Lez

Be the good 🤍

[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 ⬇️

[said @saidstetic]

ESTE TIPO USÓ CLAUDE PARA CONSTRUIR UN SISTEMA DE TRADING AUTOMATIZADO QUE GANÓ 847 $ DE LA NOCHE A LA MAÑANA

Todo empezó con un solo artículo sobre bots de Polymarket.

Claude lo leyó, seleccionó 7 repositorios de GitHub, los conectó en un pipeline funcional y desplegó el sistema de principio a fin.

A partir de ahí, todo funcionó de forma autónoma.

El sistema escaneó más de 412.000 operaciones, rastreó wallets de ballenas, detectó actividad de insiders y tomó decisiones en tiempo real.

Según él, cada pocos segundos analizaba datos, decidía si comprar, vender o pasar, y ejecutaba las operaciones automáticamente.

47 operaciones después, el sistema terminó la noche con 847 $ de ganancia, sin ninguna intervención manual.

LOCURA

[✦ VISUAL AI ✦ @VisualconAI]

Un desarrollador se frustró tanto viendo a su agente de IA escribir 500 líneas para resolver un problema de 5 líneas… que decidió crear una solución.

La llamó Ponytail. Inspirada en ese tipo que existe en todos los equipos: coleta larga, gafas ovaladas, lleva más tiempo en la empresa que el propio sistema de control de versiones. Le enseñas cincuenta líneas, las mira, no dice nada… y las reemplaza por una sola.

Ahora tu agente hace lo mismo. Antes de escribir algo, busca una razón para no hacerlo.

80–94% menos código. 47–77% más barato. 3–6 veces más rápido.

El mejor código es el que nunca tuviste que escribir.

GitHub Repo: https://t.co/FVWIcqvBnZ

[Dilo con gatitoz @DiloConGatitoz]

El eterno retorno, diría Nietzsche

[Marco @maarcoofdezz]

Claude Code no solo escribe código: puede convertirse en un sistema de agentes de IA

La verdadera potencia no está en pedirle “hazme esto”.
Está en construir un flujo donde la IA tenga contexto, memoria, habilidades, roles y ejecución automática.
Una forma simple de entenderlo es esta ruta de 6 pasos 👇

1️⃣ Instalar Claude Code

Primero eliges dónde vas a trabajar:
💻 Terminal
🖥️ Desktop app
🧩 VS Code extension

No importa tanto la superficie inicial, sino que sea la que mejor encaje con tu flujo real de trabajo. Todo lo demás se construye sobre esa base.

2️⃣ Construir contexto

Acá aparece una pieza clave: ~/CLAUDE. md.

Este archivo funciona como el documento de onboarding de tu agente.
Claude lo lee antes de cada sesión, por lo que puede recordar:

✅ Tu rol
✅ Tu tono de comunicación
✅ Tus reglas de arquitectura
✅ Palabras prohibidas
✅ Formatos de salida
✅ Defaults de trabajo

Sin contexto, la IA responde.
Con contexto, empieza a trabajar como parte del sistema.

3️⃣ Construir memoria

Cada corrección importante puede transformarse en un archivo .md.
La lógica es simple:

🧠 Corriges algo
📄 Claude lo guarda
🔁 La próxima vez no repite el mismo error

Esto convierte tus aprendizajes, criterios y estándares en memoria reutilizable. No dependes de explicar todo desde cero cada vez.

4️⃣ Construir habilidades

Una habilidad permite ejecutar flujos completos con un solo comando.
Por ejemplo:

/your-skill → Notion → Gmail → Drive → Output

En lugar de repetir un prompt enorme de 200 palabras, defines una habilidad una vez y luego la reutilizas cuando la necesites.

Menos repetición.
Más consistencia.
Más velocidad.

5️⃣ Construir agentes

Acá el sistema empieza a ponerse realmente interesante.
Cada agente tiene un archivo y un trabajo específico:

🧭 Strategist / Opus → analiza la tarea
🛠️ Builder / Sonnet → ejecuta el resultado
✅ QA Gate → bloquea cualquier salida por debajo de 95/100

Esto cambia completamente la dinámica: ya no tienes una sola IA respondiendo, sino un equipo de agentes con responsabilidades claras.

6️⃣ Ejecutar en autopilot

Con Claude Routines, puedes llevar ese equipo de agentes a una ejecución programada en Anthropic's cloud.

Ejemplos:

⏰ Daily 8am ARG → runs in cloud
📌 Weekly Monday → drops to Notion

Configuras el flujo, defines la frecuencia y el sistema trabaja sin que tengas que estar presente en cada paso.

La diferencia es enorme:
❌ Usar Claude como chat
✅ Diseñar Claude como sistema

El futuro del trabajo con IA no será solo escribir mejores prompts.

Será crear arquitecturas donde la IA pueda entender contexto, ejecutar procesos, revisar calidad y automatizar tareas reales.

[Charlie L ⚡️ @charliesbot]

El documental de la historia de C++ es buenísimo

Me abrió los ojos a ver el impacto de C++ actualmente en industrias web y AI

Y que, aunque estemos familiarizados con JavaScript o Python en estos temas, al detrás de escenas tienen que apoyarse en C++ para exprimir el hardware

[marcus @marcusyul]

ESTE REPOSITORIO TE ENSEÑA INGENIERÍA DE IA DESDE CERO

Y es completamente gratis.

→ 435 lecciones
→ 320 horas de contenido
→ Python, TypeScript, Rust
→ agentes, LLMs y MCP
→ ejercicios prácticos en cada lección

todo en GitHub.
todo open source.

repo ⬇️

[matt @mattknowsai]

UNA HORA PARA APRENDER A AUTOMATIZAR CUALQUIER PROCESO CON IA.

Flujos, integraciones y optimización desde cero.
Para perfiles autodidactas. Gratis.

Guárdalo ahora. ⬇️

[arc. @arceyul]

ALGUIEN CREÓ UN REPO EN GITHUB QUE TE PERMITE EJECUTAR CLAUDE CODE COMPLETAMENTE GRATIS, PARA SIEMPRE.

Redirige tu tráfico de Claude Code a 10 proveedores gratuitos como DeepSeek y Kimi, toma 5 minutos configurarlo, y ya tiene a más de 20,000 desarrolladores ejecutándolo.

[Rohit Kumar Tiwari @_rohit_tiwari_]

AI Engineering from Scratch.

503 lessons. 20 phases. 320 hours.

https://t.co/UuX9N62VCU

Phase 00: Setup & Tooling (12 lessons)
Phase 01: Math Foundations (22 lessons)
Phase 02: ML Fundamentals (18 lessons)
Phase 03: Deep Learning Core (13 lessons)
Phase 04: Computer Vision (28 lessons)
Phase 05: NLP (29 lessons)
Phase 06: Speech & Audio (17 lessons)
Phase 07: Transformers Deep Dive (14 lessons)
Phase 08: Generative AI (14 lessons)
Phase 09: Reinforcement Learning (12 lessons)
Phase 10: LLMs from Scratch (22 lessons)
Phase 11: LLM Engineering (15 lessons)
Phase 12: Multimodal AI (25 lessons)
Phase 13: Tools & Protocols (23 lessons)
Phase 14: Agent Engineering (42 lessons)
Phase 15: Autonomous Systems (22 lessons)
Phase 16: Multi-Agent & Swarms (25 lessons)
Phase 17: Infrastructure & Production (28 lessons)
Phase 18: Ethics, Safety & Alignment (30 lessons)
Phase 19: Capstone Projects (85 lessons)

[Shraddha Bharuka @BharukaShraddha]

MACHINE LEARNING — MASTER TREE 🌲

Machine Learning
│
├── 01. Mathematics
│ ├── Linear Algebra
│ ├── Probability
│ ├── Statistics
│ ├── Calculus
│ ├── Optimization
│ └── Information Theory
│
├── 02. Python Foundations
│ ├── NumPy
│ ├── Pandas
│ ├── Matplotlib
│ ├── Seaborn
│ ├── APIs
│ └── Data Cleaning
│
├── 03. Data Preprocessing
│ ├── Missing Values
│ ├── Feature Engineering
│ ├── Encoding
│ ├── Scaling
│ ├── Data Splitting
│ └── Feature Selection
│
├── 04. Supervised Learning
│ ├── Linear Regression
│ ├── Logistic Regression
│ ├── Decision Trees
│ ├── Random Forest
│ ├── XGBoost
│ └── SVM
│
├── 05. Unsupervised Learning
│ ├── K-Means
│ ├── DBSCAN
│ ├── Hierarchical Clustering
│ ├── PCA
│ ├── t-SNE
│ └── Dimensionality Reduction
│
├── 06. Deep Learning
│ ├── Neural Networks
│ ├── CNNs
│ ├── RNNs
│ ├── LSTMs
│ ├── Transformers
│ └── Attention Mechanisms
│
├── 07. MLOps
│ ├── Docker
│ ├── Kubernetes
│ ├── MLflow
│ ├── Model Registry
│ ├── Monitoring
│ └── CI/CD for ML
│
├── 08. Generative AI
│ ├── LLMs
│ ├── Prompt Engineering
│ ├── RAG
│ ├── Fine-Tuning
│ ├── Agents
│ └── MCP
│
├── 09. Deployment
│ ├── FastAPI
│ ├── Flask
│ ├── Cloud Deployment
│ ├── APIs
│ ├── Edge AI
│ └── Inference Optimization
│
└── 10. Future of ML
├── AI Agents
├── Multimodal AI
├── Robotics
├── Autonomous Systems
└── AGI Research

[Fran Pradas | Ingeniero de IA @franpradasAI]

👨🏼‍🦲 Mi amigo no sabía qué aprender de IA en 2026.

Estaba PERDIDO.

Así que le preparé un Roadmap de 12 habilidades en 12 meses: 👇👇👇

1. Ingeniería de Prompts
Aprenda a escribir prompts claros y específicos para tareas que ayuden a modelos de IA como ChatGPT, Claude y Gemini a producir resultados precisos y útiles.

2. Automatización de Flujos de Trabajo de IA
Use herramientas como Zapier, Make y n8n para conectar aplicaciones y configurar automatizaciones que ahorren tiempo; no se necesitan conocimientos de codificación.

3. Agentes de IA
Construya sistemas multi-agente utilizando plataformas como LangGraph, AutoGen y CrewAI para completar tareas que requieren razonamiento, coordinación y memoria.

4. Generación Aumentada por Recuperación (RAG)
Conecte modelos de IA a sus propios datos utilizando diferentes frameworks para generar respuestas más precisas y respaldadas por fuentes.

5. IA Multimodal
Utilice modelos avanzados como ChatGPT, Claude, Gemini y Grok que comprenden texto, imágenes, código y audio en un solo chat.

6. Ajuste Fino y Asistentes de IA
Cree asistentes de IA específicos para un dominio o ajuste fino modelos utilizando plataformas como OpenAI GPT Builder, Hugging Face y Cohere.

7. IA de Voz y Avatares
Genere locuciones realistas y avatares que hablan para videos o entrenamiento utilizando herramientas como ElevenLabs, HeyGen y Synthesia.

8. Apilamiento de Herramientas de IA
Combine plataformas como Notion, ClickUp, Zapier y Asana para construir flujos de trabajo de IA personalizados para tareas y automatización.

9. Generación de Contenido de Video de IA
Convierta texto o guiones en videos utilizando Runway, VEED y Opus. Añada voz, edite escenas y cree contenido más rápido.

10. Desarrollo SaaS
Utilice constructores sin código como Bubble, Cursor y Lovable para construir aplicaciones SaaS ligeras con funciones de IA y flujos de trabajo de usuario reales.

11. Gestión de LLM
Rastree precisión, latencia y costo utilizando herramientas como PromptLayer, Helicone y TruLens para mejorar el rendimiento de su IA.

12. Mantenerse Actualizado
Siga sitios de tecnología como TechCrunch, The Verge y MIT Tech Review para estar al tanto de noticias, actualizaciones de productos y avances.

🔖 Guárdalo para luego

[Agencia de Transformación Digital @AgenciaGobMX]

☁️ Especialízate en Nube para administrar servicios de almacenamiento, bases de datos y más.

Ya está abierta la 2a. convocatoria para el Centro Público de Formación en Inteligencia Artificial 💻

✅ Certificación GRATUITA
✅ 100% en línea
✅ Curso de inglés complementario
✅ Acompañamiento de expertos

¡Tienes hasta el 5 de julio registrarte!
🔗 https://t.co/Y3gfeVl9DT

[Google en español @googleespanol]

🚨ARGENTINA 🚨

¡Lanzamos 10.000 becas en Inteligencia Artificial! 🚀

Bajo el lema "Construyendo el futuro juntos", abrimos esta nueva convocatoria para democratizar el acceso tecnológico y potenciar la empleabilidad en todo el país.

✅ Postúlate en: https://t.co/t7wDKJOlBr

[Fran Pradas | Ingeniero de IA @franpradasAI]

ADIÓS DUOLINGO.
ADIOS CLASES DE INGLES.
ADIOS ACADEMIAS DE INGLES.

Este prompt convierte a ChatGPT en el mejor profe de inglés.

(listo para copiar y pegar) 👇

[Dhanian 🗯️ @e_opore]

Python Developer Learning Roadmap

|-- Python Fundamentals
| |-- Syntax, Variables & Data Types
| |-- Operators & Expressions
| |-- Control Flow (if-else, loops)
| |-- Functions & Lambda Expressions
| |-- Error Handling & Exceptions
| |-- File Handling (read/write, context managers)

|-- Data Structures & Collections
| |-- Lists, Tuples, Sets & Dictionaries
| |-- List Comprehensions & Generators
| |-- Iterators & Iterables
| |-- Stacks, Queues & Deques
| |-- Collections Module (Counter, defaultdict)

|-- Object-Oriented Programming (OOP)
| |-- Classes & Objects
| |-- Inheritance & Polymorphism
| |-- Encapsulation & Abstraction
| |-- Magic Methods (init, str, etc.)
| |-- Composition vs Inheritance

|-- Modules, Packages & Environments
| |-- Standard Library Modules
| |-- Creating & Using Packages
| |-- Virtual Environments (venv, pipenv, poetry)
| |-- Dependency Management (pip, requirements.txt)
| |-- Packaging & Distribution

|-- Functional Programming
| |-- map(), filter(), reduce()
| |-- Decorators & Higher-Order Functions
| |-- Closures & Scope
| |-- Immutability Concepts

|-- Working with Data
| |-- JSON, CSV, XML Processing
| |-- Working with APIs (requests, httpx)
| |-- Databases (SQLite, PostgreSQL, MongoDB)
| |-- ORMs (SQLAlchemy, Django ORM)
| |-- Data Cleaning & Transformation

|-- Web Development with Python
| |-- Flask / Django / FastAPI
| |-- REST API Design
| |-- Authentication & Authorization
| |-- Middleware & Routing
| |-- Deployment of Web Apps

|-- Automation & Scripting
| |-- Automating Repetitive Tasks
| |-- File & System Automation
| |-- Web Scraping (BeautifulSoup, Scrapy)
| |-- Task Scheduling (cron, Celery)
| |-- CLI Tools (argparse, click)

|-- Data Science & Machine Learning
| |-- NumPy & Pandas
| |-- Data Visualization (Matplotlib, Seaborn)
| |-- Scikit-learn Basics
| |-- Intro to Deep Learning (TensorFlow, PyTorch)
| |-- Jupyter Notebooks

|-- Testing & Code Quality
| |-- Unit Testing (pytest, unittest)
| |-- Mocking & Fixtures
| |-- Linting (flake8) & Formatting (black)
| |-- Type Checking (mypy)
| |-- Debugging & Logging

|-- Asynchronous & Concurrent Programming
| |-- async/await & asyncio
| |-- Threading & Multiprocessing
| |-- Event Loops & Concurrency Patterns
| |-- Background Workers

|-- Performance & Optimization
| |-- Profiling Code (cProfile)
| |-- Memory Optimization
| |-- Efficient Algorithms & Data Structures
| |-- Caching (functools.lru_cache, Redis)

|-- DevOps & Deployment
| |-- Docker & Containerization
| |-- CI/CD Pipelines
| |-- Cloud Deployment (AWS, GCP, Azure)
| |-- Monitoring & Logging
| |-- Scaling Applications

|-- Projects & Portfolio
| |-- CLI Tools & Automation Scripts
| |-- REST APIs & Backend Systems
| |-- Data Analysis Projects
| |-- Web Apps & Dashboards
| |-- Open Source Contributions

|-- Continuous Learning
| |-- Python Documentation & PEPs
| |-- Coding Challenges (LeetCode, HackerRank)
| |-- Community & Forums
| |-- Keeping Up with New Python Features

Get the Python Development Ebook
https://t.co/FEma0ItgnX

This ebook helps you master Python through real-world projects, practical examples, and structured learning so you can confidently build applications, automate tasks, and grow into an advanced Python developer.

[ᰔ ka 💻📖 @knstudy_]

🚀 Oportunidade para mulheres na tecnologia!

O IFSP está com inscrições abertas para o Women in Cloud 2026, uma iniciativa gratuita focada em Computação em Nuvem e IA.

📅 Inscrições: 15/04 a 04/05
💻 Aula inaugural online: 13/05

🔗 https://t.co/Xx4HVbrgJy