Introducing Claude Fable 5: a Mythos-class model that we’ve made safe for general use.
Its capabilities exceed those of any model we’ve ever made generally available.
ANTHROPIC ENSEÑA CÓMO CONSTRUIR UNA EMPRESA ENTERA SOLO CON AGENTES IA.
Agentes trabajando entre ellos.
Repartiéndose tareas. Ejecutando procesos solos.
Gratis. Subtitulado al español.
Si quieres que la IA trabaje por ti, guarda esto. ⬇️
Por qué el segundo cerebro de Karpathy, el padrino de la IA moderna, no usa Notion ni Obsidian en absoluto.
Porque construyó para sí mismo, y desde cero, una galaxia de conocimiento en 3D capaz de pensar.
Alguien replicó por completo este sistema, introdujo solo 378 notas, y el sistema generó automáticamente 1854 nodos y 3856 conexiones.
No es un simple archivador inerte: puede descubrir activamente conexiones ocultas y darte un feedback revelador como si fuera un segundo sistema neuronal.
Creo que este es el verdadero golpe letal (un ataque de reducción de dimensionalidad) para todas las herramientas tradicionales de toma de notas:
Si usas Notion, estás construyendo un archivador.
Si usas Roam, estás construyendo una hoja de cálculo.
Si usas Obsidian, estás construyendo un cementerio.
Los mejores expertos en IA están construyendo galaxias.
La experiencia que se ve en el video cambia por completo la forma en que todos entendemos la toma de notas:
Contra un fondo de espacio profundo, innumerables orbes brillantes y líneas de conexión forman un universo completo.
Haz clic en cualquier nodo y la IA desenterrará al instante todas esas conexiones ocultas que habías olvidado hace tiempo.
Aleja el zoom para ver el panorama completo de tu pensamiento, acércalo para ver cómo dos ideas aparentemente inconexas están vinculadas entre sí.
De forma proactiva, te dice dónde faltan enlaces y dónde hay ideas transversales de las que no te habías percatado.
Miau, miau, miau, esto es prácticamente una revolución en la forma de pensar. En el pasado, tomar notas consistía en introducir, organizar y buscar.
Al final, todo se queda en el disco duro acumulando polvo; nunca lo vuelves a mirar.
El segundo cerebro de hoy es una red neuronal dinámica y en crecimiento.
Lo alimentas con tus ideas y te ayuda a capitalizar, conectar y generar cosas nuevas.
Te entiende mejor que tú mismo, recuerda todas tus trayectorias de pensamiento e incluso puede darte inspiración cuando estás atascado.
La parte más impactante es la última frase de la publicación: La brecha en el interés compuesto del conocimiento nunca ha tenido que ver con el talento, se trata de arquitectura.
Quienes empiecen con este sistema 6 meses antes, siempre llevarán a los demás una ventaja de 6 meses de interés compuesto de pensamiento.
Porque tu segundo cerebro pensará por ti 24/7 sin parar, mientras que las notas de los demás simplemente se quedarán ahí pudriéndose.
Por supuesto, la gente común no necesita empezar desde cero a escribir código para construir una galaxia 3D.
Empieza con una configuración automatizada de Obsidian + Claude: deja que la IA extraiga contenido automáticamente, encuentre conexiones y te genere informes diarios.
Pero la dirección a seguir ya está muy clara: el futuro de la gestión del conocimiento no consiste en almacenar cosas, consiste en criar a una IA pensante que sea exclusiva para ti.
El paradigma de ingesta del segundo cerebro de Karpathy, donde tienes una carpeta donde echar tus datos en crudo y que luego un agente procesa y estructura para agregarla a una wiki o segundo cerebro, es un patrón escalable a otras tantas aplicaciones.
Yo en mi caso por ejemplo ya tenía creada una aplicación financiera que usaba un sistema similar: mis extractos bancarios, facturas, datos traídos de APIs, modelos de impuestos en pdf... todo en crudo en una carpeta. Con la idea de luego llamar a un agente que trabaje en dar orden y forma a esos datos (una única vez) para procesarlos adecuadamente de cara a que luego lo consuma una aplicación (en este caso en vez de Obsidian, un front-end).
Se me antoja como un nuevo tipo de aplicación con un patrón arquitectónico que funciona por poner en su diseño a un agente que cada cierto tiempo sale a pasear para dar orden al caos de la carpeta de datos. No es un script determinista que sepas que va a funcionar siempre igual, con lógicas encorsetadas a formatos concretos, sino que tiene la flexibilidad de comerse y procesar cualquier dato crudo que pongas en la carpeta.
Y donde además cualquier dato alimenta al sistema y lo mejora para hacerlo crecer.
Además, obviamente los agentes no sólo actúan como procesadores de esa información sino que luego se nutren de todo el sistema para poder hacerle consultas mucho más completas o hacer crecer tu aplicación con cada nuevo dato crudo que se agrega.
Estamos empezando a diseñar software alrededor de datos caóticos, confiando en las capacidades de una nueva capa agéntica. El usuario no se adapta al software sino que el software se adapta al caos del usuario.
So good
Todo lo que necesitás para empezar con Hermes est�� en este artículo.
Tiene desde instalación, memoria persistente, skills, MCP y scheduler, hasta workflows multi-agente.
Muy buen punto de partida.
Supabase ha sacado un curso para aprender Base de Datos PostgreSQL desde cero y paso a paso
✓ +5 horas en 39 vídeos
✓ Consultas, joins, JSON, índices y creación de tablas
✓ Todo explicado de forma práctica y progresiva
Es gratis → https://t.co/rpJ3lZ7OXe
Hermes es un framework para construir agentes persistentes.
Puede recordar información entre sesiones, usar tools, ejecutar workflows y automatizar tareas.
También puede observar cómo trabajás y convertir procesos repetitivos en skills reutilizables.
La arquitectura se apoya en 3 conceptos:
1) Memory -> información sobre vos y tus proyectos.
2) Soul ->personalidad y comportamiento del agente.
3) Skills -> capacidades reutilizables para tareas específicas.
¿Qué tiene de interesante?
Que el agente mejora mientras lo usás.
El loop suele verse así:
trabajás con el agente → el agente observa workflows → genera nuevas skills → reutiliza memoria en futuras tareas.
Con el tiempo terminás construyendo un sistema que entiende cómo trabajás, qué tools usás y qué resultados esperás.
Gran artículo.
En los 2000s la recomendación era "estudiá computación/programación".
En el 2026 el equivalente es: estudiá Physical AI
Physical AI es una rama de la inteligencia artificial que va más allá del software en la nube para interactuar directamente con el mundo real.
Es la combinación de modelos avanzados con sensores y actuadores, las máquinas pueden percibir, razonar y actuar dentro de entornos físicos, lo que permite operaciones autónomas como la manipulación robótica, los drones y la conducción autónoma.
Hay 4 pilares fundamentales:
1⃣ Hardware
2⃣ Operating System
3⃣ Programming & AI
4⃣ Robotics Implementation
Pero antes, existen algunos prerrequisitos para poder aprender de forma óptima:
🔹 Lenguajes de programación: principalmente Python
🔹 Matemáticas: algebra lineal y geometría
🔹 Modelos 3D
🔹 Data Science: entender y poder desarrollar modelos de Machine Learning
Dividiendo el contenido/aprendizaje en niveles:
1⃣ Lo ideal es empezar con microcontrollers usando Arduino y Raspberry Pi. Esto ayuda a entender la base sobre componentes electrónicos y sensores.
2⃣ Seguir por sistemas operativos aprendiendo ROS2 = Robot Operating System
ROS es un framework para el desarrollo de software para robots y sistemas autónomos. Te permite entender cómo se comunican los sistemas.
3⃣ Continuar con simulación, modelados 3d y digital twins. Gazebo e Isaac Sim te permiten interactuar, aprender y generar data sintética sobre robots y sistemas que en el mundo físico son extremadamente caros.
Acá la limitante por costo es el hardware porque consumen cantidades enormes de recursos y necesitan GPUs costosas.
Isaac Sim necesita 32GB de VRAM de una GPU. Equivalentes a una RTX 5090 o 4090.
NVIDIA diseño la serie Backwell, que son tarjetas gráficas pensadas para data centers y cargas de trabajo a AI. Pero su costo supera los 10.000 USD por unidad para la serie 6000. Ofreciendo 96GB de VRAM.
4⃣ El siguiente paso es entender cómo un sistema autónomo o robot puede procesar y entender información de su entorno.
Para esto se usa computer vision/OpenCV. Se desarrollan distintos modelos que permiten a las maquinas y robots aprender de su entorno e interactuar con el.
5⃣ AI Agents y VLAs: los Vision Language Models combinan computer vision y procesamiento del lenguaje natural para comprender, interpretar y razonar a través de datos de imagen/video y texto.
Se pueden combinar con LLMs se puede dar instrucciones al robot para que realice las tareas que aprendió a través de VLAs.
Algunas cuestiones generales, todo corre sobre Linux Ubuntu. Python es fundamental para poder programar y desarrollar las soluciones.
Entender Tensor, un modelo de estructuras de datos multidimensional que permite trabajar con imágenes y aplicar soluciones complejas a través de redes neuronales.
Aprender PyTorch y TensorFlow es también algo fundamental para el desarrollo de este tipo de soluciones. Aplicando deep learning.
📚 Cómo y dónde se puede empezar a estudiar gratis?
🔹 La universidad de Cambridge publicó "Modern Robotics: mechanics, planning and control".
Un textbook gratuito de Kevin M. Lynch y Frank C. Park con muchisimo contenido para aprender.
🔹 La universidad de Princeton publicó "Introduction to Robotics".
Un curso completo y gratuito con videos, notas, slides que incluyen apartados de práctica.
🔹 Robotics Coursework, un repo de GitHub publicado por Mithi Sevilla. Una ingeniera de software de Singapur.
El repo incluye un roadmap completo de aprendizaje con links, libros y contenido para estudiar.
🔹 MIT OpenCourseWare, es una iniciativa gratuita del Massachusetts Institute of Technology donde se publican cursos y material gratuito para estudiar.
Dentro de OpenCourseWare se encuentra la sección Robotics con 142 recursos para estudiar.
🔹 NVIDIA tiene una sección de learning paths para Physical AI. Además de Robotics Fundamentals, todo de forma libre y gratuita.
Son unas 30 horas de estudio y entrenamiento gratuito.
Conoce Code Wiki: la herramienta GRATUITA impulsada por Gemini que resuelve la parte más lenta del onboarding.
Analiza cualquier codebase complejo y lo vuelve fácil de entender en minutos. ⚡
️
Te ayuda a:
✅ Generar la documentación que falta automáticamente.
✅ Crear diagramas de arquitectura interactivos.
✅ Tener un chat para que le hagas preguntas directas al código.
Acelera tu desarrollo en proyectos open-source.
Pruébala ahora: https://t.co/lEgRDPSAQA
¡Esta biblioteca para subir archivos es brutal!
Creada por un desarrollador de OpenAI, se llama Files SDK y con una sola API puedes trabajar con:
✓ AWS S3, Cloudflare R2, Google Drive y más.
✓ Para Node, Bun, Deno y navegador
$ pnpm i files-sdk
Si hoy tuviese que aprender Claude Code, arrancaría por esto:
1) Agent loop: entender cómo Claude piensa, ejecuta acciones, verifica resultados y corrige errores mientras trabaja.
2) Permissions & Auto Mode: approvals, auto mode y qué puede ejecutar Claude automáticamente.
3) Memory (CLAUDE.md): guardar reglas, comandos y contexto para no repetir lo mismo en cada sesión.
4) MCP: conectar Claude con GitHub, Slack, databases y herramientas externas.
5) Skills: crear workflows reutilizables para tareas repetitivas o específicas del proyecto.
6) Subagents: dividir tareas grandes en agentes separados para mantener el contexto limpio.
7) Hooks: automatizar validaciones, permisos y restricciones antes o después de acciones importantes.
8) Planning: cuándo usar /plan antes de tocar código o cambiar arquitectura.
9) Session management: usar /compact, /clear, --resume y --continue para manejar sesiones largas.
10) Rewind & checkpoints: volver atrás cuando Claude rompe algo o toma un mal camino.
11) Commands: aprender /permissions, /memory, /review, /agents y otros comandos clave del día a día.
12) Effort levels: cuándo usar think, ultrathink o distintos niveles de razonamiento según la tarea.
Y recién después iría a conceptos más avanzados:
context engineering, harness, context rot, multi-agent workflows y performance.
Si estás empezando con Claude, hay 12 conceptos que tienes que entender:
1) CLAUDE.md
2) Permissions
3) Plan Mode
4) Checkpoints
5) Skills
6) Hooks
7) MCP
8) Plugins
9) Context
10) Slash Commands
11) Compaction
12) Subagents
En el video lo explican TODO ⬇️
Este ingeniero de Anthropic creó los MCPs
En este vídeo, que he traducido al espàñol, te enseña lo que la mayoría de los desarrolladores descubren por su cuenta en meses
Deberías guardarlo... Es el manual que necesitas para construir y vender mcps en 2026
Claude Code está escribiendo React de MIERDA
Lo acabo de confirmar: React Doctor le puso 42/100 (CRÍTICO) a un proyecto mío vibe-codeado.
Detectó 36 issues en 18 archivos.
State mal gestionado, effects rotos, keys con array index, dead code, problemas de performance y accesibilidad… todo.
Este será el Good Doctor de los vibe-coders a partir de ahora:
✅ Funciona con Next.js, Vite y React Native
✅ Se instala como skill en Claude, Cursor, Windsurf y +50 agents de IA
✅ GitHub Action + plugin de ESLint/oxlint incluido
REPOOO👇
Hooks te permiten ejecutar acciones automáticas en momentos específicos del ciclo del agente.
Por ejemplo:
- bloquear comandos peligrosos antes de que se ejecuten
- correr Prettier automáticamente después de editar archivos
- lanzar tests
- mandar notificaciones
- ejecutar scripts al finalizar tareas
Y lo importante: son deterministas.
No dependen de que el modelo “se acuerde”. Se ejecutan siempre.