para mi:
> agentes y buenas prácticas (context engineering, sdd, automatizaciones)
> tener buen taste
> diseño de sistemas (escalar apps, arquitectura, trade-offs, performance)
> fuerte conocimiento/criterio de producto
> observabilidad & debugging (alarmas, métricas, cuellos de botella)
> seguridad
y si te interesa crear tus propios productos, sumaría:
> distribución y marketing
> saber QUÉ vale la pena construir
> entender a fondo el problema que tienen tus usuarios (obtener insights que otros no tienen)
🇺🇸🇧🇷🏴 Una VIDENTE advierte que el próximo 24 de Junio, mientras se esté jugando el partido entre Brasil y Escocia, HABRA UNA INVASIÓN EXTRATERRESTRE, y MILLONES de personas serán ABDUCIDAS.
un agente es mucho más simple de lo que parece:
todo empieza con un modelo que solo genera tokens. si le hacés una pregunta, responde texto.
pero los problemas reales requieren más que eso. hay que leer archivos, ejecutar código, buscar información y usar APIs.
para eso existen las tools.
cada vez que el modelo usa una tool, obtiene información nueva.
mensajes, instrucciones, archivos y resultados de tools se van acumulando. a todo eso se le llama contexto.
cuanto mejor es el contexto, mejores decisiones puede tomar el modelo. pero hay un límite: no puede ver una cantidad infinita de información al mismo tiempo.
ese límite se llama context window.
hasta acá el modelo puede pensar y usar tools. el problema es que cuando termina la sesión, todo desaparece.
si volvés mañana, hay que volver a explicarle quién sos, qué estás construyendo y qué decisiones ya tomaste.
para evitar eso existe la memory. permite recuperar información importante de sesiones anteriores y volver a ponerla en contexto cuando hace falta.
ahora tenes un sistema que puede usar tools y recuperar información de sesiones anteriores.
pero todavía falta alguien que coordine todo eso.
¿qué memory cargar?
¿cuándo usar una tool?
¿cómo verificar que el resultado es correcto?
esa capa es el harness.
y como los problemas complejos rara vez se resuelven en el primer intento, aparece el loop:
ejecutar ��� observar → validar → corregir → repetir
cuando juntás modelo, contexto, memory, tools, harness y loop, obtenés un sistema capaz de perseguir objetivos por sí solo.
eso es un agente.
Estaba comenzando a escuchar un podcast sobre la gestión del tiempo hasta que dijeron "todos tienen las mismas 24 horas", lo cual es una de las mentiras más grandes del mundo.
Cada vez tiene más sentido usar HTML para trabajar con agentes.
Antes alcanzaba con texto, bullets y algún diagrama ASCII.
Pero ahora generan specs, planes de implementación, reportes y prototipos mucho más complejos.
Y ahí HTML encaja mucho mejor.
Permite ordenar mucha información, explicar conceptos de forma visual, agregar interacción y compartir todo con un link.
En mi caso lo uso para documentar, presentar ideas y explicar sistemas. Básicamente, para cualquier cosa que quiera mostrar.
La próxima vez que quieras compartir algo creado con IA, probá hacerlo en HTML.
Lo que la gente no sabe es que esto no fue planeado, un hombre armado realmente se subió al escenario para atacar a Michael Jackson, pero al ver la energía del rey del pop, sucumbió ante tantas emociones.
Hay una brecha grande en cómo la gente percibe la IA hoy.
Si probaste versiones viejas o gratis (como ChatGPT free), es normal que te hayas quedado con la idea de que se equivoca y alucina.
El problema es que esa ya no es la realidad actual.
Incluso usando modelos pagos, muchas mejoras no se notan en lo típico: escribir, buscar info o dar consejos.
Ahí el progreso es más lento.
Donde realmente pegó un salto es en áreas técnicas: programación, research, matemática.
Por eso, los que usan herramientas como Claude Code o Codex ven algo completamente distinto.
Le das acceso a una terminal y puede: resolver problemas que antes llevaban días, refactorizar código entero y encontrar bugs complejos.
Según Andrej, esto pasa por 2 cosas:
1) En áreas técnicas es fácil saber si la respuesta es correcta o no (por ejemplo, un test pasa o falla) -> Eso permite entrenar mejor a los modelos.
2) Es donde más valor generan. Resolver código o bugs tiene impacto directo en negocio (B2B). -> Por eso las empresas enfocan ahí la mayoría de los avances.
Hoy convivimos con dos realidades al mismo tiempo:
- modelos que fallan en cosas simples
- modelos que ya hacen trabajo técnico de muy alto nivel
Si solo estás expuesto a una de esas dos, la percepción cambia por completo. Por eso parece que estamos hablando de dos etapas de la IA distintas.
A esta hora hay una project manager escribiendo en el grupo de astronautas "chicos, cómo vamos con las foticos de la luna que ya cliente me está preguntando?".
DevOps engineer daily workflow:
- kubectl get pods
- kubectl describe pod
- kubectl logs
- kubectl exec -it
- google error message
- ask claude
- restart deployment
- pretend you fixed it
Congratulations.
You are now a Senior DevOps engineer.