Consola de triaje

comprobando sesión…

Triaje Lectura Grafo

2026-09-11

Letta code reabre el debate del agente con memoria versionada en git

11 items · 5 hallazgos · 6 radar

explorar 3

probar 1

leer 1

vigilar 6

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 01 · #agent-memory pick

letta-ai/letta-code

3.270★ · 396 forks · TypeScript · Apache-2.0

Qué es

harness open-source para agentes "stateful como personas": memoria persistente, identidad, sentido de experiencia en el tiempo y capacidad de modificar su propio contexto, sus skills y su prompt en tiempo de ejecución. Se distribuye como CLI de npm, app de escritorio multiplataforma, chat web/móvil y canales de Telegram/Slack/Discord.

Cómo encaja

letta-ai/letta-code agent-memory

implements · ya cubierto el 2026-08-10

letta-ai/letta-code supermemoryai/supermemory

complements · ya cubierto el 2026-09-10

letta-ai/letta-code huggingface/funes

complements · ya cubierto el 2026-09-08

letta-ai/letta-code memgpt-vm

inspired_by · relación nueva de hoy

Por qué importa

Es la versión moderna y empaquetada de MemGPT (la línea de investigación de Charles Packer en Berkeley, ahora Letta Cloud) que un developer puede instalar con npm i -g @letta-ai/letta-code. Lo interesante para un lector de Código Sin Siesta no es el agente en sí, sino tres decisiones de diseño que cambian cómo se construyen agentes persistentes: (a) MemFS: todo el contexto (incluidos los memory blocks) se trackea vía git, así puedes sincronizar el estado del agente a un repo privado y versionar su memoria como código; (b) dreaming auditado con /sleeptime y revisión con /doctor, que te da una ventana para inspeccionar y depurar qué consolidó el agente mientras estaba offline; (c) subagentes recursivos: el agente puede llamarse a sí mismo como subagente, con su propio contexto aislado. Se distribuye como CLI de npm, app de escritorio multiplataforma, chat web/móvil y canales de Telegram/Slack/Discord, con licencia Apache-2.0 y almacén de estado portable. Ya cubrimos el concepto de memoria de agentes el 2026-08-10, lo conectamos con supermemoryai/supermemory el 2026-09-10 y con huggingface/funes el 2026-09-08; letta-code es el eslabón que faltaba para tener ese mismo patrón con identidad y experiencia en el tiempo, y de código abierto.

instalar el CLI, dejar al agente crear un memory block y auditarlo con /doctor; comparar el modelo de mod/skills contra el de obra/superpowers que ya cubrimos

Abrir ficha Grafo ↗

leer hallazgo 02 · #web-scraping-oss

Anakin-Inc/anakin (Anakin Scraper)

3.243★ · 201 forks · Python · AGPL-3.0

Qué es

API self-hosted de web scraping para IA. Una cadena de handlers (HTTP local → browser anti-detect → API de pago opcional) con auto-fallback, navegador Camoufox anti-detect y selección de proxy vía Thompson sampling. Salida lista para LLM: markdown limpio o JSON estructurado vía Gemini (BYOK). Modo "zero-config": solo Go, sin base de datos; make up lo levanta con Docker, con web UI incluida.

Cómo encaja

Anakin-Inc/anakin (Anakin Scraper) web-scraping-oss

implements · relación nueva de hoy

Anakin-Inc/anakin (Anakin Scraper) D4Vinci/Scrapling

complements · ya cubierto el 2026-08-31

Anakin-Inc/anakin (Anakin Scraper) agpl-copyleft

risk · relación nueva de hoy

Anakin-Inc/anakin (Anakin Scraper) service:firecrawl

competes_with · relación nueva de hoy

Por qué importa

Anakin es el caso de "empresa consolidada que libera su stack de scraping": Anakin cobra y el repo es la versión OSS. La licencia AGPL-3.0 lo inutiliza como dependencia de proyectos cerrados, pero es una pieza muy útil para pipelines OSS/RAG. Ya cubrimos el espacio OSS de scraping el 2026-08-31 con D4Vinci/Scrapling (BSD-3, Python, 4 fetchers), y ahí mismo aparecieron Fortress (engine-level stealth) y Obscura (Rust antidetect); Anakin destaca frente a todos ellos en tres decisiones técnicas concretas: (a) cadena de handlers con fallback automático: el grueso de páginas se resuelve en HTTP local gratis y solo el resto escala al browser anti-detect o a la API de pago; (b) detección de fallos por patrones: defines regex de éxito/fallo por dominio y reintenta con el siguiente handler; (c) Thompson sampling para proxies: aprende en línea qué proxy funciona para qué dominio. El modo zero-config (make up con Docker, web UI incluida, sin base de datos) lo hace el más production-grade de los OSS analizados hasta ahora; su principal competidor en servicios gestionados sigue siendo Firecrawl. Señal a vigilar: 39 días sin push en la rama principal (puede ser actividad solo vía PRs, conviene comprobarlo antes de adoptarlo).

la arquitectura de handler-chain con fallback y la lógica de failure-detection por dominio son exportables como patrón; no es viable adoptarlo como librería en código propietario por AGPL-3.0, pero la idea es portable

Alerta honesta

Anakin es AGPL-3.0: inutilizable como dependencia en proyectos cerrados y agresivo como SaaS competidor de Firecrawl, hay que leer la licencia antes de adoptarlo.

Abrir ficha Grafo ↗

explorar hallazgo 03 · #agentic-creative-editing

multimodal-art-projection/YuE

6.762★ · 781 forks · Python · Apache-2.0

Qué es

modelo de generación de música open-source (HKUST + M-A-P + NYU + Stanford + MBZUAI + ACE Studio). La versión YuE1 (cubierta en cobertura previa, enero de 2025) generaba canciones full-song con lyrics+style. YuE2 añade planificación simbólica, covers zero-shot y, lo más interesante, edición agentic por conversación: le dices al agente "ponle un saxo en el bridge" y el modelo regenera con plan simbólico actualizado.

Cómo encaja

multimodal-art-projection/YuE technique:symbolic-planning

implements · relación nueva de hoy

multimodal-art-projection/YuE agentic-creative-editing

enables · relación nueva de hoy

multimodal-art-projection/YuE music-foundation-models

complements · relación nueva de hoy

Por qué importa

El salto de "generar audio" a "componer y editar con plan simbólico editable" es el mismo salto que dio la generación de código cuando pasó de autocompletar a planificación simbólica editable, y es lo que convierte a YuE2 en algo más que un MusicGen con más estrellas. Tres elementos exportables del diseño: (a) backbone AR–NAR mixture-of-transformers: el plan y los tokens semánticos se generan de forma autorregresiva, mientras los latentes acústicos van por flow matching (el mismo patrón que Stable Audio 3 / MusicGen, pero con planificación por delante); (b) API por etapas plan() → generate_semantic() → synthesize() → decode(): el plan se puede reutilizar entre runs y editar entre llamadas, igual que harías con un AST entre generaciones de código; (c) agent skill oficial ya publicado en el repo (sección 🤖 Agent skill del README), pensado para que un agente externo manipule el plan. La demo pública "The Last Train" pasa de pop mandarín a jazz inglés con saxo en 9 pasos y 14 versiones, mostrando que la frontera del modelo generativo ya no es "producir output", sino "exponer control intermedio que un agente pueda manipular". Limitación honesta: requiere BF16 con 24 GB de VRAM mínimo y salida a 48 kHz estéreo sin cuantizar, así que no es algo que vayas a correr en un portátil normal.

descargar el checkpoint 3B y la skill del agente; auditar el prompt de planning y los slash-commands de la skill; la edición agentic es lo más interesante — comparar contra el modelo Slash/skills de Cursor

Abrir ficha Grafo ↗

explorar hallazgo 04 · #gpu-cluster-orchestration

gpustack/gpustack

5.667★ · 641 forks · Python · Apache-2.0

Qué es

gestor de cluster GPU open-source para servir modelos LLM (vLLM, SGLang) y exponer instancias GPU bajo demanda con acceso SSH. Soporta hardware heterogéneo (NVIDIA CUDA, AMD ROCm, Huawei Ascend + MindIE, Apple Silicon). Incluye balanceo de modelos (llama, qwen, deepseek), inferencia distribuida, soporte MaaS y pool de workers.

Cómo encaja

gpustack/gpustack gpu-cluster-orchestration

implements · relación nueva de hoy

gpustack/gpustack 0xPlaygrounds/rig

complements · ya cubierto el 2026-09-02

gpustack/gpustack on-prem-inference-stack

enables · relación nueva de hoy

gpustack/gpustack cross-hardware-llm-serving

solves · relación nueva de hoy

Por qué importa

gpustack llena el hueco que aparece el día que dejas de correr el modelo en local y pasas a una "pequeña nube" heterogénea (varios Mac Mini, una workstation CUDA, un servidor AMD ROCm e incluso Huawei Ascend + MindIE). El pain point ya no es servir el modelo — eso lo hace vLLM o SGLang — sino orquestar los workers, decidir qué modelo va en qué nodo, apagar cuando no se usa y exponer SSH para iterar a mano, y gpustack es exactamente esa pieza: balanceo entre llama, qwen y deepseek, inferencia distribuida, soporte MaaS y pool de workers sobre hardware heterogéneo (NVIDIA CUDA, AMD ROCm, Huawei Ascend + MindIE, Apple Silicon). Ya cubrimos la capa de SDK para agentes sobre esta misma idea el 2026-09-02 con 0xPlaygrounds/rig; gpustack es la infraestructura que va debajo y que convierte ese SDK en algo desplegable. Madurez: cadencia diaria (push de ayer, commits continuos), 5.667 ★, Apache-2.0, ya en producción en setups de tamaño medio. Su valor real para un lector de Código Sin Siesta es que convierte "tengo hardware" en "tengo una API SSH para mi agente" sin tener que escribir un cluster manager a mano.

auditar la API, ver qué tan trivial es declarar un pool Ascend + CUDA y servir Qwen3.5 235B-A22B en moe-expert-mode

Abrir ficha Grafo ↗

vigilar hallazgo 05 · #distributed-training-framework

NVIDIA/Megatron-LM

17.848★ · 4.490 forks · Python · NOASSERTION

Qué es

framework de NVIDIA para entrenar modelos transformer a escala (MT-NLG, Megatron-Turing NLG, las verticales de Llama Nemotron y demás investigación de pre-training de la casa). Push hoy a las 09:11 UTC.

Cómo encaja

NVIDIA/Megatron-LM distributed-training-framework

implements · relación nueva de hoy

NVIDIA/Megatron-LM proprietary-license

risk · relación nueva de hoy

NVIDIA/Megatron-LM nvidia-research-pipeline

enables · relación nueva de hoy

Por qué importa

Megatron-LM es el framework OSS de NVIDIA para entrenar transformers a escala (detrás de MT-NLG, Megatron-Turing NLG y las verticales Llama Nemotron, entre otra investigación de pre-training de la casa), y el push de hoy confirma que sigue con cadencia alta: cada semana aparece en el trending de GitHub, lo que es señal de que sigue siendo referencia research-grade aunque los grandes labs ya entrenen con stacks privados (Llama 4, DeepSeek-V4, Qwen3.5-Next usan pipelines propios en la primera mitad de 2026). Para un lector de Código Sin Siesta, el interés real no es adoptarlo como dependencia — su licencia NOASSERTION detecta un SPDX no estándar en GitHub y el archivo LICENSE real es el NVIDIA Software Open Source License, que no es MIT ni Apache, hay que leerlo antes de usarlo — sino saber que sigue siendo la pieza OSS donde mirar cuándo aparecen técnicas nuevas de pre-training distribuido. Vale la pena mencionarlo hoy, pero el ángulo fuerte llegaría si NVIDIA libera alguna vertical nueva el mes que viene (Nemotron 4 o equivalente); por ahora lo dejamos como referencia a tener en el radar, no como recomendación de adopción.

sólo relevante si hay release con vertical nueva; la licencia no-OSS confirma que no se va a integrar como dependencia aquí

Alerta honesta

Megatron-LM devuelve NOASSERTION en la API y su LICENSE real es el NVIDIA Software Open Source License, no MIT ni Apache; cualquier evaluación debe abrir el archivo antes de citarlo como open source estándar.

Abrir ficha Grafo ↗