Trail of Bits y Pydantic blindan al coding agent en producción

El ángulo fuerte es la legitimidad de quien lo firma. Trail of Bits no es un hobbyist subiendo “otro sandbox”: es la firma que audita los contratos inteligentes de Solana, Ethereum y Crypto.org, y mantiene herramientas como cargo-audit y pre-commit. Su apuesta por el patrón “Firecracker + Claude Code/Codex” es una validación institucional de que aislar al coding agent en una microVM es la respuesta correcta al problema de “el agente tiene acceso total a tu disco, tu red y tus secretos”. Para un lector de Código Sin Siesta importa porque: (a) cierra el debate “dentro o fuera de un contenedor” — la respuesta madura es “dentro de una VM con Firecracker”; (b) el stack Firecracker + Lima (el gestor de microVMs de macOS) se está convirtiendo en el estándar de facto para sandboxes de agentes en Mac. Ya cubrimos el concepto de firecracker-microvm el 2026-09-16, y vimos un competidor directo en arcbox (2026-08-22); Coop entra en ese mismo eje pero con el respaldo explícito de Trail of Bits.

Hindsight es la respuesta open source al stack MemGPT/Letta de memoria persistente para agentes, pero con un enfoque más predecible y barato: en vez de mantener un LLM controlador que decida qué recordar, usa retrieval semántico clásico sobre el historial más compresión de memorias viejas en resúmenes, y un paso de reflection donde el propio agente revisa y mejora lo que ha guardado. Para un lector de Código Sin Siesta importa porque: (a) cualquier agente serio necesita memoria entre sesiones; (b) la categoría está consolidando con tres modelos claros — MemGPT/Letta (memoria virtual tipo sistema operativo), Hindsight (retrieval + compresión) y Zep/Cognee (memoria con grafo de conocimiento) — y la elección entre ellos cambia el coste, la latencia y la predictibilidad; (c) al ser MIT es el más fácil de self-hostear. Ya cubrimos Hindsight y sus conceptos asociados (agent-memory-persistent, vector-store-external, agent-session-continuity) el 2026-08-10, y a Letta como competidor directo el mismo día; este hallazgo refuerza esa foto con números de tracción (28.257 estrellas en 11 meses) que entonces no teníamos.

Pulumi y Terraform CDK ya demostraron que “TypeScript para infraestructura” tiene mercado. Alchemy da el paso siguiente: importa las primitivas de Effect-TS — composición tipada, retry, rollback automático, manejo de errores — y las aplica a recursos cloud de AWS, Cloudflare y Vercel. El resultado es que cada recurso se trata como un Effect tipado, y eso elimina clases enteras de bugs que Pulumi y Terraform aún permiten (recursos huérfanos, race conditions durante un deploy, retries no idempotentes). Para un lector de Código Sin Siesta importa porque: (a) los coding agents cada vez escriben más infraestructura y necesitan APIs predecibles, no DSLs con estado oculto; (b) el patrón Effect es exactamente el tipo de abstracción que escala cuando tienes docenas de recursos encadenados; (c) si trabajas con Cloudflare Workers, Vercel o AWS, unifica todo bajo un mismo DSL en TypeScript.

Materializa la tesis “context engineering > prompting” en un producto usable. El patrón RAG plano — trocear, embedir, recuperar — muestra sus límites cuando los agentes pierden el contexto entre chunks y las relaciones entre entidades se diluyen. Llm-wiki-compiler toma fuentes crudas (PDFs, URLs, notas), las clasifica, extrae entidades y relaciones, y produce un grafo en Markdown jerárquico y navegable, exactamente la idea que Karpathy planteó en su charla “LLM Wiki”. Para un lector de Código Sin Siesta importa porque: (a) cualquier developer que construya un agente con base de conocimiento propia se beneficia de una estructura jerárquica en lugar de un retrieval plano; (b) la salida en Markdown es legible y editable por humanos, así que se puede auditar y corregir sin reindexar; (c) la categoría “knowledge compiler para agentes” se está consolidando y este es el primer proyecto maduro OSS inspirado directamente en Karpathy. Ya cubrimos el concepto de context-engineering el 2026-09-02, y al repositorio anthropics/skills como competidor el 2026-08-11; este hallazgo encaja en ese mismo eje.

Completa el ecosistema GGML para modelos generativos. Mientras llama.cpp es el estándar de facto para correr LLMs en CPU y Apple Silicon, stable-diffusion.cpp es su equivalente para modelos de difusión (Stable Diffusion, Flux, Wan, Qwen-Image, Z-Image), escrito en C/C++ puro sobre GGML y sin depender de PyTorch ni de diffusers. Para un lector de Código Sin Siesta importa porque: (a) si necesitas desplegar generación de imágenes en edge — Macs, mini-PCs, Raspberry Pi — este es el runtime que lo permite; (b) Apple Silicon está soportado de primera clase con Metal, igual que CUDA y ROCm; (c) al ser MIT y portable en C/C++, cabe en productos comerciales que requieren inferencia on-device sin la pesadez de un stack Python. Es el complemento natural de llama.cpp: misma filosofía, mismo autor (leejet) curtido en el ecosistema GGML, otra modalidad generativa.