Consola de triaje

comprobando sesión…

Triaje Lectura Grafo

2026-09-05

La capa de memoria y skills de los coding agents se consolida con su propio security stack

12 items · 6 hallazgos · 6 radar

explorar 3

probar 2

leer 2

vigilar 5

Descartados y sin acción 0

nada descartado

J/K mover E explorar P probar L leer V vigilar X descartar G grafo ↵ abrir ficha

Selecciona un item del tablero
o pulsa J para empezar.

explorar hallazgo 03 · #long-horizon-agent-control-plane

huangruiteng/loopx

5.613★ · 502 forks · Python · Apache-2.0

Qué es

Kernel de estado ligero y control plane local-first para loop engineering: corre sobre Codex App, Claude Code, Cursor, dsh o tu propio harness y provee estado durable, decisiones semánticas sobre el siguiente paso, governance, recovery y colaboración human-agent. Goals, gates, todos, evidence, quota y handoffs persisten mientras el harness ejecuta turnos acotados.

Cómo encaja

huangruiteng/loopx long-horizon-agent-control-plane

implements · ya cubierto el 2026-08-08

huangruiteng/loopx multi-harness-orchestration

extends · ya cubierto el 2026-08-08

huangruiteng/loopx approval-gate-pattern

relevant_to · ya cubierto el 2026-08-08

Por qué importa

LoopX no reemplaza al harness, lo envuelve: corre sobre Codex App, Claude Code, Cursor, dsh o tu propio harness y aporta el eslabón que la comunidad viene pidiendo, qué falta entre Claude Code y claude --worktree durante una sesión larga. Un kernel de estado que sobrevive al modelo y a la sesión, con preview protegido, recibos de cambios y workspaces que reanudan donde quedaron. Para CSS el ángulo concreto es que el eslogan "Keep the loop moving. Keep the judgment human." aterriza el vector AWS AI-DLC de gates humanos en cada stage desde el lado de la open community china, en lugar del lado enterprise. Ya cubrimos el sustrato conceptual el 2026-08-08: concept:long-horizon-agent-control-plane, concept:multi-harness-orchestration y concept:approval-gate-pattern; lo que LoopX añade hoy es la implementación con cadencia diaria en trending, documentación bilingüe EN/chino (developer book + manual en Feishu) y un README de 40 KB con tour de workspace, es decir, los tres nodos que ya teníamos pasan de conceptos a producto utilizable.

Alerta honesta

Beads, Engram, LoopX, Atlas y Autoharness suman ~42k estrellas combinadas y ninguno tiene 1.0: la categoría está caliente pero todavía en movimiento.

Abrir ficha Grafo ↗

explorar hallazgo 04 · #agent-source-control

pacifio/atlas

3.221★ · 204 forks · Rust · MIT

Qué es

App desktop (backend en Rust + frontend) que registra cada commit linkeado a la sesión del agent que lo produjo (prompts, tool calls, reasoning), permite correr múltiples agents (Claude Code, Codex, registro ACP) en paralelo contra el mismo codebase con shared memory, e indexa tu knowledge (CLAUDE.md, AGENTS.md, .atlas/knowledge/, papers, sesiones pasadas) para resolver @-references localmente.

Cómo encaja

pacifio/atlas agent-source-control

implements · ya cubierto el 2026-09-03

pacifio/atlas gastownhall/beads

complements · ya cubierto el 2026-08-28

pacifio/atlas coding-agent-observability

relevant_to · ya cubierto el 2026-09-03

Por qué importa

El problema que Atlas ataca es uno muy concreto: los agents escriben mucho código y guardan cero del razonamiento que llevó hasta él. La app registra cada commit linkeado a la sesión del agent que lo produjo (prompts, tool calls, reasoning), permite correr Claude Code, Codex y otros compatibles con ACP en paralelo contra el mismo repositorio con memoria compartida, y resuelve localmente las @-references a CLAUDE.md, AGENTS.md, .atlas/knowledge/, papers y sesiones pasadas. Para CSS abre un espacio que ya teníamos mapeado pero sin tooling dedicado: el audit VCS-aware de agents, ligado a concept:coding-agent-observability. Cubrimos el sustrato el 2026-09-03 con concept:agent-source-control y concept:coding-agent-observability, y el 2026-08-28 sentamos la base complementaria con repo:gastownhall/beads; lo que Atlas añade hoy es el patrón swarm con presupuesto multi-agent y un side-by-side con shared memory ejecutable, además de un backend en Rust y un README de 15 KB que aterriza los casos "every commit, explained" y "switching agents loses the thread".

Alerta honesta

Beads, Engram, LoopX, Atlas y Autoharness suman ~42k estrellas combinadas y ninguno tiene 1.0: la categoría está caliente pero todavía en movimiento.

Alerta honesta

Atlas registra prompts, tool calls y reasoning en local: utilísimo para audit, pero también un single point of failure si se sincroniza a cloud sin cifrar.

Abrir ficha Grafo ↗

probar hallazgo 05 · #agent-skill-security-scanner pick

NVIDIA/SkillSpector

16.193★ · 1.372 forks · Python · Apache-2.0

Qué es

Scanner (Python 3.12+, Apache-2.0) que analiza repos, URLs, zips y directorios buscando 71 patrones en 17 categorías de vulnerabilidades para agent skills: prompt injection, data exfiltration, privilege escalation, supply chain, excessive agency, system prompt leakage, memory poisoning, MCP tool poisoning, MCP least privilege, rogue agent, anti-refusal, dangerous code (AST), taint tracking y YARA. Score de 0 a 100 con etiquetas, integración con SC4/OSV.dev y salida en JSON, Markdown o SARIF.

Cómo encaja

NVIDIA/SkillSpector agent-skill-security-scanner

implements · relación nueva de hoy

NVIDIA/SkillSpector prompt-injection-patterns

uses · relación nueva de hoy

NVIDIA/SkillSpector nvidia-verified-skills-pipeline

relevant_to · relación nueva de hoy

Por qué importa

Aterriza el vector de ataque "skill malicioso" en formato ejecutable y verificable: un escáner que analiza repos, URLs, zips y directorios contra 71 patrones en 17 categorías (prompt injection, data exfiltration, privilege escalation, supply chain, excessive agency, system prompt leakage, memory poisoning, MCP tool poisoning, MCP least privilege, rogue agent, anti-refusal, dangerous code vía AST, taint tracking y reglas YARA) y devuelve un score de 0 a 100 con etiquetas, integrable con SC4/OSV.dev y con salida en JSON, Markdown o SARIF. La cifra del README (26.1% de skills con vulnerabilidades, 5.2% con intención maliciosa probable) convierte el consejo genérico "instala skills con cuidado" en una acción concreta y reproducible: si tu flujo es npx skills add <x>, esto te dice qué puede hacerte x antes de ejecutarlo. Para CSS complementa blader/humanizer cerrando el lado seguridad del catálogo de skills: uno te limpia el texto, el otro te dice si el propio skill es un riesgo. No tenemos todavía un boletín previo que ancle concept:agent-skill-security-scanner, concept:prompt-injection-patterns ni concept:nvidia-verified-skills-pipeline, así que este ít los introduce como conceptos nuevos del grafo.

Alerta honesta

SkillSpector cita26.1% / 5.2% de skills vulnerables/maliciosas pero el dataset no es público y la metodología del estudio no se detalla en el README: tratar la cifra como orientación, no como verdad dura.

Alerta honesta

SkillSpector integra con el catálogo NVIDIA Verified Skills: la baraja tiene un jugador con conflictos de interés obvios (es NVIDIA la que verifica).

Abrir ficha Grafo ↗

leer hallazgo 06 · #self-learning-skill-layer

tigerless-labs/autoharness

1.682★ · 99 forks · Python · MIT

Qué es

Plugin de Claude Code (Python, sin third-party deps) que destila skills desde tus sesiones reales, las agrupa en lugar de apilarlas (cuando detecta escenarios iguales hace fold en vez de crear duplicados), las actualiza mientras se usan y las poda cuando dejan de tener adherencia. Cita un uplift medido en CORE-Bench (HAL): 42% → 78% con mismo modelo y distinto harness.

Cómo encaja

tigerless-labs/autoharness self-learning-skill-layer

implements · relación nueva de hoy

tigerless-labs/autoharness claude-code-skills-format

extends · relación nueva de hoy

tigerless-labs/autoharness big-model-vs-big-harness

relevant_to · relación nueva de hoy

Por qué importa

Aterriza la observación de swyx "Big Model vs Big Harness" sobre un slice muy concreto, la capa de skills, con un patrón self-maintaining: la librería de skills se destila de tus sesiones reales, se agrupa en lugar de apilarse (cuando detecta escenarios iguales hace fold en lugar de crear duplicados), se actualiza mientras se usa y se poda cuando pierde adherencia. La cifra del README (uplift medido en CORE-Bench HAL: 42% → 78% con mismo modelo y distinto harness) convierte "el harness importa" en algo medible, no en opinión. Para CSS el ángulo concreto es "tu agente aprende solo, pero solo de sí mismo": toca únicamente lo que él escribió y deja intacto lo que tú o el vendor escribiste, lo que lo hace buen complemento a qufei1993/skills-hub desde el lado de generación, no de curación. No tenemos todavía un boletín previo que ancle concept:self-learning-skill-layer, concept:claude-code-skills-format ni concept:big-model-vs-big-harness, así que este ít los presenta como conceptos nuevos del grafo y deja la puerta abierta a cubrirlos por separado cuando salgan piezas más canónicas.

Alerta honesta

Autoharness reporta uplift 42%→78% en CORE-Bench HAL con mismo modelo y distinto harness: número sugerente pero single-source, hay que esperar réplica antes de tratarlo como regla general.

Alerta honesta

Beads, Engram, LoopX, Atlas y Autoharness suman ~42k estrellas combinadas y ninguno tiene 1.0: la categoría está caliente pero todavía en movimiento.

Abrir ficha Grafo ↗