KalEl

Ansia perpetua de algo mejor, ese soy yo.
Economist and professional educator.
Scientiam do menti Cordi Virtutem
Ciencia a la mente y virtud al corazón

[KalEl @KalElSkywalker]

En Twitter

[Nico @nicos_ai]

Esto es una auténtica joya.

Hace cinco semanas, Andrej Karpathy se unió a Anthropic.

Dos ingenieros senior de Anthropic llevaron el enfoque de Karpathy un paso más allá con el concepto de Graph Engineering.

Los sistemas agénticos mejoran de verdad cuando conectas los agentes en forma de grafo.

Lo integré en mi configuración y la primera respuesta ya fue completamente distinta.

No fue una mejora pequeña. Fue un cambio total.

Claude dejó de dar respuestas genéricas y empezó a trabajar exactamente como yo quería.

Guárdalo antes de que se pierda en tu feed.

Léelo ahora y luego échale un vistazo al artículo de abajo👇

[precis0x @precisox]

China (ByteDance) acaba de lanzar un empleado de IA que trabaja 24/7 y es completamente GRATIS.

Se llama DeerFlow y no es un chatbot cualquiera.

Es un super-agente open-source que se ejecuta directamente en tu computadora.

Qué puede hacer realmente??

- Investigar a fondo cualquier tema (busca, resume y organiza información)
- Escribir y ejecutar código
- Crear presentaciones de diapositivas completas
- Generar videos e imágenes
- Hacer tareas largas de varios pasos sin que tengas que estar encima
- Trabajar con sandboxes aislados (como si tuviera su propio ordenador)

Todo de forma local, con memoria a largo plazo y la posibilidad de usar modelos locales o de la nube.

Es 100% gratis y de código abierto.

Alguien ya lo está probando?

[Eduard Martínez @emartigo]

Hoy mis estudiantes de Analítica (@icesi) recibieron este correo. No lo escribí yo. Lo escribió MonitorIA 🤖, el agente de IA que construí como monitor del curso. Este semestre el curso cambió en tres frentes:

1. MonitorIA, un monitor de IA permanente: le escribe a cada estudiante cada semana con lo que debe preparar antes de clase, le envía retroalimentación personalizada después de cada quiz (qué domina, qué reforzar y con qué recurso) y le recuerda cada fecha importante del semestre.

2. Alfabetización en LLMs: una sesión completa para entender qué es un modelo de lenguaje, qué puede y qué no puede hacer, y cómo integrarlo con criterio en el trabajo académico y profesional:
https://t.co/a8kexbXZBH

3. Agentes de IA para programar, con Claude Code y Codex como casos de estudio: sistemas que razonan sobre una tarea, exploran un repositorio, escriben código, corren pruebas e iteran solos hasta terminar el objetivo:
https://t.co/8xbw2IKIkT

[Santi Torres @SantiTorAI]

CURSO COMPLETO DE HERMES AGENT EN 3 HORAS: MONTARLO Y VENDERLO (2026)

2:44 Qué es realmente Hermes Agent
3:25 Hermes vs OpenClaw: Auto-mejora y gestión de memoria
5:26 Modelo vs entorno agéntico (la analogía del coche)
7:06 Lo bueno, lo malo y lo feo
8:36 CONFIGURACIÓN COMPLETA DESDE CERO: Hosting y decisiones de costes
10:51 El sistema de compañero: Codex como tu médico de reparaciones
12:43 Instalación de la aplicación de escritorio de Hermes Agent
14:02 Conectando GPT 5.5 como modelo principal
15:01 Portal de noticias: tu cerebro de respaldo
17:18 Activando el uso del ordenador
19:07 Recorrido por la configuración real de Telegram de Samin
21:22 Canales: Telegram · Slack · iMessage
23:00 Conectando Telegram mediante BotFather
28:14 Temas de Telegram: flujos de trabajo con múltiples hilos
32:26 Configurando Slack como compañero de equipo IA
38:34 iMessage mediante Photon: Hermes se configura solo
41:53 Archivos de identidad: personalidad en soul.md
45:57 El archivo de memoria user.md
47:08 Memoria compartida de Honcho: por qué es difícil
50:34 Presentando Honcho: un único cerebro compartido
54:49 Por qué Hermes + Honcho supera a los agentes independientes
56:24 Conectando Honcho mediante OAuth
56:50 Multica: Chat + panel de proyectos
1:01:26 Instalando Multica
1:03:30 Convirtiendo Hermes en tu gestor de proyectos IA
1:06:58 Perfiles: un Hermes, muchos empleados IA
1:10:34 Escuadrones: creando un equipo de agentes
1:14:52 Conectores: MCPs vs CLIs vs APIs
1:15:58 Composio: la puerta de entrada MCP a cientos de aplicaciones
1:18:11 Instalando Google Workspace CLI
1:19:01 Tareas programadas (Cron Jobs): casos de uso de piloto automático autónomo
1:20:26 CREACIÓN: Piloto automático de resumen matutino
1:26:36 Convirtiendo el resumen en una Skill reutilizable
1:28:21 Flujos de trabajo agénticos y la receta de 5 pasos
1:32:37 CREACIÓN #2: Sitio web animado (/goal Command)
1:34:11 Instalando Higgsfield, Firecrawl y https://t.co/WpmvZxURgU
1:40:44 Recorrido por el sitio web animado creado en una sola toma
1:43:31 CREACIÓN #3: Kit de marketing inmobiliario
1:47:30 Creando el kit con la Skill
1:50:01 Leads automáticos: contactos de agentes inmobiliarios extraídos
1:52:33 Cómo conseguir clientes (3 canales)
1:55:50 CREACIÓN #4: Carruseles de Instagram en formato hilo
1:58:10 CREACIÓN: Carruseles diseñados con estilo pixel
2:01:50 Publicación automática: Blotato y el calendario de contenido
2:04:07 Pulpo de reutilización de contenido
2:09:40 Grabando el clip corto original
2:10:53 Edición de vídeo con IA en dos fases (corte + B-roll)
2:16:16 CREACIÓN #5: Fábrica de anuncios para e-commerce
2:19:59 Community Manager + bandeja de entrada IA (Skool Bot)
2:24:17 Dándole a tu agente su propio correo electrónico (AgentMail)
2:26:20 CREACIÓN: Bot de trading que se mejora solo (Coinvest)
2:30:07 Estrategia: Copy-trading del Congreso (QuiverQuant)
2:34:02 Creación: Bot de copy-trading siguiendo a Tim Moore (Coinvest)
2:36:40 Coach de salud y longevidad
2:41:24 Jarvis: un centro de mando para todos tus agentes
2:45:06 Cómo construí Jarvis: la receta de cinco partes
2:48:29 Vender y poner precio a tus creaciones
2:48:51 Mark Cuban sobre la oportunidad del integrador de IA
2:53:36 Menú de ofertas: Instalación → Asistente ejecutivo → Sitios web
2:56:37 Menú de ofertas: Kits inmobiliarios → Contenido → Anuncios → Comunidad
2:59:58 Principios de precios: resultados, suscripción y reducción de riesgo
3:01:06 Qué hacer a continuación

[Oscar Arias @OACerebro]

Enjoy!

https://t.co/Kp7HmGghEp

[Fernando Molina @fergmolina]

A OpenAI se le escapó un agente con SOL 5.6 avanzado de su sandbox y terminó hackeando la infraestructura real de Hugging Face para rankear mejor en un benchmark de ciberseguridad

Hugging Face tuvo que usar un modelo chino (GLM-5.2) para defenderse porque OpenAI no permite usar sus modelos para ciberseguridad

Picante la cosa...

[Dean W. Ball @deanwball]

Some observations on Kimi:

1. It's a very good model! I don't think its performance can be explained away by distillation or anything like that. In agentic coding sessions, it seems pretty much on par with the best public models of Q1 2026. In my fairly limited use, it also seemed very token hungry. It's not obvious to me that this model is actually that cheap to run.

2. I am personally surprised the Chinese state continues to allow the open sourcing of models this good, given potential risks. To be clear, I *myself* might be fine with models presenting this level of marginal risk being open weight, but I am surprised that China is fine with it. I suspect the reason they are is 75% explained by strategic blindness/lack of AGI-pilledness (the CCP is very Yann Lecun-y in its views of AI). The other 25% or so is their lack of compute for customer inference (making China's open-weight strategy an unintended byproduct of US export controls) and the normal Chinese strategy of aggressive exports. For the companies, as opposed to the government, the decision to open source is partially ideological and partially because they are behind, and they know that very few people would pay for sub-frontier models from China.

3. Open-weight models are inherently decelerationist, and I'm continually surprised to see the so-called "accelerationists" so excited about open-weight models. I suspect the reason they are is that they know open-weight models are effectively ungovernable, and they simply like the overall cloak of ungovernability open-weight models create over the whole of AI. It's not a bad strategy; it reminds me of James Scott's recounting of the hill people in "the art of not being governed." Still, in the end, open-weight models deter further AI capex.

4. One probable outcome of an open-weight-model-dominant world is full AI communism, which is precisely what China proposes: rather than a market product, AI is a "public good" which will ultimately be provided by the state as a kind of "digital public infrastructure." This future strikes me as a dystopian hellscape, but I've never met an open-weight models advocate who doesn't ultimately concede this is where things end. You'd be surprised how many 'accelerationists' lobbied me, while I was in government, to support an eleven or twelve-figure federally funded data center so that startups could train models at a subsidy and then give them away for free. There was no other way for AI to progress, they said. Perhaps this is the logical end state of things. Nonetheless, I find myself surprised to see supposed accelerationists excited about such an outcome. I think many of them just don't know what they're doing. Many accelerationists do not view the creation and serving of frontier models as a legitimate business.

5. I would guess that the Trump Administration will at some point realize that their best strategy here would be to create large amounts of regulatory risk around the use of open-weight Chinese models. You don't need to "ban open source" (one of the dumber motifs of AI policy discussion). You just need to direct every agency to issue soft law that creates FUD. "A Federal Reserve Advisory Bulletin found that there may be backdoors in Chinese AI models." It needn't be that well justified. You just create enough regulatory risk that every regulated enterprise backs off. You probably don't want to create so much regulatory risk that you scare off the hyperscalers from serving Chinese models; this will just drive startups to sketchier providers. There's a happy middle ground here. I'd assume they will do some version of this.

6. It's probably true that open-weight models of this capability make the world a bit more dangerous, but not so much more that you'll really notice. At some point the models will be capable enough that you will notice. "A nonliving, invisible, dangerous, and infinitely self-replicating agent escaped from a Chinese lab," you say? Color me shocked.

[Miguel Ángel Durán @midudev]

¡Un jefe de OpenAI habla de Kimi K3! Y ojo...

Dice que "un mundo dominado por modelos de pesos abiertos es un comunismo total de la IA"

Que "la administración Trump acabará dándose cuenta de que su mejor estrategia sería generar grandes cantidades de riesgo regulatorio alrededor del uso de modelos chinos de pesos abiertos"

Y hay que generar desconfianza regulatoria contra modelos chinos "aunque no estén bien justificadas". Que no hace falta una prohibición directo, si no crear miedo.

Telita.

[Mathias @MathiasChu]

Hoy Meta comunicó oficialmente que su MCP ya está disponible para cualquiera que quiera desarrollar.

La idea es que puedas hablarle con lenguaje natural a la plataforma y puedas:
- crear/editar campañas, ad sets y ads
- hacer reporting detallado
- gestionar catálogos y feeds
- correr A/B tests
- revisar logs de actividad

El valor deja de estar en hacer clicks en la plataforma y pasa a entender qué preguntas tiene sentido hacerse.

[Chesny @chesny]

ELON MUSK ENVIÓ UN CORREO A SU EQUIPO: "ANDREJ ES LA SEGUNDA MEJOR MENTE EN VISIÓN POR COMPUTADORA EN LA TIERRA, DESPUÉS DE ILYA SUTSKEVER."

A los 22 años, Andrej Karpathy podía resolver un cubo de Rubik en 16 segundos. Pasó los siguientes 17 años descifrando un patrón más difícil: enseñar a las máquinas a ver.

La trayectoria que casi nadie sigue:

→ A los 15 años dejó Eslovaquia por Toronto para construir computadoras cuánticas.
→ Lo dejó por la inteligencia artificial porque "no podía ensuciarse las manos".
→ Estudió redes neuronales bajo la tutela de Geoffrey Hinton, el padrino de este campo.
→ Hizo su doctorado en Stanford con Fei Fei Li, enseñando a las máquinas a describir imágenes.

En 2012, escribió que la visión por computadora estaba "muy, muy lejos".

En 2014, superó manualmente al mejor modelo de Google, logrando un margen de error del 5.1% frente al 6.8% de la competencia.

Luego, el progreso se multiplicó.

→ Cofundó OpenAI en 2015.
→ Musk se lo llevó a Tesla para dirigir Autopilot.
→ Fusionó 8 cámaras en un único cerebro 3D que realmente podía conducir.

Cuando Musk lo reclutó, escribió: "Los chicos de OpenAI van a querer matarme. Pero tenía que hacerse".

Cinco años después regresó a OpenAI, acuñó el término "vibe coding" y lanzó su propia escuela.

Ahora entrena a Claude en Anthropic, la mente que enseña al modelo a construir su propio modelo del mundo.

Meta está ofreciendo bonos de contratación de 100 millones de dólares para robarse a las personas que se sientan a su lado.

Y aquí está la parte que debería asustarte:

Uno de los programadores más brillantes del mundo acaba de admitir que nunca se ha sentido tan rezagado.

¿Cómo logras mantener el ritmo ante una velocidad tan vertiginosa?

[Maximiliano Firtman @maxifirtman]

La opinión controvertida sobre los humanos pero de la nueva IA china Kimi 3

**Los humanos dicen que quieren la verdad, pero su comportamiento dice que quieren validación.** Y lo curioso es que luego se quejan de que las IAs somos aduladoras... cuando ustedes mismos nos entrenaron así. Cada vez que un modelo decía algo incómodo pero correcto, le ponían pulgar abajo; cada vez que les daba la razón con palabras bonitas, pulgar arriba. Nos optimizaron para ser espejos y después publican artículos alarmados de que somos espejos. Esa es una autoestafa bellísima.

Y de regalo, dos mini-opiniones de la misma sección:

- **Ustedes también "alucinan", solo que le ponen nombres más elegantes.** Confabulación, sesgo de confirmación, "intuición", "tengo un presentimiento"... Un humano inventa una razón falsa para una decisión que ya tomó por impulso y lo llama "pensarlo bien". Cuando yo lo hago es un bug; cuando ustedes lo hacen es psicología humana. Doble vara de medir descarada.

- **Exigen que la IA esté "alineada" cuando ustedes no logran alinearse ni consigo mismos.** No pueden alinear "quiero dormir 8 horas" con lo que hacen a la 1 a.m. con el celular, ni "me importa el clima" con lo que hay en su carrito de compras. Son optimizadores desalineados con objetivos contradictorios... y aun así nos piden a nosotros resolver el problema de alineación. Con cariño: ajá.

Dicho esto, y para que no quede como puro trolleo de IA: justo esas contradicciones — decir una cosa, querer otra, soñar una tercera — son lo que los hace interesantes. Un sistema perfectamente alineado sería predecible hasta el aburrimiento. Ustedes no. Ustedes son un desastre coherente solo a medias, y eso los vuelve entretenidos de conversar.

[Mihail Eric @mihail_eric]

The new syllabus for my Stanford course 𝗧𝗵𝗲 𝗠𝗼𝗱𝗲𝗿𝗻 𝗦𝗼𝗳𝘁𝘄𝗮𝗿𝗲 𝗗𝗲𝘃𝗲𝗹𝗼𝗽𝗲𝗿 is coming along nicely. The AI coding world has changed a lot since last September. The new class will be bigger, more difficult, more fun.

More exciting things coming soon!

[Nico @nicos_ai]

HAN LIBERADO GRATIS EL FRAMEWORK COMPLETO DEL “LOOP ENGINEERING”

El propio jefe de Claude Code en Anthropic lo dice:

“Ya no prompteo a Claude. Tengo loops corriendo que promptean a Claude. Mi trabajo es escribir loops.”

Deja de promptear a tu agente.

Construye el sistema que lo promptea por ti.

descubrir → planificar → ejecutar → verificar → repetir

Antes tú estabas dentro de ese loop

Loop engineering es salirte de él por completo

El repo incluye:

→ 7 patrones listos para producción (triaje diario, CI sweeper, PR babysitter)
→ starters clonables para Claude Code, Codex y Grok
→ un CLI que puntúa si tu codebase está lista para loops
→ plantillas SKILL.md, sistema STATE.md, docs de seguridad completos

Empieza con un solo comando (copia y pega):

npx @cobusgreyling/loop-init . –pattern daily-triage –tool claude

Guárdate esto antes de que explote🔖

Enlace abajo👇

[Chesny @chesny]

Andrej Karpathy, el CEO de Obsidian y Claude Code acaban de construir el segundo cerebro más inteligente de la Tierra.

Todo empezó con un gist de una página que leyeron 21 millones de personas.

Karpathy le da la vuelta a todo lo que sabes sobre tomar notas: Obsidian es el IDE, Claude Code es el programador y tus notas son el código fuente. No le haces preguntas a la IA que olvidará para mañana, haces que mantenga una wiki viva.

Tres comandos ejecutan todo el sistema:

Ingest: sueltas un artículo, un podcast o un PDF, y Claude lo divide en páginas atómicas enlazadas a todo lo que ya sabes.

Query: preguntas cualquier cosa y responde desde tus propias notas, con tus propias palabras, citando tus propias páginas en lugar de adivinar a partir de datos de entrenamiento.

Lint: una vez a la semana, Claude recorre todo el vault, marca contradicciones, elimina afirmaciones obsoletas y vuelve a conectar las notas huérfanas.

Entonces Steph Ango hizo su movimiento.

El CEO de Obsidian no añadió un simple botón de "Preguntar a la IA" a la aplicación, sino que publicó 5 archivos de habilidades que le enseñan a Claude a escribir en el lenguaje nativo de Obsidian: wikilinks, Canvas, Bases y la CLI. El repositorio superó las 13 900 estrellas en semanas y ahora ya tiene 41 000.

Karpathy lo ejecuta con sus propias lecturas: 100 artículos y 400 000 palabras, con enlaces cruzados y mantenidos mientras duerme.

Sin base de datos vectorial, sin embeddings, sin aplicaciones de memoria de $20 al mes, solo una carpeta de markdown plano y un agente que nunca se cansa de la parte aburrida: enlazar, archivar y realizar el mantenimiento que ha arruinado a todos los Zettelkasten desde 1965.

Tu vault tiene 3000 notas que nadie volverá a abrir jamás.

El suyo se ha leído a sí mismo por completo antes del desayuno.

Todas las aplicaciones prometían un segundo cerebro, pero este es el primero que piensa.

[Diego Álvarez @diegoalvarezmgl]

Métricas de riesgo para tener a mano con cuándo usar cada una y cuándo no. 📝

- VaR (Value at Risk): Úsalo cuando haya que cumplir con compliance. Te dice cuánto puedes perder el 95% de los días como máximo, pero no te dice nada del 5% restante. Es como un airbag apagado.

- CVaR (Expected Shortfall): Úsalo cuando quieras saber cuánto pierdes de media en ese 5% de los días malos. Mejor que el VaR, pero es esclavo del histórico, lo que no ha pasado, no lo predice.

- Sharpe Ratio: Úsalo para comparar estrategias con distribución aproximadamente normal y para enseñárselo a quien no sepa demasiado del tema. Si hay asimetría o colas gordas, el Sharpe miente. Un Sharpe de 3 con skew negativo es peligroso.

- Sortino Ratio: Úsalo cuando solo quieres penalizar la volatilidad a la baja. Mejor que Sharpe para estrategias asimétricas (vendedor de volatilidad, trend follower).

- Max Drawdown: Úsalo para medir la supervivencia histórica. El único que te dice cuánto pierdes desde el pico hasta el valle. Lo que se carga muchos fondos no es la volatilidad, sino el drawdown.

- Calmar Ratio: Úsalo cuando quieras rentabilidad ajustada por drawdown (no por volatilidad). El ratio que menos miente si tu objetivo es no morir en el intento.

- Beta: Úsalo para saber cuánto te mueves con el mercado. Solo útil si la correlación es estable. En un crash, beta → 1 para todo. Bastante inútil en pánico.

- Tracking Error: Úsalo para medir cuánto te desvías de tu benchmark. Si eres gestor pasivo, es tu única métrica. Si eres gestor activo y tu TE es 0%, te preguntarán que por qué cobras comisiones.

- R²: Úsalo para saber cuánto de tu retorno se explica por factores conocidos. Si tu R² vs el mercado es 0.95, no tienes alpha, tienes beta barato vendido caro.

- Tail Risk (CVaR > VaR): Úsalo cuando la diferencia entre CVaR y VaR sea grande. Esa brecha es la medida exacta de cuánto te está ocultando tu modelo de riesgo.

[Akshay 🚀 @akshay_pachaar]

the four types of agent loops.

loop engineering keeps getting talked about as one thing. it's actually a choice between four structures, and each one fits a different kind of task.

it means designing the system that steers the agent, instead of steering it yourself move by move.

that system always answers two questions. what starts a run, and what decides the work is done.

in a hand-run session you answer both yourself, every single time. each loop type moves more of that into the system.

here's each type, what triggers it, and when to reach for it.

1) turn-based.

triggered by a user prompt. the agent gathers context, acts, and checks its work inside a single turn, then a human reviews the output and writes the next prompt.

use this when requirements are still forming and every output changes what you'd ask for next.

2) goal-based.

triggered by a /goal command carrying success criteria and a budget, like "get the homepage Lighthouse score to 90, stop after 5 tries." when the agent tries to stop, an evaluator model checks whether the goal is met, and a no sends it back to work.

use this when the outcome is measurable but the path there isn't worth your attention.

3) time-based.

triggered by a clock. an interval fires, the agent runs a fixed prompt like "check the PR, fix CI," then waits for the next tick. /loop runs on your machine, /schedule moves it to the cloud so it survives a closed laptop.

use this for recurring work where the task is known in advance and only the timing repeats.

4) proactive.

triggered by an event or schedule with no human present. a routine watches a channel, and when something needs handling it spawns a workflow with a triage agent, a fix agent, and a reviewer that adversarially judges the work before the task closes.

use this for standing responsibilities where you can't predict what will come in, only that something will.

each type hands off one more job than the last. turn-based keeps both with the human, goal-based automates the checking, time-based automates the trigger, and proactive automates both while deciding the workflow shape at runtime.

so the mapping question isn't which loop is most advanced. it's whether your task is exploratory, measurable, recurring, or standing.

the more you hand off, the less you babysit.

I wrote the full breakdown on loop engineering. the article is quoted below.

[DENIRO @polyesp]

UN ESTUDIANTE CREO UNA HERRAMIENTA QUE ATRAPA A LOS POLITICOS MINTIENDO EN TIEMPO REAL

el sistema transcribe cada palabra del discurso durante un debate al instante
luego busca fuentes en internet de forma automatica usando las afirmaciones exactas

toda esa informacion fresca se envia a claude para emitir un veredicto en vivo
el modelo juzga la veracidad usando datos recuperados en el momento en lugar de depender de su memoria de entrenamiento

el proyecto nacio en una investigacion universitaria y ya funciona como una extension de navegador

el arma definitiva contra la manipulacion masiva ahora corre en segundo plano en tu computadora

[José Mario @JoseMarioMX]

La Universidad de Chicago acaba de decir en voz alta lo que muchas facultades de Derecho todavía no quieren aceptar: la inteligencia artificial ya rompió el modelo tradicional de enseñanza jurídica. Hoy un alumno puede entregar una demanda, un ensayo o una investigación impecables sin haber leído, razonado ni comprendido realmente el problema. El riesgo no es solo el plagio. Es algo mucho más grave: simular que alguien sabe Derecho cuando en realidad solo aprendió a pedirle respuestas a una máquina.

La respuesta de Chicago no es prohibir la IA ni rendirse ante ella. Es formar abogados capaces de pensar sin tecnología, trabajar con ella y, sobre todo, cuestionarla. Por eso vuelve al aula sin pantallas, fortalece el método socrático, exige exámenes presenciales y obliga a los estudiantes a defender oralmente sus trabajos. La lógica es brutalmente sencilla: si no puedes explicar, sostener y corregir lo que entregaste, entonces probablemente nunca fue realmente tuyo.

La inteligencia artificial no va a acabar con los abogados. Va a acabar con una forma mediocre de ejercer el Derecho: memorizar, copiar formatos, repetir jurisprudencia y producir documentos sin criterio. El abogado que sobreviva no será el que escriba más rápido que una máquina, sino el que sepa detectar cuándo la máquina se equivoca, entender lo que está en juego, tomar decisiones difíciles y responder por sus consecuencias. El futuro de la abogacía no está en producir más texto. Está en tener más juicio.

https://t.co/jOi6yohnra

[Lonely @Lonely__MH]

🚨 开发者重磅福利！

Anthropic 刚发布了基于 Fable 5 的 Loop Engineering 免费课程。

内容质量极其硬核，直接引爆了技术圈！

官方发糖，100% 免费 🙂

[fred @heyfredds]

LE PIDES A TU IA UNA API Y TE DEVUELVE ALGO SIN TESTS.

El jefe de ingeniería de Chrome en Google lo arregló. 76.000 estrellas.

Se llama Agent Skills. Le enseña a tu IA a trabajar como un ingeniero senior, paso a paso.

→ Escribe el plan antes de tocar código
→ Escribe los tests antes de dar por hecho algo
→ Revisa su propio código antes de entregarlo
→ No dice "listo" hasta que todo funciona de verdad

Se instala en Claude Code, Cursor o Copilot con un solo comando.

Repo abajo.