Tu IA local ya recuerda: del cuaderno al grafo de conocimiento

CopilotKit ya tenía el framework UI para agentes (AG-UI, Rich Threads, OpenBot); con OpenMuse publica además la aplicación de referencia completa bajo MIT, lista para forkear. Es el "hello-world-con-agente-real" oficial del stack CopilotKit y, en clave de producto, un nuevo ejemplo de plantilla OSS para agentes personales: el lector que está prototipando un agente con UI móvil puede partir de aquí sin tener que cablear browser persistente, workspace Linux y cliente nativo desde cero. Caveat honesto: el repo está en alpha documentado (creado el 2026-09-15) y la métrica de tracción (1.207★) es aún baja, así que conviene leer docs/VERIFICATION.md antes de apostar por él como base de producción.

El ángulo más interesante para esta newsletter es helix chef, un scaffolder MCP-driven que detecta qué agent harness usa el lector (Claude Code, OpenAI Codex, OpenCode, Cursor Agent) y bootstrapea una app frontend+backend desde una sola frase. Ya cubrimos el patrón "MCP server" el 2026-08-24; HelixDB lleva ese mismo concepto un paso más allá, hacia "el vendor expone su DB como MCP con workflow scaffolder", una capa editorial que probablemente veamos más en 2026-2027. Sustituye además la pila Neo4j + pgvector + Pinecone con un solo motor graph+vector+KV OLTP en Rust, con HelixDB Cloud prometiendo ACID y alta disponibilidad. Caveat: la versión cloud está en early access (Naz, YC F25/W26) y conviene validar SLA y modelo de precios antes de cualquier migración real.

OpenRouter resolvió "los agentes necesitan muchos LLMs sin 60 cuentas"; treg resuelve el mismo problema para herramientas externas, unificando 3.000+ APIs de 60+ proveedores (Semrush, Moz, Crunchbase, Apollo, scraping, generación de imagen y vídeo) detrás de un único endpoint tokenizado con cobro por llamada desde 1 centavo. Para el lector que hoy paga varias suscripciones SaaS para alimentar a su agente, importa porque desplaza el vector de gasto de "suscripción mensual fija" a "pay-per-call según uso real". Caveat importante: la licencia es NOASSERTION, así que toca leer el archivo LICENSE antes de Adoptarlo como dependencia de un producto.

Radar cierra una categoría muy concreta: "UI de Kubernetes en un solo binario, sin cuenta ni telemetría, con servidor MCP integrado para que un agente AI opere el cluster". El dashboard oficial de Kubernetes llevaba tiempo sin un reemplazo OSS moderno; Radar es la primera alternativa seria que (a) se ejecuta como binario único desde el laptop o in-cluster y (b) expone MCP context como feature declarada, no como apaño. Para el lector de "AI + infra" es el ejemplo más claro del patrón "los vendors de infra exponen MCP server nativo", un tema que ya cubrimos en otros boletines y que aquí aterriza sobre un caso de uso muy tangible: consultar topology, resources, Helm, GitOps y audit del cluster desde un agente en lenguaje natural en vez de pelearse con kubectl.

La categoría "local-first remote execution" tiene con crabbox un contendiente maduro y honesto: un solo binario que ejecuta comandos del repo sobre hosts SSH ya existentes o contenedores Docker/Podman, sin cuentas cloud ni login, sincronizando el working tree y devolviendo exit code. Para el lector que hoy hace "ssh a la box remota y corre esto" o monta runners self-hosted solo para tests, crabbox es una primitiva más simple: el agente lanza un box limpio, sincroniza el código, ejecuta y lee el resultado. Caveat honesto: 1.421★ indica proyecto todavía temprano, y el propio repo tiene una sección Security explícita sobre el trust model, conviene leerla antes de adoptarlo para datos sensibles.

Es la primera skills library seria y específica para AI evals, escrita por Hamel Husain / Parlance Labs como material del curso AI Evals en Maven, e instalable vía npx skills add (el patrón de skills verticales con SKILL.md ya lo cubrimos el 2026-09-22, y a obra/superpowers lo mencionamos el 2026-08-08). El entry point evals-start enruta a dos tareas enseñables: eval-audit para revisar un pipeline de evals existente y error-discovery para analizar traces con una annotation interface custom, justo los footguns que todo equipo que monta evals de producto acaba sufriendo. La tesis "los skills verticales reemplazan a la consultora de evaluación" se vuelve plausible con este repo: un agente puede instalar la skill y correr el audit sin que Hamel lo haga a mano. Caveat: la licencia no aparece en la API de GitHub (revisa el archivo LICENSE antes de Adoptarlo).