El Pulso del 25 de agosto de 2026
Las señales que entraron en el radar, ordenadas con sus fuentes y contexto para entender qué cambió.
El guion de audio está listo; la voz se publicará cuando termine la generación.
Headlong: un microharness para agentes persistentes
POR QUÉ ENTRA EN EL RADARHeadlong es un harness open-source de menos de 10.000 líneas en Bash, pensado alrededor de la agencia persistente: el agente sostiene un bucle de pensamiento autoguiado entre mensajes, en lugar de despertarse solo para una tarea o una checklist por cron. Sus decisiones de ingeniería más interesantes son un formato de trayectoria en DAG y una compactación de contexto por niveles con decaimiento exponencial.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«La próxima generación de agentes no va a esperar tu prompt.» Mostrá la diferencia entre chatbots reactivos, agentes programados y un agente con bucle interno persistente; después explicá por qué eso genera autonomía útil y, a la vez, riesgos de privacidad y de costo.
Claude Code 2.1.243: observabilidad del agent-loop y controles de caché
POR QUÉ ENTRA EN EL RADARLa versión agrega un desglose /usage por loop (ejecuciones, tokens totales, tokens por corrida, última corrida), controles de TTL de caché separados entre la conversación principal y los subagentes, curaduría del model-picker y visibilidad del modelo y el esfuerzo de los subagentes. Son features poco glamurosas que vuelven medibles —y no mágicos— a los flujos de coding autónomo.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Tu agente de IA no es caro: está sin observar.» Recorré los tres números a mirar antes de dejar un agent-loop corriendo toda la noche: ejecuciones, tokens por corrida y comportamiento del cache hit.
Los motores de inferencia pueden formar parte del perímetro de seguridad del agente
POR QUÉ ENTRA EN EL RADAREl ensayo sostiene que la propia salida del modelo puede ser entrada hostil para el stack de inferencia. Señala el CVE-2025-9141 previo del XML tool-parser de vLLM, donde un eval() sobre parámetros de tool-call habilitó ejecución arbitraria de código. La lectura práctica: tratá a los parsers y a los hosts de serving en GPU como parte de tu threat model.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«¿Puede una IA hackear la máquina que la ejecuta?» Explicá el camino sorprendente: tokens → bug en el parser → compromiso del host, separando con claridad una vulnerabilidad histórica demostrada del riesgo especulativo más amplio.
Entrenar un modelo para hacer arte editable escribiendo código
POR QUÉ ENTRA EN EL RADARUn modelo Qwen 3.5 35B se entrena con GRPO para escribir JavaScript de p5.brush, renderizado a PNG y evaluado con comparaciones estéticas por pares. La salida es código —no una imagen congelada—, así que se puede editar después de generar. Un resultado clave: una allowlist corta de API superó a un documento de referencia de 400 líneas porque redujo las APIs alucinadas.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Prompt-to-image es un callejón sin salida: ¿y si la IA generara el archivo de Photoshop?» Usalo para presentar «artefactos generativos» que siguen siendo controlables y editables.
Treg: un catálogo de APIs/herramientas diseñado para agentes
POR QUÉ ENTRA EN EL RADARTreg presenta un catálogo de 2.630 endpoints de 47 providers detrás de una sola credencial, con pricing por llamada, comparaciones entre providers e inyección server-side de credenciales. Gane o no este producto en concreto, ilustra el stack emergente de agentes: necesitan un marketplace/router de capacidades, no una carpeta llena de API keys.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«MCP no es toda la historia de herramientas para agentes.» Contrastá conectar una herramienta a la vez con agentes que eligen entre providers según costo, latencia y tasa de éxito.
WorldClaw: de prompt a mundos 3D editables
POR QUÉ ENTRA EN EL RADAREl diferenciador reportado no es apenas una escena generada: árboles, edificios, terreno y props individuales son assets texturizados separados y controlables. Si es técnicamente sólido, esto empuja la generación 3D hacia pipelines listos para game engines y simulación.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«El 3D con IA recién se vuelve útil cuando cada objeto es editable.» Enmarcalo como la misma transición de píxeles lindos a artefactos editables, ahora aplicada a mundos virtuales.
Creator-watch: AI Jason sobre prompting de más de 1.000 agentes de un día para el otro
POR QUÉ ENTRA EN EL RADARLa señal útil de fondo es la orquestación, no el titular de «1.000 agentes»: sesiones de executor desacopladas, señales durables de finalización y una separación clara entre coordinator y executor. El skill referenciado usa sentinels en archivos en lugar de señales de proceso transitorias para evitar race conditions.
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Por qué la mayoría de las demos multi-agente se rompen en producción.» Explicá que la delegación falla menos por inteligencia del modelo que por falta de estado, completion, reintentos y observabilidad.
Reality check de VLM locales: elegí por tier de VRAM y caso de uso
POR QUÉ ENTRA EN EL RADAREl hilo pide comparar vision-language models de pesos abiertos según carga real y huella de memoria —desde menos de 8 GB hasta más de 128 GB de VRAM—, y no solo por scores de benchmark. Es un formato útil para la audiencia de RegusciLabs: la pregunta por el modelo local cada vez es «¿qué puedo correr con confiabilidad en mi hardware?»
ÁNGULO EDITORIAL SUGERIDOAbrir fuente original ↗«Dejá de pedir el mejor modelo local.» Dá un árbol de decisión simple: tu VRAM/RAM → tipo de tarea → tolerancia a latencia → clase de modelo; después pediles a los viewers que publiquen su setup real.