Gentleman Programming

@GoogleDevExpert Angular | @MVPAward | Front End Architect | Gentleman Programming Community Owner | Book Author

Collab: [email protected]

[Gentleman Programming @G_Programming]

Tu agente de IA se olvida de TODO cuando cierra la sesión.

Cada decisión de arquitectura. Cada bug que resolvió. Cada patrón que descubrió. Perdido.

La siguiente sesión arranca de cero. Como si nunca hubiera pasado nada.

Hoy lanzo Engram — memoria persistente para agentes de IA.

Un solo binario en Go. SQLite + FTS5. Sin Node, sin Python, sin Docker, sin ChromaDB. Funciona con CUALQUIER agente MCP: Claude Code, OpenCode, Cursor, Windsurf, Gemini CLI.

¿Cómo funciona?

El agente trabaja con vos. Resuelve un bug → lo guarda. Toma una decisión de arquitectura → la guarda. Descubre un patrón → lo guarda. Todo estructurado, indexado, buscable.

Siguiente sesión → el contexto se inyecta automáticamente. El agente recuerda.

Pero acá viene lo mejor: memoria por proyecto.

`engram sync` detecta automáticamente tu proyecto por el directorio en el que estás. Todo lo que el agente aprende se persiste en chunks comprimidos (gzipped JSONL) con content hashes, organizados en un manifiesto dentro del repo.

¿Qué significa esto para equipos?

Que cuando tu compañero clona el repo y abre su agente, tiene TODO el contexto de las conversaciones que tuviste con la IA mientras trabajabas en esa funcionalidad.

Sin Slack preguntando "che, ¿cómo hiciste esto?". Sin meetings de contexto. Sin documentación que nadie escribe.

Es documentación viva que se escribe sola mientras trabajás.

Cada dev genera chunks independientes → sin conflictos de merge. El manifiesto es append-only. Auto-import incluido.

Algunas decisiones de diseño que tomamos:

→ El AGENTE decide qué guardar, no un pipeline de compresión externo. Ya tiene el LLM, ya tiene el contexto. ¿Para qué agregar otra capa?
→ Progressive Disclosure en 3 capas: búsqueda compacta → timeline → detalle completo. Eficiente en tokens.
→ 3 capas de resiliencia para sobrevivir compactación de contexto.
→ Tags \<private\> redactados en 2 niveles antes de tocar la DB.
→ MIT License. Open source. Sin lock-in.

📦 brew install gentleman-programming/tap/engram

🔗 https://t.co/IrJSgryQcw

Si trabajás con agentes de IA para programar, probalo. Y si te copa, una ⭐ en GitHub siempre se agradece.

#AI #DevTools #MCP #ClaudeCode #OpenCode #Cursor #GoLang #OpenSource #DeveloperProductivity #AIAgents #SoftwareEngineering #GentlemanProgramming

[Gentleman Programming @G_Programming]

@kungfu_pa ?

[Gentleman Programming @G_Programming]

gentle-ai v2.1.0. Primera release después de la 2.0, y con contributors de la comunidad adentro.

Uninstall managed de plugins de comunidad (OpenCode, CLI y TUI):
→ Confirmación antes de tocar nada.
→ Staging reversible: podés volver atrás.
→ Detección de drift: si tocaste algo a mano, no lo pisa a ciegas.
→ Reporte de limpieza al final.
Cómo se va una herramienta de tu máquina importa tanto como cómo llega.

Review lifecycle más duro (la base de la 2.0 sigue madurando):
→ Replay de autoridad legacy.
→ Invalidación de estados pristine.
→ Validación de recibos compactos y binding de reemplazos aprobados.
→ Límites explícitos de pre-PR.

Confiabilidad:
→ Headers de autenticación de Context7 preservados en install, sync y upgrade (OpenCode y KiloCode).
→ Worktrees con CodeGraph bajo el home, con índices independientes.
→ Recuperación segura de conflictos ERESOLVE de npm y clones viejos de GGA.
→ Manifests de Pi en Windows, Codex en Linuxbrew, parsing de model-specs y clasificación de riesgo de service-tokens.

Y lo mejor: gracias a decode2, sombraxxl y andres por sus contribuciones. La 2.0 salió hace días y la comunidad ya está construyendo encima.

Update:
brew upgrade gentle-ai && gentle-ai sync

Release:
https://t.co/lJfE7xQH7P

#OpenSource #DevTools #AI

[Gentleman Programming @G_Programming]

@EstebanVfx01 O para ahorrarlos ahora con la última release de gentle-ai 😏

[Gentleman Programming @G_Programming]

Ojo con su sub semanal, no se confíen

[Tibo @thsottiaux]

Morning. The last 48 hours of Codex and ChatGPT Work have been intense! Three important updates:

- Temporarily removing the 5 hour usage limit restriction for all Plus, Business and Pro plans
- Rolling out changes that will make GPT 5.6 Sol more efficient across the board and that will be reflected in less usage being used so that it can take you further. Exact impact to be quantified and shared
- We hit 6M active users, and are landing a usage reset in the next hour

Go do things

[Gentleman Programming @G_Programming]

@efrainriivera Nunca !

[Gentleman Programming @G_Programming]

@lokeraar10 Crea el issue y el pr en https://t.co/kKINXa2nns ! Dile a tu agente que lo haga

[Gentleman Programming @G_Programming]

gentle-ai llegó a la versión 2.0. Y el número que la define es este: los prompts de review son entre un 86% y un 89% más chicos. Medido, no estimado.

→ Review estándar: de 10.575 tokens a 1.443.
→ Review full-4R: de 26.749 tokens a 2.943.
→ Operaciones de lifecycle hasta pre-PR: de 17-18 a 6 llamadas. Un 65% menos.
→ Estados semánticos: de 12 a 5.
→ Contadores de lifecycle: de 12 a CERO.
→ Y los gates de commit, push, PR y release ahora validan con cero llamadas a modelos. Determinístico, local, gratis.

¿Cómo se logra eso sin perder rigor? Dos ideas.

La primera: admisión causal. Solo los findings que tu cambio INTRODUJO, activó o empeoró pueden exigir corrección. Lo preexistente se vuelve follow-up, no bloquea tu PR. Causalidad desconocida escala a humano. Se terminó el review que te cobra deuda técnica ajena.

La segunda: el ciclo entero se compactó en una fachada de tres comandos: review start, review finalize, review validate. Go se encarga de la canonicalización, los hashes y los recibos. El modelo solo hace lo que solo un modelo puede hacer: el criterio del review. Todo lo demás bajó del prompt al código.

Si leíste el capítulo 21 del libro, esto te va a sonar: es la regla de "mové la garantía hacia abajo en el stack" aplicada hasta el final. La máquina de 12 estados que describe el capítulo cumplió su misión y se compactó a 5, conservando los recibos atados al contenido, el rechazo de findings viejos o no causales, y los chequeos finales contra el Git vivo.

Además en esta release: modelos de review configurables por lente en OpenCode (tu modelo más potente en riesgo, el más barato en legibilidad, vos decidís), advisories scrolleables en la TUI, y CodeGraph endurecido para worktrees y layouts XDG.

La v1 queda leíble y válida como compatibilidad. Nada se rompe.

De 26.749 tokens por review a 2.943, con MAS garantías que antes. Eso es lo que significa el 2 adelante del punto.

Release:
https://t.co/UvaTOf0NRU

Todos los números medidos, en el PR:
https://t.co/SHaQxksMBh

Update: brew upgrade gentle-ai && gentle-ai sync

#OpenSource #DeveloperTools #AI

[Gentleman Programming @G_Programming]

@mario_chavez @proteo5 @powerhdeleon @midudev @MoureDev @5eniorDeveloper @recuerd_0 No realmente, engram tiene su versión engram cloud para sync en el momento entre personas o tu mismo con panel admin y manejo de proyectos / usuarios . Y todo gratis

[Gentleman Programming @G_Programming]

@lokeraar10 Igual te recomiendo en vez de android conectarte con térmica, tailscale por ssh a una máquina y siempre estarás updated

[Gentleman Programming @G_Programming]

@lokeraar10 Lo hice hace rato a las 5 am España, levanta el pr que saco muchas releases

[Gentleman Programming @G_Programming]

@lokeraar10 En gentle ai :)

[Gentleman Programming @G_Programming]

@MrJmpl3 Ya lo hace, siempre te pregunta antes de hacerlo y solo si se necesita

[Gentleman Programming @G_Programming]

@eltalbenitez Ya lo tiene antigravity y Antigravity cli, pero NO antigravity ide

[Gentleman Programming @G_Programming]

@Santana_Jcp Prueba está versión ! Vas a ver qué ahora se refuerza más que nunca, increíble con GPT 5.6

[Gentleman Programming @G_Programming]

@CandidoRoberto Vos probalo... Y disfruta

[Gentleman Programming @G_Programming]

@Etrigan16 Lo uso desde que saque y anda todo increíble :) instalalo desde Gentle-Ai está todo metido ahí

https://t.co/kKINXa2nns

[Gentleman Programming @G_Programming]

Tu agente de IA se olvida de TODO cuando cierra la sesión.

Cada decisión de arquitectura. Cada bug que resolvió. Cada patrón que descubrió. Perdido.

La siguiente sesión arranca de cero. Como si nunca hubiera pasado nada.

Hoy lanzo Engram — memoria persistente para agentes de IA.

Un solo binario en Go. SQLite + FTS5. Sin Node, sin Python, sin Docker, sin ChromaDB. Funciona con CUALQUIER agente MCP: Claude Code, OpenCode, Cursor, Windsurf, Gemini CLI.

¿Cómo funciona?

El agente trabaja con vos. Resuelve un bug → lo guarda. Toma una decisión de arquitectura → la guarda. Descubre un patrón → lo guarda. Todo estructurado, indexado, buscable.

Siguiente sesión → el contexto se inyecta automáticamente. El agente recuerda.

Pero acá viene lo mejor: memoria por proyecto.

`engram sync` detecta automáticamente tu proyecto por el directorio en el que estás. Todo lo que el agente aprende se persiste en chunks comprimidos (gzipped JSONL) con content hashes, organizados en un manifiesto dentro del repo.

¿Qué significa esto para equipos?

Que cuando tu compañero clona el repo y abre su agente, tiene TODO el contexto de las conversaciones que tuviste con la IA mientras trabajabas en esa funcionalidad.

Sin Slack preguntando "che, ¿cómo hiciste esto?". Sin meetings de contexto. Sin documentación que nadie escribe.

Es documentación viva que se escribe sola mientras trabajás.

Cada dev genera chunks independientes → sin conflictos de merge. El manifiesto es append-only. Auto-import incluido.

Algunas decisiones de diseño que tomamos:

→ El AGENTE decide qué guardar, no un pipeline de compresión externo. Ya tiene el LLM, ya tiene el contexto. ¿Para qué agregar otra capa?
→ Progressive Disclosure en 3 capas: búsqueda compacta → timeline → detalle completo. Eficiente en tokens.
→ 3 capas de resiliencia para sobrevivir compactación de contexto.
→ Tags \<private\> redactados en 2 niveles antes de tocar la DB.
→ MIT License. Open source. Sin lock-in.

📦 brew install gentleman-programming/tap/engram

🔗 https://t.co/IrJSgryQcw

Si trabajás con agentes de IA para programar, probalo. Y si te copa, una ⭐ en GitHub siempre se agradece.

#AI #DevTools #MCP #ClaudeCode #OpenCode #Cursor #GoLang #OpenSource #DeveloperProductivity #AIAgents #SoftwareEngineering #GentlemanProgramming

[Gentleman Programming @G_Programming]

@JericoOdyssey Vamos ! Gracias Hermoso mío por el apoyo 😊

[Gentleman Programming @G_Programming]

3 días de quemar tokens y salió gentle-ai v1.49.0. El tema: límites. Los agentes ahora saben exactamente qué pueden delegar, qué pertenece al target revisado, qué findings pueden corregir y cuándo el trabajo está TERMINADO.

Review once, fix once, move forward:
→ Un solo camino: scope → implement → test → un review → freeze → un fix → verify acotado → seguir.
→ Genesis persiste las rutas revisadas canónicas: correcciones fuera de scope fallan antes de mutar o gastar presupuesto.
→ Snapshots de corrección derivados de Git, nunca de rutas o hashes que declara el caller.
→ Findings bloqueantes congelados en un ledger, un solo presupuesto de fix.
→ La validación post-fix chequea criterios originales, no lanza otra barrida.
→ Contradicción = escalación a humano. Nunca otro loop.
→ Contrato idéntico en todos los agentes, con tests de paridad por catálogo.

Delegación nativa OpenCode:
→ Exploración read-only al agente explore nativo, implementación general al agente general fuera de SDD y Judgment Day.
→ Todo otro target: denegado por default.

Pi + CodeGraph opcional:
→ Exploración read-only con install, sync y uninstall ownership-safe.
→ Health del adapter falla cerrado, rollback intenta cada restauración aplicable.

Recibos durables:
→ Los reviews aprobados sobreviven al commit. Pre-push compara contenido entregado, no representaciones del worktree.

Validación: unit tests y E2E en Ubuntu, Arch y Fedora. Y el dato: esta release pasó por su propio ciclo de vida. Un review, una corrección congelada, una validación acotada, una verificación final. Los seis escenarios del contrato en verde.

Toda la teoría detrás (recibos atados por hash, máquina de 12 estados, cadenas append-only, gates que no confían en nadie) está en el capítulo 21 del libro, gratis:
https://t.co/wB73c5wVQA

Release:
https://t.co/tMIlvaYcB1

Update: brew upgrade gentle-ai && gentle-ai sync

#OpenSource #DevTools #AI

[Gentleman Programming @G_Programming]

@Integramosinge Yes

[Gentleman Programming @G_Programming]

@maxedapps https://t.co/kKINXa2nns

😏

[Gentleman Programming @G_Programming]

@seventrust Si se puede. Es más lo probamos en vivo y anda perfecto