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
Si le tirás una prompt vaga a un agente, te escupe basura.
Y después culpamos a la IA.
El problema no es el modelo. Es la falta de proceso.
Subí un video mostrando Spec-Driven Development completo, de research a verify. No es prompt engineering. Es ingeniería de procesos.
La diferencia entre un junior con IA y un senior con IA no es la herramienta. Es el contexto. El junior le pide magia. El senior la dirige.
Tony Stark no le dice a Jarvis "haceme algo, flaco". Le da contexto, constraints, objetivos y feedback.
Video en comentarios.
#AI #SoftwareEngineering #AgenticEngineering
@gmoyano81 No me dejó responder x por alguna razón desde la app. Obsidian no tiene sentido con engram más que para usar la extensión que hice para visualizar la data desde el mismo. Engram se guarda en una db compartida entre agentes
gentle-pi v0.4.0 ya está afuera 🌹
Esta release tiene un objetivo claro: emparejar gentle-pi con todo el laburo de parity de Gentle AI, y cerrar el backlog de issues (menos uno, el autonomous-guard, que lo dejé deferido a propósito porque un guard autónomo no se mete apurado).
Lo nuevo:
Persona global. /gentle:persona ahora persiste a nivel global, respetando los overrides por proyecto. Configurás una vez y te sigue a todos lados, sin perder el control fino cuando un proyecto necesita algo distinto.
Auto-refresh de assets SDD. Los agents y chains globales del paquete se actualizan solos después de un update, mientras tus overrides locales quedan protegidos. Te mantenés al día sin pisar tu trabajo.
Banner de arranque configurable. Mostrás u ocultás la rosa y el logo, elegís presets de color, y dejás el panel de info útil. La consistencia de marca también es parte del producto.
Export/restore de model routing. /gentle:models exporta tu routing con x y lo restaura con r, con validación y confirmación de por medio. Cambiás de máquina sin rearmar todo a mano.
Seguridad y diagnóstico. Sumé /gentle-ai:doctor, guards para paths sensibles en read/write/edit, y SHA pinning en las CI actions. Misma línea de hardening de siempre: la seguridad no es un extra, es parte del diseño.
Y los fixes que me importaban: el routing que ignoraban los SDD global agents, la filtración de persona neutra después de un reload, los watchers que manten��an vivas las sesiones pi -p no interactivas, y el parsing de CRLF en frontmatter de skills.
Release completa acá 👇
https://t.co/mns7azOu5w
#GentleStack #DevTools #AI #OpenSource
Tu agente de IA no falla por bugs. Falla por matemática.
Cada turno reprocesa TODO el historial. Eso es O(N²).
Cuando la ventana se llena, compacta. Pierde estado, pierde decisiones, pierde lo que ya había leído. Intenta recuperarse. Eso genera más contexto. Más compactación. Un ciclo que no tiene fondo.
No es el modelo. Es la arquitectura.
Agent Teams Lite resuelve esto con un patrón simple:
Un coordinador delega TODO a sub-agentes especializados. Cada uno arranca fresco, ejecuta, devuelve el resultado y se descarta. El coordinador nunca se contamina. Los sub-agentes son O(1) por tarea.
Lo medimos con la comunidad. Con un proyecto real.
144 archivos Go. 59,513 palabras de código:
📊 1-2 archivos → inline gana. El overhead no se justifica.
📊 8-10 archivos → delegación ahorra ~17%.
📊 25+ archivos → delegación ahorra ~68%. Inline colapsa.
No son estimaciones. Son mediciones.
¿Qué trae v4.0.0?
→ Hard Stop Rule: el orquestador NUNCA toca archivos. Cero excepciones.
→ Skill registry centralizado: ~11,400 tokens ahorrados por pipeline.
→ Word budgets en SDD: artefactos chicos, menos tokens en cascada.
→ Lecturas paralelas de Engram en lugar de secuenciales.
Total: ~52,400 tokens menos por pipeline SDD completo.
Todo esto ya viene preconfigurado en AI Gentle Stack v1.6.0.
Un install y listo — Claude Code, Cursor, Gemini CLI, OpenCode, Copilot, Codex. Sin configuración manual.
La pregunta no es si usar orquestación.
Es: ¿cuántos archivos toca tu tarea?
Si son más de 5, delegá. Los números no mienten.
📄 Análisis completo con tablas: https://t.co/UR8CHmxcti
🚀 Agent Teams Lite v4.0.0: https://t.co/A4uTuspTF5
🛠️ AI Gentle Stack v1.6.0: https://t.co/SPOA0W0w72
#AI #AgentTeams #DeveloperTools #OpenSource #GentlemanProgramming
@Danyer_Acevedo Es porque tienes engram corriendo, en la comunidad ya me dijeron que matando la ejecución de engram te permite realizarlo. Pasa por discord !
Dos patches gemelos en el ecosistema: gentle-ai v1.33.2 y Engram v1.16.1.
Los patches no son glamour, pero son la prueba más honesta de que un proyecto está vivo. Después de un wave grande, lo que importa es cuánto tardas en responder cuando alguien te reporta que algo no anda. Y esta vez la respuesta fue rápida en los dos repos.
Los bugs que se cerraron no eran teóricos. Eran cosas que te ARRUINAN el día:
→ Binarios de Engram que no corrían en macOS 26.4 (SIGKILL de AMFI en Apple Silicon). Re-firmados adhoc en release.
→ install.ps1 en Windows que no actualizaba la versión y dejaba la consola escupiendo "Ô£ù" en vez de los iconos. Cerrado.
→ Sub-agents duplicados en SDD gastando tokens y disparando conflictos de "file modified since last read". Dedupe en el orquestador.
→ Memorias editadas con mem_update que no se re-exportaban en sync. UpdatedAt ahora cuenta, no solo CreatedAt.
→ Sesiones UUID que quedaban con observation_count: 0 porque mem_save caía al fallback. Resolución de sesión activa desde el store compartido.
→ Proyectos duplicados por diferencia de case (Repo_Name vs repo_name) ping-pongueando entre sí. Normalización antes de comparar.
Y hay un detalle del proceso que me importa contar. Engram v1.16.1 se validó con adversarial review antes del merge. Eso atrapó dos fixes que parecían correctos y no lo eran: un session registry que no cruzaba el límite del proceso HTTP/MCP, y un cambio de plugin source que rompía Claude Code anteriores a v2.1.69. Si esos fixes hubieran ido directo a main, el patch generaba más problemas de los que arreglaba. Proceso maduro, no marketing.
Nuevos contributors esta vez: aleka, Lokeraar, MzaGuille, jcabrerahi, Codenburg, JuanMPinera reportaron y empujaron arreglos en gentle-ai. Carlos Mora sumó la Team Usage guide en Engram. Comunidad que crece release tras release.
Lo que se rompe se arregla. Es así.
Release notes completas en los comentarios 👇:
#OpenSource #DeveloperTools #AI