Tendencias tech: IA local, agentes autonomos y rust en backend

Durante todo el año hemos discutido el coste real de los coding agents; tokentab es la primera herramienta que lo mide sin enviar telemetría a un SaaS — pip install . y arranca. Encaja directo en cualquier pieza sobre cómo auditar tu gasto en coding agents o en una comparativa Codex vs Claude Code vs Gemini con sesiones reales. Ya cubrimos BerriAI/litellm el 2026-08-27 desde el lado del gateway; tokentab complementa esa cobertura desde el observability layer de abajo (lee los JSONL que las CLIs ya escriben), no desde el proxy de arriba. Licencia MIT, sin cuenta ni API key, todo local.

Google ya tiene A2A como protocolo, MCP como transporte y Gemini como modelo; ahora suma el plano de mesh sobre el que múltiples agentes distribuidos pueden encontrarse sin que cada uno tenga que saber la IP del otro — la pieza que faltaba para que el 'agente que llama a otro agente' funcione cross-org. La red aplica NAT traversal con relays, evalúa grants sobre nombres de servicio (no sobre direcciones) y emite identidades verificables vía OpenID Connect o token bootstrap one-time. El README incluye un GitHub Codespaces con make testnet que arranca una control plane con URL pública, suficiente para un tutorial paso a paso. Sitio y quickstart: https://google.github.io/agentmesh.

Hay docenas de 'documentos agénticos' propietarios (Coda, Notion AI, Linear Asks, los PDF auto-generados de Lindy.ai); slashdocs es la primera implementación open-source con el modelo mental completo — HTML auto-contenido portable (un archivo por documento, imágenes base64, Mermaid/inline-SVG), comentario anclado sobre palabras exactas con anchors, versiones inmutables conservadas todas, e identidad dual humano/agente (OIDC para humanos, service accounts para headless). Es el ejemplo concreto que necesita un artículo sobre cómo conseguir que un agente produzca documentos revisables en lugar de PDFs enviados al vacío. Ya cubrimos MCP el 2026-09-21 (la slashdocs lo expone como MCP server remoto con OAuth en el browser, sin requerir CLI local) y el concepto de spec-driven development desde el 2026-07-24, así que el repo conecta dos líneas previas del boletín con un caso de uso real. Viene del equipo de Razorpay, no de un actor hip.

Hemos cubierto docenas de AI agent UIs en 2026 y casi todas improvisan su CSS; solid-glass es la primera librería de componentes que se posiciona explícitamente como 'designed for AI applications' (badge oficial) y trae bloques completos reutilizables sobre shadcn/ui + Tailwind 4 + React 19 — agent workspace con sessions, thread, files y background tasks, más home dark/light. Para cualquier desarrollador construyendo la UI de su propio agente o IDE sirve como base en lugar de partir de cero. La estética se define entre flat y liquid glass: deja pasar solo el outline, lo que mejora la legibilidad en páginas con texto denso. Sitio: https://deeplethe.github.io/solid-glass · Registry: https://deeplethe.github.io/solid-glass/r/registry.json.

Es el primer repo público con badge 'Reverse Engineered with REA' que entrega un resultado tangible — 30 componentes React hechos a mano, 8 algoritmos físicos de interacción hard-codeados (motion/animation physics) y un manual de 3000+ líneas que documenta el Design System de Anthropic, no solo la técnica. Vale como ejemplo editorial de qué se puede construir cuando aplicas skills de reverse-engineering a una UI objetivo con valor, y el manual sirve como material de referencia para devs de UI/UX interesados en la motion physics del DS de Anthropic. Ya cubrimos morluto/rea el 2026-10-05; este repo es el segundo hito del cluster, donde la skill se demuestra con producto. Caveat honesto: el README principal está en chino simplificado (existe README-en.md en inglés), así que la fricción de entrada es real para lectores no bilingües.

Ya cubrimos vxcontrol/pentagi el 2026-09-26 y KeygraphHQ/shannon el 2026-09-03 como deep-dives del cluster 'AI red-team productizado'; Armur-Ai/Pentest-Swarm-AI es el tercer punto del trío y el primero en posicionarse explícitamente como alternativa a XBOW. La distinción técnica frente a los dos anteriores es 'swarm vs multi-agent': docenas de agentes que encadenan exploits (BOLA/IDOR, JWT forgery, mass assignment, SSRF, injection), construyen attack paths y los puntúan con scoring adaptativo (JEV contra el estado live, refuerzo vía feromonas) en vez de seguir playbooks predefinidos — esto le acerca más al modelo XBOW que a un orquestador de LLMs. Caveat de licensing honesto: AGPL-3.0 es copyleft fuerte, no apta para integración en SaaS propietario sin abrir tu código; y el repo está en alpha, así que no es producto de producción. El repo tiene 2.5 años de historia (creado 2024-03-26), lo que aporta estabilidad de base incluso en alpha.