MM

[Amarillo @anyelamarillo]

🚀 Un ingeniero senior de Anthropic que gana $1.2M al año fue preguntado cómo logra entregar trabajo al ritmo de un equipo completo… trabajando solo.

En lugar de explicar, compartió su carpeta .claude/ completa.

Mismo modelo. Resultados radicalmente diferentes.

La mayoría sigue eligiendo entre Opus y Sonnet como si el modelo fuera el límite. No lo es.

La verdadera ventaja no está en qué modelo usas, sino en qué despiertas dentro del modelo.

Este es el stack que usan los que operan a otro nivel:

• CLAUDE.md → El contrato maestro
• settings.json → Permisos y configuración
• hooks/ → Los reflejos automáticos
• agents/verifier → El policía que revisa todo
• skills/ → 33+ memorias musculares reutilizables
• .mcp.json → Las herramientas conectadas
• MEMORY.md → El registro vivo de cada turno

Ya no chateas con el modelo. Escribes la carpeta una sola vez y la carpeta ejecuta el modelo por ti.

Este es el sistema que separa a los que “usan Claude” de los que lo tienen trabajando como un equipo de élite.

Desglose completo + estructura exacta lista para copiar y pegar 👇

Guarda este post antes de que desaparezca.

[Manuel Zapata @ManuelZapata]

Hay 6 principios que consideramos fundamentales al hacer desarrollo guiado con IA:

1. Crear contexto 🧠

- Es fundamental que tu repositorio tenga documentación que guíe al agente.
- Debería haber por lo menos un AGENTS.md.
- Aplica progressive disclosure.

2. Planear antes de construir 📋

- El plan va antes de escribir código. Así aprendí yo a programar, y todavía lo aplico con IA.
- 30 minutos planeando te ahorran horas corrigiendo.

3. Todo en el repositorio 📁

- Los agentes son brutalmente buenos con archivos.
- Arquitectura, infraestructura, estándares: versionado junto al código.

4. Acceso directo a herramientas 🛠

- El agente consulta BDs, gestor de proyectos, y sistemas de logs por sí mismo.
- Mínimo copy-paste entre herramientas y el chat. Idealmente cero.

5. Verificación determinística ✅

- Tu repo necesita linters, chequeo de tipos, pruebas, integración continua.
- Revisión humana solo para lo que las máquinas no pueden juzgar.

6. Evolución constante ♻

- Las mejores prácticas de hoy son punto de partida, no destino.
- La configuración inicial que hagas en tus repositorios debe ir mejorando en la medida que los modelos y las herramientas lo siguen haciendo.

[Nix0n @UnTalNixon_exe]

🏗️ Darle ojos a la IA: El framework para que los agentes autónomos generen diagramas de arquitectura interactivos

La mayoría de los agentes de desarrollo de software actuales se limitan a escupir texto plano o scripts densos en la terminal. Cuando intentan explicarte la arquitectura de un sistema complejo o un plan de migración de datos, la estructura se vuelve ilegible.

El repositorio de código abierto effective-html redefine esta interacción entregando un conjunto de habilidades estandarizadas para que las IA generen entregables visuales interactivos, atractivos y 100% autónomos en el navegador.

.

🛠️ Las 3 sub-habilidades clave incluidas en el ecosistema:

• html (Páginas Generales): Permite a los agentes maquetar documentos dinámicos, reportes técnicos y paneles de control limpios utilizando componentes autocontenidos listos para abrir en cualquier pantalla.

• html-diagram (Mapas de Sistema Interactivos): Diseñado específicamente para priorizar el renderizado de gráficos vectoriales (SVG) a pantalla completa. Los agentes pueden dibujar topologías de red, arquitecturas backend y flujos de datos modificables en vivo.

• html-plan (Páginas de Ruta): Una estructura optimizada para que los modelos visualicen cronogramas, planes de refactorización de código y árboles de decisión complejos con los que el usuario puede interactuar de forma inmediata.

.

El paso definitivo para que las inteligencias artificiales dejen de ser simples generadores de scripts y se conviertan en verdaderos ingenieros de software radica en su capacidad para documentar, estructurar y comunicar ideas de forma visual e intuitiva.

Dejo el enlace al repositorio con toda la documentación oficial en la sección de comentarios.

Guarda este post en tus marcadores si estás implementando agentes locales, te interesa el diseño de interfaces dinámicas o quieres llevar la documentación técnica de tus sistemas al siguiente nivel este fin de semana 🔖

[Jaydeep @_jaydeepkarale]

A web-based System Design Simulator, where you drag & drop architecture components and actually simulate traffic, failures, latency, and scaling in real time

Best way to learn concepts.

Link in next post post

[Nico @nicos_ai]

DEJA DE PROMPTEAR. EMPIEZA A LOOPEAR.

Encontré un sitio que recopila los loops más usados por la comunidad

→ https://t.co/jNdeuXX9SW

Los propios creadores de Claude Code lo dicen: el futuro no es promptear, es diseñar loops.

No sabes qué son ni cómo crearlos?

Este articulo lo explica detalladamente👇

[Rahul @sairahul1]

this is f*cking gold

the Claude setup most people will never find on their own

if I had this a year ago, I would've shipped my first app in a day instead of 3 weeks.

in the right hands, this changes everything:

[Nix0n @UnTalNixon_exe]

🤖 El mapa definitivo de los Agentes de IA: 35 arquitecturas agénticas con benchmarks comparativos

Construir un agente de IA no es solo lanzar un prompt y esperar lo mejor. El verdadero reto en producción es elegir la estructura de control adecuada para evitar bucles infinitos, alucinaciones y consumos masivos de tokens.

El repositorio all-agentic-architectures reúne y desglosa de forma sistemática 35 patrones de diseño de agentes de IA, evaluando el rendimiento, la latencia y la tasa de éxito de cada uno a través de métricas claras.

.

🧱 Las arquitecturas clave incluidas en el análisis:

• Patrones de Razonamiento Core: Implementaciones detalladas de ReAct (Razonamiento y Acción), Plan-and-Solve, y Chain-of-Thought (CoT) para analizar cómo estructuran el pensamiento antes de ejecutar herramientas.

• Estructuras Multi-Agente: Desglose de sistemas basados en Orquestador-Trabajador, debates multi-agente y flujos de votación jerárquicos para resolver tareas complejas en paralelo.

• Bucles de Refinamiento Autónomo: Análisis de arquitecturas de Self-Correction (Autocorrección) y Self-Reflection, donde el agente evalúa su propia salida frente a un criterio antes de dar el resultado final.

• Evaluación y Benchmarks: Comparativas directas de costes de tokens, tiempos de respuesta y precisión en la resolución de problemas según el tipo de tarea (código, análisis de datos o lógica).

.

Dejar de improvisar con la lógica de tus agentes y empezar a diseñar bajo patrones de ingeniería establecidos es lo que separa un prototipo de juguete de un sistema listo para producción.

Dejo el enlace al repositorio oficial en la sección de comentarios.

Guarda este post en tus marcadores para consultar qué arquitectura se adapta mejor a tu próximo sistema de IA antes de escribir la primera línea de código 🔖

[arc. @arceyul]

Así escala de verdad un Senior Engineer con Claude Code.

La diferencia está en mover tu tiempo hacia lo que más importa:
→ mejores prompts, más planificación, más review, menos tecleo.

El workflow:
usa un plugin que divide cada tarea entre 5 agentes:
- uno hace brainstorming
- otro diseña el plan técnico
- otro implementa
- otro revisa
- otro valida distintos ángulos del proyecto

Todo queda documentado en markdown.

Es más lento, hay más espera, pero la calidad sube porque cada agente tiene un rol claro.

Y luego viene el multiplicador real:
→ git worktrees

Si Claude Code ya te hace más rápido, los worktrees te dejan lanzar varias sesiones en paralelo, cada una trabajando en una tarea distinta.

Su equipo corre 4–8 sesiones de Claude Code a la vez.

La nueva skill de ingeniería no es solo saber codear.

Es saber dirigir varios agentes sin perder el control del sistema.

[RichProtocol @RichProtocol]

Cómo hacerse rico (sin tener suerte):

En 2018, Naval Ravikant publicó el hilo más valioso jamás escrito en Twitter sobre riqueza.

Aquí tienes la traducción completa de las 37 lecciones que pueden cambiar tu vida financiera para siempre: 👇

[Jamon @jamonholmgren]

Agentic coding tip

Pay down tech debt immediately

With agents, there should be no such thing as “tech debt”. An agent should simply pay down every bit of tech debt before presenting you with the “finished work”. Unlike humans, agent time is not very valuable; it can and should continue to work on something until it’s done, and shouldn’t make concessions assuming human constraints.

If an agent tells you that it’s “leaving something for later”, tell it to go finish it first before saying it’s done.

Example prompt (best if it is in your docs):

```
Do not leave any tech debt behind. If you have taken any shortcuts, go back and do them right. This is a hard acceptance criteria that must be completed.
```

[pushkar soni @pushkersoni72]

🚨 BREAKING: Google Gemini can now completely rewire your brain so you can learn anything at lightning speed.

Here are 7 Gemini prompts to learn anything 10x faster:

[Felix @FelixAix]

ANTHROPIC LITERALLY JUST HANDING US THE BLUEPRINT

The blueprint for taking your side project from idea to AI-native startup in 2026. For Free.

This 36-page guide shows how founders are using Claude to validate ideas, build MVPs, automate workflows, create content, and scale faster than ever.

bookmark & read today. It's the most valuable 2 mins in AI right now. Then read article below.

[nini @nini_incrypto_]

Google 把内部工程师的代码审查（Code Review）规范公开啦

这几乎是目前业界最顶级的标准

很多程序员只会写代码，但不知道怎么审代码，可以看看 Google 是怎么做的

1.双向指南：不仅教审查者怎么挑毛病，还教作者怎么写出容易通过的代码

2.术语科普：解释了 Google 内部常用的 LGTM（看起来不错）和 CL（变更列表）到底意味着什么

3.实战价值：这套规范不是理论，而是 Google 每一位工程师都在用的实际操作准则

如果你想提升团队的代码质量，或者想知道顶级大厂的开发门槛，这份文档必读！

https://t.co/OdaozRkMYn

[Avi Chawla @_avichawla]

RAG vs. Graph RAG vs. Agentic RAG, clearly explained!

Standard RAG embeds documents into vectors and retrieves the most similar chunks via similarity search. For direct factual lookups, this works well.

But it breaks down when a query needs to connect facts spread across multiple documents. Similarity search retrieves individual chunks, not the relationships between them.

Graph RAG adds a knowledge graph layer on top.

→ During indexing, an LLM extracts entities and relationships from the documents.

→ During retrieval, the system traverses these connections instead of relying on embedding similarity alone.

This is what enables multi-hop queries.

Say a vector DB stores three facts about internal services:

↳ "The checkout service uses payments API."
↳ "The payments API runs on cluster-3."
↳ "Cluster-3 is scheduled for maintenance on Friday."

Someone asks: "Will the checkout service be affected by Friday's maintenance?"

Vector search can likely retrieve facts 1 and 3 because the query mentions "checkout service" and "Friday maintenance."

But it will miss fact 2, which connects the payments API to cluster-3.

That middle fact sits too far from the query in embedding space. It mentions neither "checkout" nor "maintenance," so it never makes it into the retrieved context.

A knowledge graph connects these as linked entities, and graph traversal finds the full path in one query.

Agentic RAG takes a different approach entirely.

Instead of a fixed retrieval pipeline, an LLM agent decides at query time which tools to invoke, which sources to query, and in what order.

Check the visual below to understand the three architectures thoroughly.

One thing to note here is that these three aren't levels of sophistication that you need to graduate through.

Instead, they solve different query types.

↳ Single-hop factual lookups → standard RAG
↳ Multi-hop relationship queries → Graph RAG
↳ Dynamic multi-source tasks with tool use → Agentic RAG

Once the right architecture is in place, the next leverage point is efficiency.

Most RAG architectures rely heavily on vector search, and that layer can be made 32x more memory efficient using binary quantization.

I covered the full implementation in the article below.

👉 Over to you: Which RAG architecture are you running in production?

[‏عادل | مبرمج @AdelDeveloperX]

🚨شوفت رئيس أكبر شركة ذكاء اصطناعي في العالم صدم الكل وقال إيه!

ديميس هاسابيس (رئيس Google DeepMind + حاصل على نوبل في الكيمياء) صدم الجميع في محاضرته بـ Cambridge وقالها علني:
"في المستقبل القريب، شخص واحد بيفهم الذكاء الاصطناعي هيتفوق على تيم كامل في شركة ناشئة"

احفظ البوست ده عندك دلوقتي عشان ترجع له قبل ما تنسى.

الموضوع بقى حرفياً مسألة وقت، والسر اللي الكبار بيخبوه طلع للعلن!

فيه جزء في المحاضرة دي مش قادر أوقف تفكير فيه:

- الـ AI اللي بتستخدمه النهاردة هو أغبى نسخة هتشوفها في حياتك، اللي جاي مرعب.
- كمان 5 سنين، الفجوة بين اللي بيستخدم الـ AI واللي مبيستخدموش هتبقى مستحيل تستخبى.
- الشركات هتدار بـ 10 أشخاص بس بيعملوا شغل كان بيعمله 200 موظف زمان.
- اللي هيوصلوا الأول مش الأذكياء، بل الناس اللي بدأت من دلوقتي صح.

حاليًا، الشخص الطبيعي بيفتح أي موديل، يكتب أي برومبت، ياخد الإجابة، ويقفل التاب.. هو فاكر إنه كده بيستخدم الذكاء الاصطناعي! بس الحقيقة هو مش مستغل أكتر من 10% من قوته.

بدل ما تضيع وقتك في سكرول ملوش لازمة، اتفرج على المحاضرة دي.. ده أوضح وأقوى شرح شوفته في حياتي من الراجل اللي خلّى الذكاء الاصطناعي يحل أعقد مشاكل البيولوجيا.

المحاضرة دي مفيدة جداً، سواء كنت مبتدئ أو بتستخدم الـ AI كل يوم.

نصيحة: احفظ الفيديو وشوفه حالاً عشان تشوف المستقبل رايح فين وتسبق الكل.

لايك وفولو واحفظ البوست عشان يوصلك كل جديد!

[Charlie L ⚡️ @charliesbot]

Frontend Masters acaba de sacar un curso GRATIS en colaboración con @AnthropicAI acerca de Claude Code!

Incluso si usas otra AI, recuerden q la mayoría de estos conceptos aplican a otras tools

Y es un recurso oficial 🥳

Link: https://t.co/DcaSq8Zh0y

[Jouhatsu | AI Influence Operator @Jouhatsu_ai]

Anthropic a publié une Formation complet de 2 HEURES sur la construction d'agents Claude.

Animé par l'ingénieur qui construit Claude Code.

Gardez-la précieusement en Signet🔖

de A à Z : Structurer un agent qui se gère sans supervision. Lui donner accès au terminal pour exécuter, lire, corriger. Gérer sa mémoire via le système de fichiers. Bloquer les hallucinations avec des Hooks. Faire tourner un agent sur un gros codebase sans tout casser.

À la fin : vous utilisez Claude comme un pro et vous monétisez vos compétences. Débutant ou avancé, tout est là en un seul endroit, ce cours couvre tout.

Ça vaut plus que tous les cours à 500$ que t’as failli acheter.

[Dave Jeffery @DaveJ]

Ask Claude to document and describe the main flows in your app and output in a single page html + json data file.

Incredibly useful for humans and the JSON file is very useful for explaining the flow to the LLM when working on new features/bugfixes.

[Guillermo Casaus @_guillecasaus]

Claude puede viajar 6 meses al futuro y explicarte exactamente por qué tu próximo proyecto va a fracasar.

Existe una técnica llamada "premortem" que obliga a la IA a dejar de ser optimista y empezar a detectar riesgos, errores y puntos débiles.

El resultado es muy útil para tomar mejores decisiones antes de perder semanas o meses de trabajo.

Te dejo la skill en comentarios 👇

[たまちゃん @sena_09_04]

人生でリターン高い習慣

・毎日30分運動（医学誌ランセット）
・7-9時間睡眠（睡眠革命）
・週1で本読む（イェール大）
・年1つスキル習得（マックスプランク研究所）
・朝20分瞑想（マサチューセッツ総合病院）
・週3友達と会う（ハーバード大）
・寝る前感謝日記（カリフォルニア大）
・給料の20％貯金（バフェット）
・目標冷蔵庫に貼る（ドミニカ大）
・週末公園行く（エクセター大）
・怒ったら10数える（カーネギー財団）
・スマホモノクロにする（スタンフォード大）
・月1ボランティア（ミシガン大）
・週1で振り返り（ウォートン校）
・クレカ1枚のみ（信用調査機関）