Consola de triaje

comprobando sesión…

Triaje Lectura Grafo

2026-09-20

11 items · 5 hallazgos · 6 radar

explorar 3

probar 2

leer 2

vigilar 4

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 · #non-autoregressive-decision-model

El cluster "System 1 decision models"

1.834★ · 172 forks · Python · Apache-2.0

Qué es

una familia de modelos no-autoregresivos que toman texto + un schema plano de preguntas (choice / score / boolean) y devuelven una decisión tipada con probabilidades por alternativa en un único forward pass, sin generar texto.

Cómo encaja

El cluster "System 1 decision models" non-autoregressive-decision-model

implements · relación nueva de hoy

El cluster "System 1 decision models" technique:proper-scoring-rules

uses · relación nueva de hoy

El cluster "System 1 decision models" NandhaKishorM/laya

complements · relación nueva de hoy

El cluster "System 1 decision models" on-device-agent

relevant_to · ya cubierto el 2026-08-12

El cluster "System 1 decision models" agent-router-fast-path

enables · relación nueva de hoy

El cluster "System 1 decision models" openai/responses-api

complements · relación nueva de hoy

Por qué importa

En Codigo Sin Siesta hemos cubierto repetidamente el problema estructural: cuando le pides a un LLM una decisión estructurada (route, sí/no, score 1-5), el modelo gasta la mayor parte del tiempo y los tokens en generar prosa alrededor de la respuesta, y ahí es donde alucina. Laya y Nimble atacan exactamente ese punto: son modelos no-autoregresivos que leen el contexto una sola vez y emiten logits sobre códigos de un solo token; un scorer convierte con softmax, no hay JSON que parsear, no hay nada que pueda alucinar. El caso de uso editorial es directo: routers de agentes (qué agente / herramienta aplica), evaluadores de pipelines RAG, guardarraíles de compliance, ticket routing, priorización de backlog. En números: Laya corre a 33 ms por pregunta en T4 (7,2 ms en batch) y Nimble está validado con 2.676 ejemplos curated, mejorando 23,7 puntos sobre la base Qwen3.5-9B (66,4% → 90,1%) y acercándose al 93,2% del modelo propietario Jev 1.13.0 sin destilar de él. El ecosistema trae además laya-mlx (runtime nativo para Apple Silicon, 7–14 ms), kev (variante minúscula sobre Qwen2.5-0.5B), NanoJev y skills oficiales de TypeSafe para integrarlo en coding agents. Caveat honesto: bespokelabsai/nimble devuelve license.spdx_id: NOASSERTION y el repo no incluye archivo LICENSE en main/master/develop; la adopción como build-dependency queda pendiente de clarificación legal, aunque el uso para research/eval es válido. Laya y el resto del ecosistema TypeSafe sí son Apache-2.0 explícito.

instalar Laya vía pip install laya y probar el Router sobre un caso propio — ticket routing, intent classification, content moderation — antes de evaluar Nimble como receta de entrenamiento; si tienes HF GPUs, validar el flujo LoRA de Nimble sobre tu dominio; no adoptes Nimble como dependencia hasta clarificar LICENSE — abrir un issue o usar mirror compatible

Abrir fuente ↗ Grafo

explorar hallazgo 02 · #lightweight-coding-harness

context-labs/whip

618★ · 145 forks · Go · Apache-2.0

Qué es

harness de coding agent compilado a un único binario en Go (618★, 145 forks, Apache-2.0, creado 2026-08-20, último push 2026-09-20). Tool-use loop con bash/read/write/edit/subagent, TUI interactivo basado en bubbletea, modelos provider-routable a cualquier endpoint OpenAI-compatible, suscripción Codex reutilizable.

Cómo encaja

context-labs/whip lightweight-coding-harness

implements · relación nueva de hoy

context-labs/whip stablyai/orca

competes_with · ya cubierto el 2026-07-16

context-labs/whip earendil-works/pi-coding-agent

competes_with · ya cubierto el 2026-09-12

context-labs/whip byo-harness-orchestration

relevant_to · ya cubierto el 2026-08-13

context-labs/whip mcp

uses · relación nueva de hoy

Por qué importa

Whip es el primer intento explícito de destilar el consenso 2025-2026 de coding-agent harnesses en un solo binario en Go (618★ en un mes, Apache-2.0). Lo que importa al lector de Codigo Sin Siesta: el README no esconde nada — cada feature cita su fuente en docs/roadmap.md y viene de pi, opencode, codex o exo. Se instala con un curl script firmado (Linux/macOS x64/arm64 con checksum) o con go install sobre Go ≥ 1.27. La killer feature es el provider routing: whip auth openrouter mete el catálogo completo en /model, whip auth codex reutiliza tu suscripción ChatGPT/Codex vía OAuth local con refresh en ~/.codex/auth.json y catálogo refrescado cada 24h desde chatgpt.com/backend-api/codex/models, /usage muestra los rate-limit windows de la suscripción y whip update se auto-actualiza. La filosofía editorial declarada — "a future where open-source models are the preferred models" — encaja con lo que cubrimos en este boletín. Conexión con boletines previos: ya cubrimos el espacio competencial con stablyai/orca el 2026-07-16 y con earendil-works/pi-coding-agent el 2026-09-12, y la idea de orquestar harnesses propios con concept:byo-harness-orchestration el 2026-08-13; whip es la lectura más concentrada de ese mismo debate. Caveat honesto: 618★ es crecimiento orgánico joven pero acelerado (creado hace un mes, ya trending en daily); el proyecto está en fase "first features hit" y la v1.0 con breaking changes sigue siendo promesa. No es para equipos que necesiten estabilidad hoy — es para early adopters que quieran opinar el consenso antes de que se cierre.

instalar el binario con curl -fsSL https://raw.githubusercontent.com/context-labs/whip/main/install.sh | sh, probar whip auth openrouter para tener el catálogo de modelos, leer docs/roadmap.md para entender qué cherry-pickea de cada harness histórico; si tienes una suscripción Codex activa, validar whip auth codex + /usage; no usar en proyectos críticos hasta que el repo acumule más estabilidad

Abrir ficha Grafo ↗

explorar hallazgo 03 · #accessibility-tree-computer-use

lahfir/agent-desktop

1.312★ · 87 forks · Rust · Apache-2.0

Qué es

CLI nativa en Rust (1.312★, 87 forks, Apache-2.0, creado 2026-02-19, último push 2026-09-17) más C-ABI cdylib (libagent_desktop_ffi) que permite cargar la librería desde Python / Swift / Go / Ruby / Node / C sin forkear el CLI. La tesis editorial: en macOS el árbol de accesibilidad es la estructura real de la UI — agent-desktop la lee y la opera, con refs estables y acciones seguras de reintentar, en lugar de adivinar desde píxeles.

Cómo encaja

lahfir/agent-desktop accessibility-tree-computer-use

implements · relación nueva de hoy

lahfir/agent-desktop claude-computer-use

competes_with · relación nueva de hoy

lahfir/agent-desktop browser-cdp-harness

relevant_to · ya cubierto el 2026-08-23

lahfir/agent-desktop cdp

uses · relación nueva de hoy

lahfir/agent-desktop human-in-the-loop-agent-workflow

relevant_to · ya cubierto el 2026-08-19

Por qué importa

Aquí toca ser honestos sobre la limitación: el resto de entradas de computer-use (OpenAI Operator, Anthropic Claude Computer Use, Google Astra) que hemos cubierto en boletines previos trabajan con screenshots + visión multimodal — caro en tokens, frágil a reflows, propenso a "fingir que entendió". agent-desktop propone otra ruta: lee el Accessibility tree nativo de macOS (el mismo que usa VoiceOver), lo aplana en un snapshot estructurado con progressive skeleton traversal (78–96% menos tokens sobre apps densas como Slack según el README) y referencia los elementos por IDs compactos tipo @s8f3k2p9:e1. El catálogo de comandos es serio: 58 nombres / 54 operacionales cubriendo observación, interacción, teclado, ratón, notificaciones, clipboard, gestión de ventanas y ciclo de vida de sesión. Killer feature para nosotros: Chromium-app interop vía CDP (launch --cdp abre un DevTools port verificado) — cualquier framework que habla CDP (Playwright, Puppeteer, agent-browser) maneja el contenido web mientras los menús nativos siguen el path de accesibilidad. La adopción es trivial: npm install -g agent-desktop descarga el binario prebuilt, npx agent-desktop snapshot --app Finder -i funciona sin instalar aunque el bundle completo pida permisos. Caveat duro: macOS only (13.0+, Rust 1.89+, requiere Accessibility + Screen Recording + Automation permissions); para Linux/Windows ya cubrimos warp-tech/warpgate que cubre SSH/K8s/database bastion pero no computer-use nativo. Conexión con boletines previos: ya cubrimos el patrón browser-CDP-harness el 2026-08-23 y los flujos human-in-the-loop para agentes el 2026-08-19; agent-desktop aterriza ambos desde la esquina nativa.

instalar con npm install -g agent-desktop, ejecutar npx agent-desktop snapshot --app Finder -i para ver el output sobre tu propia sesión, validar permissions --request antes de comprometerte; si trabajas con Slack/Xcode/Finder/Safari y un coding agent, agent-desktop es la pieza que cierra el loop "el agente opera sobre la UI real sin adivinar desde píxeles"; macOS only — no aplica para Linux/Windows

Abrir ficha Grafo ↗

leer hallazgo 04 · #agents-as-functions

withastro/flue

8.310★ · 496 forks · TypeScript · Apache-2.0

Qué es

framework TypeScript del equipo Astro (8.310★, 496 forks, Apache-2.0, creado 2026-02-07, último push 2026-09-19) para construir agentes autónomos con un runtime programable. Sintaxis 'use agent' estilo React Server Components, el agente es una función que compone el harness que necesita con useModel('anthropic/claude-sonnet-4-6') + useSandbox(local()) + useSkill(triage) + useTool(openIssue).

Cómo encaja

withastro/flue agents-as-functions

implements · relación nueva de hoy

withastro/flue programmable-harness

implements · relación nueva de hoy

withastro/flue langchain-ai/deepagents

competes_with · ya cubierto el 2026-08-25

withastro/flue anthropics/knowledge-work-plugins

complements · ya cubierto el 2026-09-18

withastro/flue mcp

uses · relación nueva de hoy

withastro/flue ai-agent-sandbox

relevant_to · ya cubierto el 2026-08-22

Por qué importa

El equipo Astro popularizó "components as functions" para sitios estáticos y SSG. flue aplica esa misma filosofía a agentes: el agente es la función, el harness es lo que la función importa. Para un lector de Codigo Sin Siesta esto resuelve un problema estructural del agentic frame actual que hemos comentado en boletines previos: o compras el harness completo de Claude Code/Codex (opaco, vendor-locked) o te escribes un loop de tool-calls desde cero (y reinventas sessions, tools, skills, sandbox, durabilidad, observability). flue da el catálogo de primitivas (useModel('anthropic/claude-sonnet-4-6'), useSandbox(local()), useSkill(triage), useTool(openIssue)) y targets de deploy reales: Node.js, Cloudflare Workers, GitHub Actions, GitLab CI/CD, Daytona, Render. Los canales verificados (Slack/Teams/Discord/GitHub) reciben eventos autenticados, MCP servers conectan herramientas autenticadas al ecosistema abierto, y la observability sale por OpenTelemetry a Braintrust/Sentry o tu propio collector. Conexión con boletines previos: ya cubrimos langchain-ai/deepagents como competidor el 2026-08-25, vimos cómo anthropics/knowledge-work-plugins complementa el catálogo de skills oficiales el 2026-09-18, y tratamos el problema del sandbox para agentes de IA el 2026-08-22; flue se posiciona explícitamente en esa intersección. Caveat honesto: 8.310★ en siete meses sugiere tracción real del equipo Astro, pero la ergonomía "agente como función" sigue siendo experimental — los ejemplos oficiales asumen Anthropic/OpenAI y un sandbox local, y el camino a self-hosting multi-tenant aún no está pulido.

visitar https://flueframework.com/docs/guide/building-agents/ para entender la API useModel/useSandbox/useSkill/useTool, leer el ejemplo agents/triage.ts del README para ver el modelo mental; si ya tienes un agente escrito como loop de tool-calls, evaluar Flue como forma de extraer las primitivas a funciones testeables; no migrar producción todavía — leer primero la sección Durability + Subagents + Channels para entender el modelo de recovery

Abrir ficha Grafo ↗

leer hallazgo 05 · #secure-mcp-tunnel

openai/tunnel-client

438★ · 87 forks · Go · Apache-2.0

Qué es

cliente OSS oficial de OpenAI (438★, 87 forks, Go, Apache-2.0, creado 2025-12-10, último push 2026-09-20) que corre en tu máquina / VM / Kubernetes / red privada y conecta un MCP server local a ChatGPT, Codex, Responses API y AgentKit a través de un endpoint tunnel hospedado por OpenAI, sin abrir puertos públicos.

Cómo encaja

openai/tunnel-client secure-mcp-tunnel

implements · relación nueva de hoy

openai/tunnel-client mcp-first-baas

implements · ya cubierto el 2026-07-31

openai/tunnel-client cloudflared-tunnel

competes_with · relación nueva de hoy

openai/tunnel-client openai

relevant_to · ya cubierto el 2026-08-31

openai/tunnel-client mcp

uses · relación nueva de hoy

openai/tunnel-client github/github-mcp-server

complements · ya cubierto el 2026-08-28

Por qué importa

El patrón MCP privado tiene dos variantes que hemos visto en boletines previos: self-host el servidor entero o exponer tu localhost con un túnel ngrok-style. openai/tunnel-client resuelve la segunda variante con un cliente oficial de OpenAI, auditado, con endpoints de operador (/healthz, /readyz, /metrics, /ui) y modelo de permisos explícito. Lo que le importa al lector de Codigo Sin Siesta: el MCP server se queda fuera del internet público, el túnel es outbound-only desde tu host — exactamente el trust boundary que tu CISO te va a pedir. Tres docs lo hacen compartible con equipos de seguridad: docs/onboarding.md (5-min quickstart desde localhost o red privada), docs/architecture.md (network y trust boundary), docs/permissions.md (roles, grupos, tunnel IDs, API keys). El proyecto también define un protocolo abierto (docs/protocol.md, docs/openapi.json) y un header de capabilities (X-Tunnel-Client-Capabilities), así que terceros pueden escribir clientes compatibles sin lock-in. Conexión con boletines previos: cubrimos la idea de concept:mcp-first-baas el 2026-07-31 y vimos cómo github/github-mcp-server cubre el caso GitHub el 2026-08-28; tunnel-client es la pieza que faltaba para llevar ese stack a producción sin abrir puertos públicos. Caveat honesto: 438★ es tracción honesta de un cliente enterprise creado hace 9 meses; la adopción real está limitada a productos OpenAI-hosted (ChatGPT, Codex, Responses API, AgentKit) — no es un sustituto de ngrok/cloudflared para tráfico general.

no instalar todavía — leer primero docs/onboarding.md y docs/architecture.md; el demo embebido tunnel-client run --embedded-stateless-mcp-stub --health.listen-addr 127.0.0.1:0 es la forma más rápida de validar la stack sin gastar API quota; si tienes un MCP server interno que necesitas exponer a ChatGPT/Codex sin abrir puertos, este es el camino oficial — pero lee primero docs/permissions.md para entender el modelo de tunnel IDs y API keys antes de pasar producción

Abrir ficha Grafo ↗