Leonardo Wilches

[Cristian Córdova 🐧 @barckcode]

Este es el mejor post que he visto ya sobre la ingeniería de grafos de los 400 que se han publicado ya.

100% recomendado 😏

[alex @alextalksai]

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 ⬇️

[Tom Dörr @tom_doerr]

Generates up-to-date, live software architecture diagrams directly from code definitions.

https://t.co/EduXXEAgUo

[Leaf Meta 🇰🇷 @leafmeta]

📌 마이크로소프트가 조용히 온톨로지 배우는 놀이터를 열었다 (깃허브 뜯어보니 진심이었음)

•온톨로지: 어떤 분야의 사물 종류와 관계를 정의하는 설계도, 데이터가 아니라 데이터의 틀
•RDF/OWL: 온톨로지를 표현하는 표준 규격, XML 기반이라 사람이 직접 안 짜도 됨
•Fabric IQ: 마이크로소프트 데이터 플랫폼과 연결되는 포맷 지원
•코드 없이: 마우스로 엔티티, 속성, 관계 그리면 실시간으로 그래프가 그려짐

1) 이게 왜 재밌냐면. 온톨로지는 원래 진입장벽이 은근 높은 개념이다. XML 스펙 붙잡고 씨름해야 했는데, 이 툴은 그걸 그냥 도형 그리기로 바꿔놨다. 왜냐하면 라이브 그래프 미리보기가 있어서, 만드는 동시에 결과물이 눈에 보이기 때문.

2) 학습 커브도 신경 썼다. 기초 개념 6개 아티클 & 도메인별 실습 경로(커피숍, 이커머스, 금융, 의료 등) 7종까지 단계별로 구성돼 있다. 반면 그냥 툴만 던져놓은 게 아니라 “여기서 배우고 바로 만들어봐라”는 학습 설계가 촘촘한 편.

3) 제일 흥미로운 부분은 커뮤니티 기여 구조. 깃허브 로그인하면 앱이 알아서 저장소를 포크하고, 브랜치 만들고, PR까지 자동으로 올려준다. 어쩌면 이게 진짜 노림수일 수도. 온톨로지를 배우게 만드는 동시에, 마이크로소프트 생태계로 커뮤니티 기여자를 끌어들이는 구조일 수 있다.

💬 데이터 스키마 짤 일 있는 사람이면 한 번 만져볼 가치 있음. 아직 Preview 단계라 기능은 계속 바뀔 듯. 🕸️

#온톨로지 #MicrosoftFabric #메타인지팩트체크

🔗 참고한 정보:
•Ontology Playground 기능 개요, RDF/OWL 임포트/익스포트, 커뮤니티 카탈로그 PR 자동화 — https://t.co/tkek3R5sYC
•온톨로지 기초 개념 및 RDF/OWL 표준 설명 — https://t.co/Iecz0Lk3jK

[Marco @maarcoofdezz]

NVIDIA ha liberado el código abierto de un modelo de 600M que transcribe 40 idiomas en tiempo real con una latencia de 80 ms y cuesta $0.

Eso es más rápido que parpadear. en mandarín, árabe, hindi, portugués, tagalo, lo que sea, desde un ÚNICO punto de control.

→ 17x más flujos concurrentes que ASR con búfer en el mismo H100.
→ puntuación + mayúsculas integradas. sin posprocesamiento.
→ se ejecuta en tu propia GPU. sin factura de API

100% Código Abierto.

[Guillermo Casaus @_guillecasaus]

GitHub acaba de lanzar la certificación más importante para el mundo tech.

Se llama Agentic AI Developer (GH-600) y certifica oficialmente que posees las habilidades necesarias para diseñar, integrar y supervisar agentes de IA en entornos reales.

Hablamos de un nuevo perfil técnico:

→ Agentic AI Developer

Esta certificación acredita que eres capaz de:

→ Construir workflows autónomos con agentes
→ Integrar agentes de IA en aplicaciones y pipelines
→ Supervisar errores y comportamiento en producción
→ Evitar fallos críticos en procesos automatizados

Cada vez más empresas van a necesitar este perfil.

Y todavía hay muy pocos desarrolladores realmente especializados en él.

Si ya trabajas con Copilot, Claude Code, Codex o automatizaciones con agentes de IA, probablemente ya estés desarrollando muchas de estas habilidades.

GH-600 es la forma de demostrarlo.

Link en comentarios 👇

[Amit Shekhar @amitiitbhu]

Take the 100 Days of AI challenge - learn one AI concept a day, from machine learning basics to AI agents in production, in 100 days.

Start here: https://t.co/fFNuWj1ZAN

#100DaysOfAI

[Amit Shekhar @amitiitbhu]

Transformer architecture explained step by step - the full architecture, every attention variant, positional embeddings, and every layer inside a Transformer.

Learn here: https://t.co/Hkkgyd0a4I

[Mrinal @Hi_Mrinal]

It was a good read overall

[Joruno @wsl8297]

不少开发者习惯靠读书系统学技术，但真正难的是：找到既高质量、又适合自己的那一本。

以当下最火的大语言模型开发为例，相关书越出越多，却难免良莠不齐、信息噪声高。

有位开发者整理了 Awesome LLM Books 书单，专门替你把关，筛出值得读的 LLM 开发书籍。它从主题相关性到内容质量，再到社交媒体口碑分析，按严格的 6 项标准逐本筛选。

GitHub：https://t.co/41jsP8mc1d

目前收录 22 本，覆盖从基础入门到模型构建、应用开发、提示工程、生成与部署等关键环节。每本书还附作者、出版社、评分与阅读链接，帮你快速判断值不值得投入时间。

清单仍在持续更新，需要的可以先收藏，随时回来查。

[shΞinix ★★★ @sheinix]

Anthropic: “Mythos es tan peligroso que solo se lo damos a Apple, Google y Microsoft.” ☝️

Un grupito en un Discord privado: adivinan la URL el día uno 💀

El modelo de IA que encuentra zero-days en cualquier sistema operativo del planeta, derrotado por el “autocompletar”

Cómo pasó 🧵👇

[shΞinix ★★★ @sheinix]

El modelo más peligroso del mundo no cayó por un exploit sofisticado.

Cayó por una cadena de errores en proveedores terceros.

Construimos modelos capaces de hackear el mundo, pero los protegemos con la misma higiene de seguridad de una startup cualquiera.

Algo va a romperse en serio.

Es cuestión de tiempo.

[Python Developer @PythonDvz]

How Agentic RAG Works?

A traditional RAG has a simple retrieval, limited adaptability, and relies on static knowledge, making it less flexible for dynamic and real-time information.

Agentic RAG improves on this by introducing AI agents that can make decisions, select tools, and even refine queries for more accurate and flexible responses. Here’s how Agentic RAG works on a high level:

1. The user query is directed to an AI Agent for processing.
2. The agent uses short-term and long-term memory to track query context. It also formulates a retrieval strategy and selects appropriate tools for the job.
3. The data fetching process can use tools such as vector search, multiple agents, and MCP servers to gather relevant data from the knowledge base.
4. The agent then combines retrieved data with a query and system prompt. It passes this data to the LLM.
5. LLM processes the optimized input to answer the user’s query.

Credit: bytebytego

#AgenticRAG #Agentic #RAG #systemdesign #coding #interviewtips

[Fernando Herrera @Fernando_Her85]

Planteado por Microsoft.

Dado un conjunto de palabras y un string formado por esas palabras (sin espacios), devuelve la oración original como una lista de strings. Si hay más de una reconstrucción posible, devuelve cualquiera de ellas. Si no existe ninguna reconstrucción posible, devuelve null.

Ejemplo 1:
Dado el conjunto ['quick', 'brown', 'the', 'fox'] y el string "thequickbrownfox", debes devolver ['the', 'quick', 'brown', 'fox'].

Ejemplo 2:
Dado el conjunto ['bed', 'bath', 'bedbath', 'and', 'beyond'] y el string "bedbathandbeyond", puedes devolver ['bed', 'bath', 'and', 'beyond'] o ['bedbath', 'and', 'beyond'].

https://t.co/psc7GXTQ54

[Swapna Kumar Panda @swapnakpanda]

"Mathematics for Computer Science"

MIT is offering this 1048-pages book for FREE.

If you are planning for Comp Sc, the first thing you should learn is Mathematics. And this is the BEST one.

Download your copy → https://t.co/r3BtLY4wB1

[Visual Studio Code @code]

Whether you're building, testing, designing, or automating, there's likely an MCP server that can help you do it in VS Code!

🧵 If you want to work with MCP in @code, here are some servers to explore:

[LangChain @LangChain]

🚀 RAG Pipeline Guide

Learn to build production-ready RAG systems using Qdrant vector DB, FastAPI, and LangChain's LCEL for sophisticated retrieval chains.

Key features:
- Async vector search
- Type-safe FastAPI endpoints
- LCEL RAG pipelines

Start building better RAG systems! 📚
https://t.co/P60E2dLSre

[Victor @victor_explore]

A nice playlist to learn Deep Learning

[Victor @victor_explore]

Free course to learn Deep Learning

[Victor @victor_explore]

This is also a nice free concise book on Deep Learning(link in comment)