Ant

Pienso que la vida tiene muchas sorpresas. Eso es lo mas padre de vivir.

[Miguel Ángel Durán @midudev]

¡Este proyecto clona cualquier voz en segundos!
Se llama Voicebox, es Open Source y corre en local

✓ 23 idiomas
✓ 5 motores TTS disponibles
✓ Rendimiento Top: Tauri + Rust

Privacidad real y mucho potencial para apps con voz
→ https://t.co/7GnJ3kMEU3

[Miguel Ángel Durán @midudev]

¿Cómo se crea un modelo de IA desde cero?
Este recurso te enseña a crear uno en 90 minutos.

Desde cero, paso a paso
Tokenización, pre-training y fine-tuning
Y terminas chateando con tu propio modelo

Local, sin registros ni pagos:
→ https://t.co/MCXqYthaPp

[Nico @nicos_ai]

UN INGENIERO SENIOR DE ANTHROPIC ACABA DE PUBLICAR UN PDF DE 12 PÁGINAS SOBRE "GRAPH ENGINEERING" PARA SISTEMAS MULTIAGENTE

El cambio de mentalidad: la memoria de tus agentes muere con su ventana de contexto. Un knowledge graph la hace permanente.

Extraer → Resolver → Ensamblar → Consultar → Repetir

Las 5 fases de todo agentic graph:

→ Extraer: Haiku saca entidades y triples sujeto-predicado-objeto. Una llamada por documento. El esquema de Pydantic es el único training data.

→ Resolver: Sonnet agrupa "Edwin Aldrin" con "Buzz Aldrin" sin ningún solape de texto, usando las descripciones como contexto.

→ Ensamblar: nodos canónicos, edges tipados y provenance en cada triple. Un único grafo conectado.

→ Consultar: serializas un subgrafo, Sonnet razona sobre los triples y cada respuesta cita un edge concreto.

→ Repetir: cada documento nuevo vuelve a entrar por el mismo pipeline y se fusiona con los nodos que ya existen. El graph no se reconstruye, crece.

Conéctalo a tus sistemas multiagente como memoria compartida.

Los workers escriben en él, los evaluadores contrastan contra él y los loops siguen vivos de un día para otro.

Este PDF de 12 páginas ha cambiado cómo estoy construyendo sistemas multiagente.

Léelo y luego pásate por el artículo de abajo👇

[Miguel Ángel Durán @midudev]

Evita que todos tus diseños se vean como IA Slop.

Esta skill para Claude Code, Cursor y Codex detecta patrones típicos de diseños generados con IA y fuerza resultados más únicos.

Puedes pasarle incluso referencias de otras webs:
→ https://t.co/sRxeoz1oby

[Miguel Ángel Durán @midudev]

Guía para mejorar el RENDIMIENTO de tu API

Caching
Guarda en memoria las respuestas más usadas y evita conectarte a la base de datos. Menos latencia y respuestas más rápidas.

Paginación
Devuelve sólo el número de resultados que necesites. Menos carga en la petición, menos datos a enviar. No hagas la paginación en el cliente.

Pool de Conexiones
Mantén abiertas conexiones a la base de datos. Crear una conexión cuesta recursos y tiempo (aunque debe existir un límite).

Balanceo de Carga
Distribuye las solicitudes entre múltiples servidores. Así podrás responder a más peticiones al mismo tiempo.

Optimización de Consultas a Base de Datos
Asegúrate de que las consultas sean eficientes y utilicen índices apropiados. Por muy bueno que sea tu backend, si tu base de datos es lenta, tendrás respuestas que tarden más tiempo.

Logging Asíncrono
¡No escribas en el mismo disco que tu servicio! Así evitas bloquear por la escritura del disco duro. Evita esas operaciones en el mismo servidor.

Latencia
Comprueba que los servicios que usas estén en la misma red y puedan comunicarse rápidamente. Unos pocos milisegundos en millones de peticiones marcan la diferencia.

Rate Limiting
Limita el número de solicitudes que un usuario puede hacer en un periodo para prevenir el abuso y garantizar un servicio equitativo.

Compresión de los datos
Usa compresión de brotli o gzip para poder enviar los mismos datos en menos espacio. Así la conexión cerrará antes y tu servicio estará listo para responder más rápido.

Estas son algunas pero existen más. ¿Cuál se te ocurre a ti?

[Nico @nicos_ai]

Ahora puedes darle memoria infinita a Claude Code, Codex y Hermes.

100% gratis.

Agentmemory ya es tendencia en GitHub con +4.000 estrellas.

La herramienta:
→ guarda todo lo que Claude/Codex hace durante tus sesiones de programación
→ lo comprime con IA
→ recupera automáticamente el contexto relevante en futuras sesiones

La diferencia es absurda:

CLAUDE.md
→ 22.000+ tokens para 240 observaciones

Agentmemory
→ solo 1.900 tokens para las mismas observaciones

92% menos contexto consumido.

Y además:

→ Hasta 95% menos tokens por sesión
→ 200x más llamadas a herramientas antes de llegar al límite de contexto
→ 100% open source

A partir de unas 1.000 observaciones, gran parte de la memoria integrada de Claude deja de ser accesible.

Agentmemory mantiene todo indexado y searchable.

Esto cambia por completo cómo se usa Claude Code, Codex y Hermes, entre otras.

Ya no reinicias el contexto.
Tu proyecto simplemente lo recuerda.

Enlace abajo 👇

[Nico @nicos_ai]

Anthropic acaba de lanzar el empleado más barato y eficaz del mundo.

Se llama “Claude for Small Business”.

Y esto es lo que puede hacer:

• Gestionar facturas, pagos y finanzas
• Crear campañas, diseños y contenido
• Organizar ventas y clientes automáticamente
• Leer, resumir y redactar documentos
• Gestionar emails, calendarios y archivos
• Ejecutar tareas entre múltiples apps

Todo desde Claude.

Cómo funciona:

→ Conectas las herramientas que ya usa tu empresa
→ Claude entiende el contexto de todo tu negocio
→ Ejecuta flujos de trabajo automáticamente
→ Incluye automatizaciones ya preparadas
→ Funciona con Microsoft 365, Google Workspace, Canva, DocuSign, QuickBooks y más

Anthropic no quiere que Claude sea “otro chatbot”.

Quiere convertirlo en el sistema operativo de millones de pequeñas empresas.

La idea es simple:

En vez de abrir 10 herramientas distintas, hablas con Claude y él hace el trabajo por ti.

[Akshay 🚀 @akshay_pachaar]

8 RAG architectures for AI Engineers:

(explained with usage)

1) Naive RAG
- Retrieves documents purely based on vector similarity between the query embedding and stored embeddings.
- Works best for simple, fact-based queries where direct semantic matching suffices.

2) Multimodal RAG
- Handles multiple data types (text, images, audio, etc.) by embedding and retrieving across modalities.
- Ideal for cross-modal retrieval tasks like answering a text query with both text and image context.

3) HyDE (Hypothetical Document Embeddings)
- Queries are not semantically similar to documents.
- This technique generates a hypothetical answer document from the query before retrieval.
- Uses this generated document’s embedding to find more relevant real documents.

4) Corrective RAG
- Validates retrieved results by comparing them against trusted sources (e.g., web search).
- Ensures up-to-date and accurate information, filtering or correcting retrieved content before passing to the LLM.

5) Graph RAG
- Converts retrieved content into a knowledge graph to capture relationships and entities.
- Enhances reasoning by providing structured context alongside raw text to the LLM.

6) Hybrid RAG
- Combines dense vector retrieval with graph-based retrieval in a single pipeline.
- Useful when the task requires both unstructured text and structured relational data for richer answers.

7) Adaptive RAG
- Dynamically decides if a query requires a simple direct retrieval or a multi-step reasoning chain.
- Breaks complex queries into smaller sub-queries for better coverage and accuracy.

8) Agentic RAG
- Uses AI agents with planning, reasoning (ReAct, CoT), and memory to orchestrate retrieval from multiple sources.
- Best suited for complex workflows that require tool use, external APIs, or combining multiple RAG techniques.

Most architectures here involve some form of retrieval-time decision. But they all run on top of whatever was already indexed.

If that indexing step outputs messy chunks, every architecture inherits them. Improving it is a separate problem from the 8 above.

I wrote about a better unit for the indexing step. The technique:

- cuts corpus size by 40x.
- reduces tokens per query by 3x.
- improves vector search relevance by 2.3x.

And it doesn't alter the retrieval algorithm, the reranker, or the embedding model.

Read it in the article quoted below.

[こすもす｜AIで起業しろ @cosmos_hzokujin]

HTMLを読む時代は終わりました。

UC Berkeleyの研究チームが「WebページはHTMLじゃなくスクリーンショットで読め」という論文を出して、そのままOSSにした。これが想像以上に凄かったです。

RAGで表やグラフが消える問題、ずっと悩んでた人いると思うんですが、そもそもHTMLに変換するなが答えでした。

使い方は拍子抜けするほど簡単。
インストールして、あとはURLを「ポン」と投げるだけ。それだけでWebページが丸ごとスクリーンショット化されます。

Webページをスクリーンショットのままベクトル検索にかける。
表もグラフも数式も、人間が目で見てるものがそのままAIに渡る。

結果、テキストRAGと比べて最大 +18.1% の精度向上。
Wikipedia 828万ページ分のインデックスが今すぐAPIキーなしで使える。

・Claudeにプラグインを入れると、ClaudeがWebを「読む」のではなく「見る」ようになる
・インデックスはピクセル保存なのでモデル更新時に再構築不要

「AIにWebを読ませる時代」から「見せる時代」へ。
ぜひブクマして試してみてください👇
https://t.co/sgmtD16jzk

[SONIA @S0N_IA]

https://t.co/1FpYwQugaW

[José Siles | AI | Data @josesilesdata]

🚨 Este OCR GRATUITO puede leer letra de médicos, tablas complejas y ecuaciones matemáticas.

Se llama **Chandra**, de Datalab.

Y es uno de los OCR más completos que he visto.

Puede procesar:

📌 **Texto escrito a mano**
Notas médicas, formularios rellenados, letra cursiva o poco legible.

📌 **Tablas complejas**
Mantiene celdas combinadas, filas y columnas. Ideal para facturas, informes financieros y PDFs con muchos datos.

📌 **Fórmulas matemáticas**
Convierte ecuaciones directamente a LaTeX.

📌 **Formularios**
Reconoce casillas, botones y valores introducidos.

📌 **Documentos con diseños difíciles**
Textos a varias columnas, periódicos, libros y documentos con imágenes.

Puede devolver el resultado en Markdown, HTML o JSON.

Funciona en más de 40 idiomas.

Para instalarlo:

`pip install chandra-ocr`

Es gratuito para uso personal.

Dejo el link al repo en los comentarios 👇🏻

[Precis0x @precisox]

Estos son los 8 repos de gitHub que más han crecido en lo que va de julio

1. mattpocock/skills
Las skills personales de Claude Code de Matt Pocock. Las que usa él mismo en su directorio .claude. Ahora disponibles para todo el mundo.
+22.1k estrellas en julio. El que más ha crecido este mes sin duda.
https://t.co/wXYIoCNqXY

2. OpenCut-app/OpenCut
La versión open source de CapCut. Editor de vídeo en el navegador, sin cuenta y sin telemetría.
+6.2k estrellas esta semana. Trending #1 en GitHub.
https://t.co/LQpTF2nNJT

3. MadsLorentzen/ai-job-search
Agente con Claude Code que te ayuda a aplicar a ofertas de trabajo: evalúa la oferta, adapta tu CV, escribe la carta y te prepara la entrevista.
+5.9k estrellas este mes.
https://t.co/GIjPMhjPKL

4. asgeirtj/system_prompts_leaks
System prompts filtrados de Claude, GPT-5, Gemini, Grok, Cursor y más.
#2 trending esta semana. Todo lo que las empresas de IA no querían que vieras.
https://t.co/AeuQNxPvbh

5. zaid-maker/meetily
Asistente de reuniones 100% local hecho en Rust. Transcripción 4x más rápida que Whisper, diarización de hablantes y resúmenes con Ollama.
#1 trending esta semana. Sin nube, sin cuenta.
https://t.co/ATA1TjEoH5

6. HKUDS/Vibe-Trading
Trading con IA usando lenguaje natural. Crea estrategias completas con agentes de IA.
Top 2 trending esta semana.
https://t.co/7PulJbTiJe

7. usestrix/strix
Scanner de vulnerabilidades impulsado por IA. Encuentra y corrige fallos de seguridad en tu app.
Alternativa open source a herramientas de pago.
https://t.co/iPcgIQYPIC

8. obra/superpowers
El workspace de IA self-hosted que superó las 250.000 estrellas en julio.
Un crecimiento orgánico brutal sin marketing ni inversores.
https://t.co/1NbOxTfJTc

Estos están siendo una locura.

Guarda esto si te sumann.

[Kiyotaka @SubhanHQ]

Introducing Amicro.

A curated library of premium micro-interactions and transition components for React.

Add beautiful card hovers, button interactions, and seamless transitions to your app with a single CLI command. ✨

Open source.

Try it: https://t.co/2QtGnxtcZb

[مالك بن حمود المالك @cnemalek]

https://t.co/hVMbnzCLYL

[Guillermo Casaus @_guillecasaus]

Existe una herramienta que te permite descargar cualquier tipo de contenido desde un solo link.

Sin anuncios. Sin registro. 100% gratis.

Enlace 👇

[me @twetsfyp]

This person gave Claude Code the ability to copy the design of any web.

Created an MCP that reads the HTML/CSS of any site and extracts colors, typography and components.

Result: Clean UIs at last.

Save it🔖

[anurag @anur7ag]

open source ui layer tmux never had

best part, it is free!

[santi @santtiagom_]

muy buen artículo de Cerebras sobre cómo construyeron su knowledge base.

ingesta de múltiples fuentes → búsqueda híbrida → reranking → síntesis con un LLM.

mucho para aprender.

[Miguel Ángel Durán @midudev]

Mis modelos favoritos de IA esta semana

Tareas simples → GPT 5.6 Luna Max
Código diario → GPT 5.6 Sol Medium
Problemas complejos → GPT 5.6 Sol Max
Calidad/velocidad → Grok 4.5
Crear interfaces y UI → Claude Fable 5
Vulnerabilidades y seguridad → Fable 5
Refactors grandes → Claude Opus 4.8
Juegos y experiencias 3D → Kimi K3
Modelo abierto → Kimi K3

[arc. @arceyul]

Github acaba de ☠️ al vibe coding

Acaba de publicar spec-kit y en pocos días tiene 95k estrellas y 8.3k forks

Esto no es un proyecto cualquiera. Es GitHub diciéndote cómo se programa con IA de verdad.

El problema con los agentes de IA no es el modelo

Es que le mandas una idea en texto y él interpreta lo que quiere

Spec-kit resuelve eso con 6 comandos que convierten tu idea en una especificación estructurada antes de escribir una sola línea de código

✅ /speckit.constitution → las reglas del proyecto: calidad, testing, arquitectura
✅ /speckit.specify → describes QUÉ construir, no el stack
✅ /speckit.clarify → el agente pregunta lo que no entiende antes de empezar
✅ /speckit.plan → ahora sí eliges la tecnología
✅ /speckit.tasks → lista de tareas ordenada por dependencias
✅ /speckit.implement → el agente construye

El entregable ya no es código generado a lo loco

Es una especificación viva que tu IA lee, valida y ejecuta paso a paso

Funciona con Claude Code, Cursor, Copilot, Codex, Gemini CLI y más de 25 agentes

La diferencia real es esta

Antes: "hazme una app de tareas" y rezas para que el agente no se pierda a mitad

Ahora: especificación primero, código después

El agente sabe exactamente qué construir, en qué orden y por qué

95k estrellas. 8.3k forks. Publicado por el propio GitHub. Licencia MIT.

el repo aquí ⬇️