tecnoboletín / 2026-10-19

Boletín · lunes 19 oct 2026

El cuello de botella ya no es el modelo, es el harness: Google Harness² + ASPIRE + Otari (Mozilla) en un solo día

El 19 de octubre consolida el giro editorial más importante de 2026-Q4: el modelo ya no es el cuello de botella, lo son el harness y las skills. Google Research publica harness2 con un loop formal Propose-Probe-Compose que refina el sistema (prompt + guardrails + memory + tools + subagentes + skills + scripts + plugins) sin tocar pesos. NVIDIA ASPIRE aterriza la misma intuición en robótica con skills sensoriomotoras. Mozilla-AI/Otari entra como gateway open-source con pedigree Mozilla, virtual keys y features AI-native opcionales (MCP, code execution, web search, guardrails).
5 hallazgos 6 radar 8 conceptos nuevos en el grafo Abrir en triaje →
Hallazgos principales
01
leer #recursive_harness_optimization conf 0.90

google-research/harness2 — el cuello de botella ya no es el modelo, es el harness ↗

9.006★ · 790 forks · Python · Apache-2.0

Framework plug-and-play para refinar recursivamente el sistema alrededor del modelo (harness) sin tocar pesos. Un harness son los ocho componentes editables: prompt del sistema, guardrails, memoria, tool guidance, subagentes, skills, scripts y plugins. Harness² conecta dos niveles de recursión: (1) task-level — paso contrastivo Propose-Probe-Compose (proponer ediciones al harness, probar su efecto en la misma tarea, componer un harness refinado de los contrastes), y (2) harnessing-level — un "improvement harness" persistente que adopta los harnesses exitosos y guarda lecciones con evidencia para la próxima tarea. Paper arXiv 2610.14224, sitio harness2.github.io. Ejecutores: OpenCode y Codex. Benchmarks: JobBench, LAB, WorkBuddy-Bench.

Por qué importa

Cambia el eje del optimizador. Mientras la conversación de 2026 llevaba "sube de modelo", Harness² dice "el modelo ya no cambia, lo que cambia es el harness" — y aporta una loop formal (no artesanal) para mejorarlo. Los números importan: una sola iteración de Harness² mejora GLM-5 y Gemini 3.5 Flash sobre sus harnesses base en 11.5pp (WorkBuddy-Bench), 4.5pp (JobBench) y 11.8pp (LAB partial pass rate). Caveat: los benchmarks son del propio paper, hay que leerlos como evidencia direccional, no como claim de universalidad.

el paper (arXiv 2610.14224) y docs/BENCHMARKS.md + probar harness2-demo --output runs/demo --k 2 (corre sin credenciales, ejecutores deterministas) + vigilar si suben ejecutores para Claude Code/Hermes.

Grafoimplementsrecursive_harness_optimizationnuevo (concept, relación nueva de hoy) complementsulab-uiuc/LLMRouternuevo (repo, relación nueva de hoy) relevant_toearendil-works/pinuevo (repo, relación nueva de hoy) competes_withmanual_prompt_engineeringnuevo (concept, relación nueva de hoy)
02
probar #llm_gateway_with_budgets conf 0.90

mozilla-ai/otari — gateway LLM open-source con virtual keys, budgets y tracking ↗

681★ · 89 forks · Python · Apache-2.0

Gateway LLM OpenAI y Anthropic-compatible que se ejecuta self-hosted (Docker one-liner o Kubernetes). Una sola API que rutea a 40+ proveedores, mantiene las credenciales detrás del gateway, emite virtual keys con scope (usuario / workspace / modelo), enforce budgets antes del spend y registra usage después. Routing local con failover, weighting y selección aprendida. Sobre esa base añade features opcionales: code execution, web search, MCP, inference guardrails y file understanding — un giro que LiteLLM/Portkey no traen de fábrica. Las llamadas a providers pasan por la librería companion mozilla-ai/any-llm.

Por qué importa

Cierra el triángulo "gateway agnóstico + control financiero + features AI-native" en una sola dependencia open-source con pedigree Mozilla. Para una audiencia que ya curó diegosouzapw/OmniRoute y mag1c/AIStudio2API como gateways, Otari entra como la opción Mozilla-AI-curated con el set de features más amplio. Es Docker simple (mzdotai/otari:latest), no requiere cuenta cloud, y entra en el clúster LLM gateway que tenemos en grafo.

con un Docker compose local contra un proveedor + leer docs/index.md para entender el flujo de virtual keys y, si dependes de LiteLLM hoy, vigilar si Mozilla mantiene el ritmo de releases.

Grafocompetes_withBerriAI/litellm· 2026-08-28 (repo, ya cubierta el 2026-08-28) competes_withportkey-ai/portkeynuevo (repo, relación nueva de hoy) complementsdiegosouzapw/OmniRoutenuevo (repo, relación nueva de hoy) usesmozilla-ai/any-llmnuevo (repo, relación nueva de hoy) +1
03
leer #agentic_skill_discovery_robotics conf 0.90

NVlabs/ASPIRE — training sin gradientes: skills sensoriomotoras en lugar de pesos ↗

658★ · 55 forks · Python · Apache-2.0

Framework de NVIDIA Research para continual learning agentic en robótica. La tesis es: en lugar de gradient descent, "entrenar" es skill refinement. El "modelo entrenado" no son pesos flotantes, es un repo de skills sensoriomotoras. "Distributed training" es un panel de agentes practicando cada uno una skill distinta (no minibatches shardados). v1.0 sale este mes y resuelve el cubo de Rubik con 99% de éxito en 80 tareas LIBERO-Pro (Goal/Object/Spatial/Long) y en tareas seleccionadas de Robosuite y BEHAVIOR-1K. Modelos de razonamiento usados: Claude Opus 4.6 (sim-to-real), GPT-5.5 (real), GPT-6 Astra. Paper arXiv 2607.00272.

Por qué importa

La tesis "el modelo no es el cuello de botella, las habilidades del agente sí" es la misma intuición que Harness² pero en el plano físico. Si te interesa la conversación "agent skills" que ya tenemos con K-Dense-AI/scientific-agent-skills, agentskills/agentskills y gastownhall/beads, ASPIRE entra como el primer caso serio de skills library en el dominio sensoriomotor — no en texto, sino en acciones físicas. Caveat: para una audiencia dev/AI clásica (no robotics), es lectura recomendada, no experimento replicable mañana. Caveat editorial: las menciones a "GPT-6 Astra" son claims del repo, no validados independientemente.

el paper (arXiv 2607.00272) y la docs/system2.md para entender el routing a GPT-6 Astra + vigilar si NVIDIA abre un SDK para construir skills sin acceso a robots físicos.

Grafoimplementsagentic_skill_discovery_roboticsnuevo (concept, relación nueva de hoy) extendsbyok_scientific_desktopnuevo (concept, relación nueva de hoy) complementsK-Dense-AI/scientific-agent-skills· 2026-10-18 (repo, ya cubierta el 2026-10-18) relevant_togoogle-research/harness2nuevo (repo, relación nueva de hoy)
04
probar #ai_sre_self_hosted conf 0.90

VersusControl/versus-incident — AI SRE teammate self-hosted en Go ↗

876★ · 164 forks · Go · MIT

AI SRE teammate open-source self-hosted que aprende tu "normal" a partir de logs, métricas, traces y estado de Kubernetes, y abre incidentes solo cuando aparece una anomalía nueva. Tres modos progresivos: training (solo observa, sin alertas — para aprender), shadow (observa y registra "habría alertado" sin hacerlo — para validar el juicio del agente antes de ir a producción), y detect (abre incidente real y el AI SRE redacta summary + severidad + siguientes pasos antes de mandarlo a Slack/Teams/Telegram/Viber/Email/Lark). Soporta webhook alerts de Alertmanager/Grafana/Sentry/CloudWatch SNS/FluentBit. On-call con PagerDuty/Opsgenie/incident.io/ServiceNow. Templates Go customizables.

Por qué importa

Completa el plano "vertical AI agent" en el dominio SRE, mismo nivel de madurez que VersusControl/versus-incident aporta frente a vibheksoni/stealth-browser-mcp (stealth vertical) o anujasid/mcp-for-blender-pro (3D vertical). La diferencia clave: el modo shadow es un patrón de adopción responsable para SRE — puedes validar el juicio del agente durante semanas antes de cortar el cordón. Caveat: 876★ es señal consistente pero no hype; los benchmarks de "reduce MTTR" no están en el repo, hay que leerlos como promesa de vendor.

el modo shadow en un cluster k8s pequeño durante una semana + leer docs.versusincident.com y, si operas Kubernetes en producción, vigilar la cadencia de releases.

Grafoimplementsai_sre_self_hostednuevo (concept, relación nueva de hoy) complementsvibheksoni/stealth-browser-mcp· 2026-10-18 (repo, ya cubierta el 2026-10-18) relevant_toagent_shadow_modenuevo (concept, relación nueva de hoy)
05
vigilar #open_chatgpt_clone conf 0.90

LibreChat-AI/LibreChat — ChatGPT clone open-source que sigue marcando cadencia diaria con GPT-5, MCP y Skills ↗

45.953★ · 6.747 forks · TypeScript · MIT

Clon open-source de ChatGPT con Agents, MCP, Skills (el nuevo spec), DeepSeek, Anthropic, AWS, OpenAI, Responses API, Azure, Groq, o1, GPT-5, Mistral, OpenRouter, Vertex AI, Gemini, Artifacts, AI model switching y memorias. Multi-proveedor unificado. Despliegue one-click en Railway, Zeabur y Sealos. 13+ idiomas traducidos, Discord activo.

Por qué importa

Reentry — el repo ya estaba visto, pero el ritmo sigue. La lectura editorial es que el plano "ChatGPT clone open-source" sigue siendo una categoría viva, no una reliquia: cada release añade superficie (esta vuelta suma Skills + GPT-5 + Responses API). Caveat: la cobertura del último año es amplia pero dispersa — si tu audiencia busca "single-binary local AI gateway", Otari de hoy o Magnitude de ayer encajan mejor que LibreChat.

la cadencia — si publican una release mayor en los próximos 7 días, vale una pieza corta de "qué cambió".

Grafoimplementsopen_chatgpt_clonenuevo (concept, relación nueva de hoy) relevant_tomozilla-ai/otarinuevo (repo, relación nueva de hoy) implementsmcpnuevo (protocol, relación nueva de hoy)
Radar secundario · 6
ahujasid/mcp-for-blender 31.607★

El repo es el rebranding de blender-mcp (issue #366 documenta el cambio; PyPI ahora expone mcp-for-blender, pero uvx blender-mcp sigue funcionando). Mismo autor que el ya cubierto anujasid/mcp-for-blender-pro.

alvinunreal/lazyskills 569★

TUI Go para gestionar agent skills: ver qué hay instalado (project / global / universal / per-agent), diagnosticar SKILL.md roto, previsualizar comandos, abrir / reinstalar / podar. Compatible con Claude Code, OpenCode, Codex, Cursor, Gemini CLI.

twentyhq/twenty 58.517★

"Open alternative to Salesforce, designed for AI". GraphQL + React + NestJS + PostgreSQL monorepo; CLI para scaffold apps (58.517★, TypeScript NOASSERTION, ~3.9 años).

NVlabs/ASPIRE

Repetido aquí para audiencia no robótica: si tu vertical es dev/AI puro, baja prioridad. Robot skills discovery (ver descripción arriba en hallazgos).

mlabonne/llm-course 84.224★

Reentry masivo con curso LLM, roadmaps y Colab notebooks (84.224★, Apache-2.0, ~3.4 años).

google/ax 13.949★

Reentry (visto por el cron el 2026-09-21). "Agent Executor (AX) is Google's open agentic orchestration runtime". Sin release notoria nueva, pero la cadencia diaria en trending de hoy lo mantiene relevante.

Lectura editorial

Convergencia con tu stack

Para Código Sin Siesta el stack de "optimizar sin tocar el modelo" se concreta: (1) google-research/harness2 (Apache-2.0, 9.006★) si quieres formalizar la loop de refinamiento del harness — paper arXiv 2610.14224, ejecutores OpenCode + Codex, +11.5/+4.5/+11.8 puntos sobre GLM-5 y Gemini 3.5 Flash en WorkBuddy-Bench/JobBench/LAB; (2) mozilla-ai/otari (Apache-2.0, 681★) si necesitas un gateway LLM con virtual keys + budgets + tracking y 40+ proveedores en Docker one-liner — features AI-native opcionales (MCP, code execution, web search, inference guardrails) que LiteLLM/Portkey no traen de fábrica; (3) VersusControl/versus-incident (MIT, 876★, Go) si necesitas AI SRE teammate self-hosted con modo shadow (observa sin alertar) antes de abrir tickets. Caveat: los números de Harness² son del propio paper, leer como evidencia direccional, no claim universal.

Cruzado con tu grafo

El boletín abre 5 nodos relevantes (google-research/harness2, mozilla-ai/otari, NVlabs/ASPIRE, VersusControl/versus-incident, LibreChat-AI/LibreChat reentry + 2 radar nuevos) y 5 conceptos nuevos: recursive_harness_optimization (Harness²), llm_gateway_with_budgets (Otari), agentic_skill_discovery_robotics (ASPIRE), ai_sre_self_hosted (versus-incident), agent_shadow_mode (patrón de adopción responsable). La relación cross-cluster más importante del día: repo:NVlabs/ASPIRE --relevant_to--> repo:google-research/harness2 — mismo eje "optimiza el harness/skills, no el modelo" aplicado en dos planos (texto vs sensoriomotor). El clúster LLM-gateway se afianza con Otari como la entrada Mozilla-AI-curated, complementando LiteLLM/Portkey/OmniRoute que ya teníamos.

Tendencias (5-6 boletines)

Mirando los últimos 5 boletines, el clúster "optimizar el sistema alrededor del modelo" se convierte en la nueva frontera: (a) harness optimization — Harness² (hoy) lo formaliza con paper + benchmark; ASPIRE (hoy) lo lleva al plano sensoriomotor; autoharness (2026-10-02) ya lo había intentado en el plano de skills auto-curadas. Tres entradas al mismo eje en 17 días = categoría consolidándose. (b) gateways LLM con features AI-native — Otari (Mozilla-AI, hoy) + LiteLLM (60k★) + Portkey + OmniRoute cubren el set 2026-Q4 con diferenciación por features opcionales. (c) AI vertical agents con patrón de adopción responsable — vibheksoni/stealth-browser-mcp (shadow-bypass opt-in) + VersusControl/versus-incident (modo training→shadow→detect) muestran que el patrón "el agente aprende antes de actuar" cruza dominios. La frase editorial de la semana: "el modelo no es el cuello de botella, el sistema alrededor sí".
Resumen ejecutivo del boletín origen
  • google-research/harness2 entra al #1 de Trendshift con una tesis incómoda: el cuello de botella ya no es el modelo, es el harness. Google Research publica un framework plug-and-play para refinar el sistema alrededor del modelo (prompt + guardrails + memory + tools + subagents + skills + scripts + plugins) sin tocar pesos. Recursión a dos niveles: a nivel de tarea con un paso Propose-Probe-Compose contrastivo, y a nivel de harness para acumular mejoras entre tareas. Mide +11.5/+4.5/+11.8 puntos sobre GLM-5 y Gemini 3.5 Flash en WorkBuddy-Bench, JobBench y LAB. Paper arXiv 2610.14224. 9.006★, Apache-2.0, 13 días de vida.
  • mozilla-ai/otari aterriza como gateway LLM open-source con pedigree Mozilla y un giro de tuerca: virtual keys + budgets + tracking, todo detrás de un endpoint OpenAI/Anthropic-compatible. Compite con LiteLLM/Portkey, pero añade MCP, code execution, web search, inference guardrails y file understanding como features opcionales. 40+ proveedores. Docker one-liner. 681★, Apache-2.0.
  • `NVlabs/ASPIRE v1.0 sale en octubre y resuelve el cubo de Rubik: NVIDIA Research presenta continual learning sin gradientes — el "modelo entrenado" es un repo de skills sensoriomotoras en lugar de pesos flotantes. SOTA en LIBERO-Pro, Robosuite y BEHAVIOR-1K. Claude Opus 4.6, GPT-5.5 y GPT-6 Astra como modelos de razonamiento. Paper arXiv 2607.00272. 658★, Apache-2.0, 3 meses.
  • VersusControl/versus-incident se postula como AI SRE teammate self-hosted en Go. Tres modos (training/shadow/detect), aprende tu normal a partir de logs/metrics/traces/Kubernetes, abre incidente solo cuando aparece una anomalía nueva. Webhook alerts + Slack/Teams/Telegram/Viber/Email/Lark + PagerDuty/Opsgenie/incident.io. 876★, MIT.
  • LibreChat-AI/LibreChat reentra con cadencia diaria y superficie ampliada: ahora soporta GPT-5, MCP, Skills (el nuevo spec), Artifacts, Responses API, 30+ proveedores. 45.953★, MIT, 3.7 años en el ring.
  • Fuentes consultadas: Trendshift daily, GitHub Trending daily (all + TypeScript + Python + Rust + Go), GitHub REST API para verificación. Blogwatcher no publicado hoy (último *-blogs.md sigue siendo 2026-07-05).
Edges del grafo (41)
boletin:2026-10-19 --[menciona]--> item:https-github-com-google-research-harness2
item:https-github-com-google-research-harness2 --[trata]--> tema:google-research-harness2
repo:google-research/harness2 --[implements]--> concept:recursive_harness_optimization
repo:google-research/harness2 --[complements]--> repo:ulab-uiuc/LLMRouter
repo:google-research/harness2 --[relevant_to]--> repo:earendil-works/pi
repo:google-research/harness2 --[competes_with]--> concept:manual_prompt_engineering
boletin:2026-10-19 --[menciona]--> item:https-github-com-mozilla-ai-otari
item:https-github-com-mozilla-ai-otari --[trata]--> tema:mozilla-ai-otari
repo:mozilla-ai/otari --[competes_with]--> repo:BerriAI/litellm (ya cubierto el 2026-08-28)
repo:mozilla-ai/otari --[competes_with]--> repo:portkey-ai/portkey
repo:mozilla-ai/otari --[complements]--> repo:diegosouzapw/OmniRoute
repo:mozilla-ai/otari --[uses]--> repo:mozilla-ai/any-llm
repo:mozilla-ai/otari --[implements]--> concept:llm_gateway_with_budgets
boletin:2026-10-19 --[menciona]--> item:https-github-com-NVlabs-ASPIRE
item:https-github-com-NVlabs-ASPIRE --[trata]--> tema:nvlabs-aspire
repo:NVlabs/ASPIRE --[implements]--> concept:agentic_skill_discovery_robotics
repo:NVlabs/ASPIRE --[extends]--> concept:byok_scientific_desktop
repo:NVlabs/ASPIRE --[complements]--> repo:K-Dense-AI/scientific-agent-skills (ya cubierto el 2026-10-18)
repo:NVlabs/ASPIRE --[relevant_to]--> repo:google-research/harness2
boletin:2026-10-19 --[menciona]--> item:https-github-com-VersusControl-versus-incident
item:https-github-com-VersusControl-versus-incident --[trata]--> tema:versuscontrol-versus-incident
repo:VersusControl/versus-incident --[implements]--> concept:ai_sre_self_hosted
repo:VersusControl/versus-incident --[complements]--> repo:vibheksoni/stealth-browser-mcp (ya cubierto el 2026-10-18)
repo:VersusControl/versus-incident --[relevant_to]--> concept:agent_shadow_mode
boletin:2026-10-19 --[menciona]--> item:https-github-com-LibreChat-AI-LibreChat
item:https-github-com-LibreChat-AI-LibreChat --[trata]--> tema:librechat-ai-librechat
repo:LibreChat-AI/LibreChat --[implements]--> concept:open_chatgpt_clone
repo:LibreChat-AI/LibreChat --[relevant_to]--> repo:mozilla-ai/otari
repo:LibreChat-AI/LibreChat --[implements]--> protocol:mcp
boletin:2026-10-19 --[menciona]--> item:https-github-com-ahujasid-mcp-for-blender
item:https-github-com-ahujasid-mcp-for-blender --[trata]--> tema:ahujasid-mcp-for-blender
boletin:2026-10-19 --[menciona]--> item:https-github-com-alvinunreal-lazyskills
item:https-github-com-alvinunreal-lazyskills --[trata]--> tema:alvinunreal-lazyskills
boletin:2026-10-19 --[menciona]--> item:https-github-com-twentyhq-twenty
item:https-github-com-twentyhq-twenty --[trata]--> tema:twentyhq-twenty
boletin:2026-10-19 --[menciona]--> item:https-github-com-NVlabs-ASPIRE
item:https-github-com-NVlabs-ASPIRE --[trata]--> tema:nvlabs-aspire-radar
boletin:2026-10-19 --[menciona]--> item:https-github-com-mlabonne-llm-course
item:https-github-com-mlabonne-llm-course --[trata]--> tema:mlabonne-llm-course
boletin:2026-10-19 --[menciona]--> item:https-github-com-google-ax
item:https-github-com-google-ax --[trata]--> tema:google-ax
← 2026-10-18 Archivo 2026-10-20 →