El skills layer se consolida como categoría estructural en el stack de agentes

La tracción es la señal: 268k★, 24k forks, plugin oficial Anthropic y GitHub Trending diario. Su filosofía es la opuesta a la de Pocock: en vez de skills pequeñas invocadas bajo demanda, superpowers toma el control del proceso desde el primer mensaje (TDD, YAGNI, DRY, subagent-driven development). El autor vende servicios comerciales en primeradiant.com, así que hay un modelo de negocio claro detrás. Para CSS el contraste "framework completo" vs "library mínima" es un eje editorial natural para hablar del skill layer. En este mismo boletín (ver ítem anterior) cubrimos el enfoque opuesto de Pocock; leerlos seguidos es la mejor forma de entender el dilema.

Es la pieza que faltaba entre el stack local-first de CSS y el agente que programa: un mapa estructural del codebase (vía Tree-sitter) expuesto como MCP server a cualquier coding agent. El CLI code-review-graph install autodetecta los agentes instalados y configura el server para todos; build parsea incrementalmente y mantiene el grafo actualizado. El benchmark publicado (review de Flask: 143k → 2k tokens, una reducción 71x) es concreto y reproducible. Es el primo OSS directo de graphify que ya tenemos indexado, pero más específico (orientado a review, no a grafo genérico). Si quieres que el coding agent lea solo lo que necesita en lugar de un dump del repo entero, esta es la respuesta lista para usar.

Es el competidor OSS más serio en el espacio de grafos para AI enterprise (donde juegan Glean, Hebbia, Palantir Foundry), pero con un ángulo distinto: no pretende ser un vector store más, sino un paquete único (50MB) que combina knowledge graph, ontology, context graphs, decision intelligence, GraphRAG y provenance tracking. Cada nodo lleva su provenance y la búsqueda es GraphRAG semántica, lo que lo diferencia de PGLite+pgvector (que puede hacer algo similar pero con más boilerplate). Para CSS es relevante como inspiración para el propio grafo de conocimiento: si en algún momento queremos construir un agente que explique de dónde salió cada respuesta, semantica trae eso pre-construido y vale la pena estudiar su modelo ontológico.

Reciente (creado 2026-05-13) y todavía pequeño (1.1k★), pero el push de hoy y trending en Go indican momentum. El ángulo es deliberado: si la mayoría de agent frameworks viven en Python/JS, este apuesta por Go por motivos de performance y concurrencia. Para CSS vale como deep dive de arquitectura: entender qué decisiones tomó el substrate (scheduling, message passing, persistence) es la mejor forma de ver el "metal" sobre el que corren agentes como el earendil/pi que cubrimos en este mismo boletín. La limitación honesta: con 216 forks y ~3 meses de vida, todavía hay que tratarlo como experimental, no como base estable.

20k★ en 4 meses (creado 2026-04-13) y trending hoy en Rust es señal fuerte: el espacio "browser for AI" se está moviendo del lado JS al lado Rust por stealth y concurrencia. Los topics (antidetect, antidetect-browser, playwright, puppeteer, rust) lo posicionan como competidor directo de Playwright vanilla, Scrapling StealthyFetcher y Fortress. Para CSS, si alguna vez necesitamos scraping de sitios con DataDome o Cloudflare Turnstile, obscura se suma a tiliondev/fortress (que ya cubrimos en boletines anteriores) como opción OSS a evaluar.

Trendshift #1 del día, 7k★ y push hoy, pero la promesa exige cautela: el README no explica claramente el mecanismo de "self-improvement", así que no se puede distinguir si el agente aprende de verdad de sus runs o si es un wrapper de eval + prompt-tuning. La tesis (el agente ajusta su comportamiento entre runs) es la misma que AutoGPT vendía en 2023, y por eso conviene no venderla sin verificar. Para CSS merece un análisis honesto: si el self-improvement es real, es la pieza que faltaba para agentes en producción; si es hype, hay que decirlo. Lectura mínima antes de adoptar: la sección del repo que describe el bucle de aprendizaje y, si existe, un paper o eval reproducible detrás.