Hades

🔥

[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 ⬇️

[santi @santtiagom_]

Roadmap para aprender System Design desde 0:

1) arquitectura cliente/servidor
2) escalado vertical vs horizontal
3) load balancers
4) cache (Redis)
5) bases de datos: índices y sharding
6) CDNs
7) message queues (Kafka, RabbitMQ)
8) rate limiting y retries
9) observabilidad (logs, métricas, tracing)

No se trata de memorizar, sino de entender los conceptos y saber cuándo aplicarlos.

[そう｜Claude Codeで始めるAI自動化 @so_ainsight]

今週GitHubで急上昇したAIリポジトリ10選：

1. headroom
ツールの出力・ログ・ファイル・RAGの塊を、AIに渡す前に圧縮。トークンを60〜95%削っても回答は変わらない。ライブラリ・プロキシ・MCPサーバーとして使える。
https://t.co/HRNQTDMZHZ

2. hermes-agent
使うほど賢くなる自己成長型のAIエージェント（Nous Research製）。スキルを自分で作り、セッションをまたいで記憶を保持、200以上のモデルやTelegram・Slack連携にも対応。
https://t.co/Xj5kY3HUz4

3. ECC
Claude Code・Cursor・Codexなどのエージェント環境をまとめて底上げ。スキル・記憶・セキュリティを1パックに、64エージェント＋261スキル入り。
https://t.co/MnxisTgzbU

4. codegraph
コードを先にナレッジグラフ化して、AIが毎回ファイルを探し回らずに済む。ベンチマーク平均でトークン47%減・ツール呼び出し58%減、完全ローカル動作���
https://t.co/TChuWEXUXk

5. last30days-skill
どんなテーマでもReddit・X・YouTube・Hacker News・ウェブを横断調査し、根拠付きで要約。反応の大きい情報から拾うAIエージェント用スキル。
https://t.co/PnMe0od1SH

6. MoneyPrinterTurbo
キーワードを入れるだけで短尺動画が完成。台本・素材・字幕・BGMまで自動生成、縦9:16も横16:9も出せる。
https://t.co/oD69Imz5NC

7. VoxCPM
多言語対応の音声合成（読み上げ）エンジン。声のデザインから、本人そっくりの声まねまでこなす。
https://t.co/Y9dsuvomDF

8. Agent-Reach
AIエージェントにネットを"見る目"を与えるCLI。X・Reddit・YouTube・GitHub・Bilibili・小紅書を横断で読めて、APIキー課金なしで動く。
https://t.co/fWlNy20yya

9. Open-LLM-VTuber
好きなAIモデルと声で会話できるVTuber。ハンズフリー・割り込み発話に対応し、Live2Dの顔がローカルで動く。
https://t.co/rsStCW0MEV

10. PaddleOCR
PDFや画像を、AIがそのまま扱える構造化データに変換。軽量で100言語以上に対応するOCRツールキット。
https://t.co/CrLQeLJYCA

[Julien Talbot @julientalbot974]

Le passage �� Hermes Desktop n’est pas une question d’interface ou de confort. C’est une tentative sérieuse d’attaquer le vrai goulot d’étranglement des systèmes agents en production : le coût de la continuité et de la supervision quand l’agent doit vivre sur plusieurs surfaces et opérer sans surveillance constante.

Ce que cette version rend concret, c’est une seule mémoire persistante qui traverse Telegram, Discord, Slack, WhatsApp, Signal, email et CLI. L’agent apprend tes projets, auto-génère des skills, et se souvient réellement des solutions qu’il a trouvées. Plus besoin de tout re-expliquer à chaque changement de canal.

Les subagents isolés, avec leurs propres conversations, leurs terminaux et leurs scripts RPC, permettent de multiplier les lignes de travail sans faire exploser la surface de contexte. Le coût de délégation baisse — surtout quand on couple avec des modèles très rapides qui produisent du volume.

L’exécution sandboxée sur cinq backends (local, Docker, SSH, Singularity, Modal) avec un vrai hardening rend possible de laisser tourner des tâches qui seraient trop risquées autrement. Le scheduling en langage naturel, le browser automation, la vision et le routing multi-modèles sont accessibles nativement.

C’est open source MIT. Ça a été montré dans le keynote GTC de Jensen. C’est une avancée d’infrastructure réelle.

Mais ce que les outils améliorent ne supprime pas le problème humain. Il le déplace.

Quand il devient trivial de lancer des agents qui persistent, qui délèguent à d’autres agents, qui tournent en arrière-plan sur ta propre machine, le volume d’actions que tu peux générer de façon rationnelle explose.

À ce volume, l’arbitrage est mécanique.

Le compétent qui sait ce qu’il fait choisit quand même de superviser moins finement, parce que maintenir une représentation précise de dix subagents en parallèle coûte trop cher en attention continue.

Il fonctionne avec une version plus grossière du modèle mental.

Globalement ça marche.

Il vérifie moins.

Ça produit une atrophie progressive de sa propre capacité de pilotage réel — même chez ceux qui ont les compétences pour faire mieux.

La rareté ne se trouve plus dans la capacité à faire tourner un agent.

Elle se trouve dans la capacité à garder, dans la boucle, des représentations mentales assez précises de ce que le système est en train de faire — et à les mettre à jour quand le comportement dévie, sans que ça te coûte trop cher cognitivement.

Hermes Desktop attaque sérieusement le problème de la friction et de la perte de contexte. Il ne résout pas le problème de la gouvernance humaine à l’échelle.

Le vrai gain, ce n’est pas que l’agent vit maintenant sur ta machine.

C’est que ne pas piloter sérieusement devient l’option la plus rationnelle au fur et à mesure que le volume augmente.

[Ax 🦍🇨🇭 @0xBigAx74]

Je pense que beaucoup sous-estiment le vrai délire derrière Obsidian + Codex.

De mon expérience voilà ce que j'en tire + "mon setup"

Le cheatcode, c’est quand ton vault devient la mémoire opérationnelle de tes agents.

Chez moi le Brain (repo) sert à plusieurs trucs:

Garder le contexte durable
Produits, clients, décisions, contraintes, repos, prompts qui marchent, trucs à ne pas refaire, état business.

Tout ce qui ne doit pas disparaître entre deux sessions va dans Obsidian.

Avoir un point d’entrée propre
CONTEXT.md explique où on en est.

CLAUDE.md / AGENTS.md expliquent comment les agents doivent bosser:
lire le Brain, respecter les règles, mettre à jour ce qui est pertinent, ne pas repartir de zéro.
Donc quand Codex arrive, il ne lit pas juste mon prompt.
Il lit mon système.

Gérer les longs goals et prompts
Quand un goal devient trop long, je ne le bourre pas dans le chat (limite 4000 charactères)

Je le mets dans une note Obsidian.
Ensuite je donne à Codex un prompt court qui pointe vers celle-ci :
lis cette note, exécute tout, mets à jour le Brain à la fin.

Beaucoup plus propre.
Beaucoup moins de perte.

Laisser un agent orchestrateur bosser vraiment en autonomie (game changer)
Je peux figer un contexte dans le Brain, donner un gros objectif, puis laisser un agent orchestrateur découper le taf.

Il peut lancer plusieurs sous-agents sur plusieurs goals en parallèle.
Chaque sous-agent a le même contexte de base, mais bosse sur sa partie.

Résultat: moins de blabla, plus d’exécution.
Garder la mémoire après l’exécution

À la fin, l’agent ne balance pas juste “done”.

Il met à jour:

Daily pour ce qui vient de se passer.
Note produit / client / projet pour ce qui devient durable.
Repo pour le code.
CLAUDE.md / AGENTS.md si une règle de travail doit rester.

C’est là que ça devient vraiment fort.
Chaque session améliore la prochaine.

Mon petit brain est une mémoire vivante.

Obsidian range.
MCP donne accès.
Codex exécute.
Les agents mettent à jour.
Et moi je n’ai pas besoin de répéter 40 fois le même contexte.

[Nico @nicos_ai]

Mejores cuentas de cada lab de IA para mantenerte siempre informado:

Anthropic
→ @karpathy → cuenta imprescindible en IA, acaba de unirse a Anthropic
→ @bcherny → creador de Claude Code, siempre comparte tips muy útiles
→ @trq212 → también desarrollador de Claude Code, escribe artículos increíbles sobre CC

OpenAI
→ @polynoamial → trabaja en investigación de razonamiento, comparte muchos detalles técnicos
→ @gabriel1 → desarrollador de Sora, trayectoria profesional muy interesante
→ @jxnlco → enfocado en experiencia de desarrollador, comparte mucho sobre Codex

Google AI
→ @OfficialLoganK → todas las actualizaciones importantes de Gemini y AI Studio
→ @ammaar → producto y diseño, comparte cosas geniales sobre vibe-coding en AI Studio
→ @fofrAI → casos de uso muy creativos con modelos generativos

Cursor
→ @leerob → la voz más activa detrás de las novedades de Cursor
→ @ericzakariasson → comparte muy buenos insights sobre cómo usar Cursor
→ @mntruell → CEO de Cursor, publica los lanzamientos y datos de uso más importantes

xAI
→ @milichab → se unió hace poco a xAI, comparte novedades sobre Grok
→ @skcd42 → también cubre los lanzamientos grandes de Grok
→ @elonmusk → Elon hace muy buen trabajo reposteando y dando visibilidad a todos los productos de xAI

Me he dejado a alguien?

[gus @igus_ai]

Un desarrollador acaba de ganar el hackathon de Anthropic.

Creó un producto funcional en 8 horas con Claude Code y se llevó $15,000.

Después lo hizo open source.
Ya tiene 153,000 estrellas en GitHub.

Lo que incluye:

→ 38 agentes especializados (planificador, revisor de seguridad, debugger, code reviewer)
→ 156 skills que se cargan bajo demanda (/plan, /tdd, /security-scan, /quality-gate)
→ 72 comandos slash personalizados
→ AgentShield: 1,282 tests de seguridad en archivos CLAUDE.md, configs MCP, hooks y skills
→ 3 agentes Opus 4.6 corriendo pipelines de red-team (Attacker, Defender, Auditor)
→ Capa de aprendizaje continuo que acumula confianza entre sesiones
→ Cobertura en 12 ecosistemas de lenguajes

Esto es lo que pasa cuando tratas Claude Code como infraestructura y no como un chatbot.

Enlace abajo 👇

[GG Bondo @GGxBondo]

🚨 CEO Anthropic Dario Amodei właśnie dostał nokaut na oczach całego świata.

Chiński founder Moonshot AI Yang Zhilin wziął i wrzucił za darmo całą rewolucyjną architekturę Kimi Agent Swarm.

Rój ponad 100 agentów działających równolegle. 1500 wywołań narzędzi jednocześnie.

Zadania, które Claude 4.5 i GPT-5.2 robią w godzinę, Kimi załatwia w 15 minut.
40-minutowy masterclass na NVIDIA GTC, w którym Yang tłumaczy wszystko krok po kroku:
• Orchestrator + parallel reinforcement learning
• MoE na bilionach parametrów
• Kimi Linear i 3D-synergia kontekstu
Efekt?

Kimi K2.5 miażdży Zachód w kluczowych benchmarkach agentycznych (HLE-Full, MathVista, OCRBench, multimodal) i robi to 4–5× taniej.

[nini @nini_incrypto_]

Google 把内部工程师的代码审查（Code Review）规范公开啦

这几乎是目前业界最顶级的标准

很多程序员只会写代码，但不知道怎么审代码，可以看看 Google 是怎么做的

1.双向指南：不仅教审查者怎么挑毛病，还教作者怎么写出容易通过的代码

2.术语科普：解释了 Google 内部常用的 LGTM（看起来不错）和 CL（变更列表）到底意味着什么

3.实战价值：这套规范不是理论，而是 Google 每一位工程师都在用的实际操作准则

如果你想提升团队的代码质量，或者想知道顶级大厂的开发门槛，这份文档必读！

https://t.co/OdaozRkMYn

[Nico @nicos_ai]

GITHUB ACABA DE LANZAR LA CERTIFICACIÓN OFICIAL DE UNO DE LOS ROLES TECH MÁS IMPORTANTES DE 2026

→ Agentic AI Developer (GH-600)

Y es la primera vez que trabajar con agentes de IA se convierte oficialmente en una disciplina reconocida de ingeniería.

Ya no hablamos de:
• prompt engineering
• vibe coding
• automatizaciones simples

Hablamos de un nuevo perfil técnico:

→ Agentic AI Developer

La persona que:
• coordina agentes de IA
• construye workflows autónomos
• integra agentes en entornos reales
• supervisa fallos en producción
• evita errores críticos en pipelines CI/CD
• sabe cuándo un agente no es fiable

Antes:
→ “Trabajo con agentes de IA” era difícil de validar.

Ahora:
→ GitHub certifica oficialmente ese skillset.

Y eso cambia el mercado.

Las empresas van a necesitar este perfil.
Pero todavía hay muy pocos developers especializados en ello.

Si ya trabajas con:
• Copilot
• Codex
• Claude Code
• workflows agentic
• automatizaciones con IA

Probablemente ya estés haciendo este trabajo.

GH-600 es la forma de demostrarlo.

Guárdate esto 🔖

[Supersocks @iamsupersocks]

Ce setup, c’est de la magie noire.

Telegram → Discord, Obsidian bien rangé en amont, Hermes/Kanban qui route les tâches.

Résultat: je vibecode comme un monstre sur 10 projets à la fois.

IA fast + bien documentée ? oui.

[CAPET ☀️ @Capetlevrai]

Nouveau guide complet VIP sur mon site !

Coder pour pas cher avec @OpenCode et DeepSeek
https://t.co/yVt7LZDbuD

J'explique comment configurer Opencode pour en profiter au max et prompter à fond pour 5$ / mois avec des modèles très puissants.

Vous avez recommandations de MCP pour améliorer l'expérience de développement et des prompts pour vous aider à tout mettre en place !

[angel @angeldot_]

🚨Google acaba de lanzar Google Skills

Una plataforma donde cualquiera puede aprender lA, programación y tecnología

Desde 0 y con certificados oficiales

Todo lo que necesitas saber 👇🏼

[✦ VISUAL AI ✦ @VisualconAI]

Un empleado de Anthropic que trabaja en Claude Code acaba de declarar que ya ni siquiera toca el teclado para programar.

49 funciones en 48 horas. IA pura. Gratis. En una charla de 30 minutos que destroza cualquier curso de vibe coding que hayas pagado.

[Nav Toor @heynavtoor]

If I had to become an AI engineer in 90 days, I would not start with courses.

I would build projects from these 10 GitHub repos.

1. LangChain
The LLM application framework on almost every AI engineer JD. If you want to build production LLM apps, start here.
repo → https://t.co/alIh6rDDIu

2. LangGraph
Stateful agents as graphs. The repo JDs mean when they say "agentic workflows."
repo → https://t.co/bzVBn9uecV

3. LlamaIndex
The go-to framework for RAG and document agents. Every "retrieval pipeline" JD points here.
repo → https://t.co/m4oJ9FiCrX

4. CrewAI
Multi-agent teams with roles and tasks. Used in production by enterprises across the Fortune 500.
repo → https://t.co/0xohE065sD

5. Qdrant
A production vector database written in Rust. JDs name it alongside Pinecone, Chroma, and FAISS.
repo → https://t.co/ziSSXW2dzZ

6. Ragas
The standard framework for evaluating RAG pipelines. Hallucination, faithfulness, relevancy, all measurable.
repo → https://t.co/vgOInvREU5

7. Ollama
Run open-source LLMs locally in one command. JDs ask for local inference for cost and privacy reasons.
repo → https://t.co/gyZhUdzsnZ

8. Awesome MCP Servers
Model Context Protocol is the newest skill on JDs. This repo indexes every production MCP server out there.
repo → https://t.co/ejVOgkRJDX

9. Awesome LLM Apps
100+ end-to-end templates for RAG, agents, multi-agent teams, voice agents, and MCP. Real working code.
repo → https://t.co/oXrD5A8K6a

10. AI Agents for Beginners
Microsoft's free 12-lesson curriculum covering the full AI agent stack. No paywall, no signup.
repo → https://t.co/7dNsDw6bTj

AI engineer job descriptions in 2026 keep asking for the same things: RAG, agents, vector databases, evals, MCP.

These 10 repos teach all of it.

Pick one. Build one project. Push it to GitHub. That's how you start.

100% free. 100% open source.

[precis0x @precisox]

Alguien dotó a Claude Code de memoria permanente y alcanzó las 46.000 estrellas en 48 horas.

95% menos de consumo de tokens por sesión.
Nunca alcanza los límites de contexto.
Retoma la conversación exactamente donde la dejaste.

Instalación con un solo comando.
Completamente gratis, locura de repo.

[Nico @nicos_ai]

🚨 ULTIMA HORA: Google acaba de lanzar Google Skills

Una nueva plataforma donde cualquiera puede aprender lA, programación y tecnología

Desde cero y con certificados oficiales

Todo lo que necesitas saber👇🏼

[Base Camp Bernie @basecampbernie]

$300 mini PC running 26B parameter AI models at 20 tok/s.
Minisforum UM790 Pro ($351) + AMD Radeon 780M iGPU + 48GB DDR5-5600 + 1TB NVMe.

The secret: the 780M has no dedicated VRAM. It shares your DDR5 via unified memory. The BIOS says "4GB VRAM" but Vulkan sees the full pool.
I'm allocating 21+ GB for model weights on a GPU with "4GB VRAM." The iGPU reads weights directly from system RAM at DDR5 bandwidth (~75 GB/s). MoE only activates 4B params per token = 2-4 GB of reads. That's why 20 tok/s works.

What it runs:
- Gemma 4 26B MoE: 19.5 tok/s, 110 tok/s prefill, 196K context
- Gemma 4 E4B: 21.7 tok/s faster than some RTX setups
- Qwen3.5-35B-A3B: 20.8 tok/s
- Nemotron Cascade 2: 24.8 tok/s

Dense 31B? 4 tok/s, reads all 18GB per token, bandwidth wall. MoE same quality? 20 tok/s.

Full agentic workflows via @NousResearch Hermes agent with terminal, file ops, web, 40+ tools, all against local models. No API keys. Just a box on your desk.

The RAM is the pain right now. DDR5 prices 3-4x what they were a year ago. But the compute is free forever after you buy it.
@Hi_MINISFORUM
@ggerganov llama.cpp + Vulkan + @UnslothAI GGUFs + @AMDRadeon RDNA 3. Fits in your hand.

#LocalLLM #Gemma4 #llama_cpp #AMD #Radeon780M #MoE #LocalAI #AI #OpenSource #GGUF #HermesAgent #NousResearch #DDR5 #MiniPC #EdgeAI #UnifiedMemory #Vulkan #iGPU #RunItLocal #AIonDevice

[Erick @ErickSky]

🚨RAG es el pasado. Esto es el FUTURO

Si todavía estás chunkeando PDFs y metiendo embeddings... vas por mal camino.

Presentando PageIndex

→ 98.7% de accuracy en FinanceBench.
→ Cero vectores.
→ Cero chunking.
→ Cero bases de datos caras.

Convierte cualquier documento largo en un árbol jerárquico inteligente (como un índice perfecto) y deja que el LLM razone como un analista senior humano, navegando sección por sección.

Preciso.
Trazable.
Brutal con reportes financieros, contratos, papers técnicos… todo lo que tu RAG actual odia.

REPOOO👇

[AI Edge @aiedge_]

The creator of OpenClaw (Peter Steinberger) just LEAKED how to use your Claw agents properly.

On 𝕏, he's posted 50+ OpenClaw tips - in comments, posts, etc.

I just combined ALL of them into one cheatsheet.

Thank me later: