar**: integridad de citación (cualquier pasaje citado debe existir **textualmente** en una nota del vault), un escaneo de retractaciones actualizado en cada DOI citado, y verificación del enlace cita-frase por un LLM escéptico. ⚠️ **Reserva importante a señalar**: la afirmación central — *« currently leads the DeepResearch-Bench RACE leaderboard »* — queda contradicha por su propia nota al pie, *« forward-looking projection from a stratified pilot… Third party validation is pending »*. Una **proyección** no es una clasificación, y sin embargo el gráfico la sitúa por delante de Gemini y de OpenAI Deep Research de todos modos.
#skill#investigación profunda#arnés de investigación
**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`.
Entrada de tipo **Skill** (no un artículo): `grill-with-docs` de Matt Pocock es una técnica de entrevista estructurada que "somete a la parrilla" un plan de arquitectura confrontándolo metódicamente con el vocabulario de negocio del proyecto (el glosario `CONTEXT.md`) y las decisiones ya documentadas (ADRs). En lugar de precipitarse hacia la implementación, cuestiona las hipótesis una por una mediante un diálogo de preguntas y respuestas, depura la terminología, verifica la coherencia con el código real y registra las decisiones sobre la marcha en los artefactos adecuados. Una skill de diseño previo (upfront design), inspirada en el Domain-Driven Design.