Consola de triaje

comprobando sesión…

Triaje Lectura Grafo

2026-09-22

Evenfire es el intelligence layer OSS que responde al lock-in de Cowork

12 items · 6 hallazgos · 6 radar

explorar 0

probar 0

leer 3

vigilar 9

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.

leer hallazgo 01 · #olap-query-engine-rust pick

apache/datafusion

9.346★ · 2.426 forks · Rust · Apache-2.0

Qué es

motor SQL de consultas OLAP embebible, escrito en Rust y compatible con Arrow. Ofrece la misma representación columnar in-memory que pola-rs/polars, pero expuesta como query engine ejecutable dentro de otra aplicación o servidor. Soporta agregaciones, joins, window functions y subqueries; se integra con APIs DataFrame y corre standalone o como librería.

Cómo encaja

apache/datafusion olap-query-engine-rust

implements · relación nueva de hoy

apache/datafusion pola-rs/polars

complements · relación nueva de hoy

apache/datafusion apache-arrow

uses · relación nueva de hoy

apache/datafusion rust-lakehouse

enables · relación nueva de hoy

apache/datafusion company:apache-foundation

relevant_to · relación nueva de hoy

Por qué importa

DataFusion es la pieza que faltaba para cerrar el círculo Arrow en el lado servidor: ya cubrimos pola-rs/polars el 2026-09-19 como primitiva DataFrame del lado Python, y DataFusion es su gemelo del lado Rust — el mismo modelo columnar in-memory de Polars, pero expuesto como motor SQL embebible dentro de cualquier servicio backend o como query engine de un lakehouse distribuido. Si vienes de Polars, la traducción mental es directa: lo que Polars hace dentro de un proceso Python, DataFusion lo hace como dependencia Rust sin Python de por medio. La convergencia Arrow + DataFusion Flight SQL se está convirtiendo en arquitectura de referencia: InfluxDB 3.0, Delta Lake (vía deltalake-rs), GreptimeDB y ParadeDB la usan como capa de consulta. Si estás pensando en montar un lakehouse Rust-native, este es el candidato central; si ya operas uno, te interesa saber que el estándar de facto se está consolidando alrededor de aquí. Madurez contrastada: Apache TLP confirmado (no incubator-), 9.346★, último push hace 2h al cierre de este boletín.

clonar y leer datafusion-examples/ para entender el modelo mental; si tienes un servicio Rust que ejecuta queries SQL, DataFusion es la pieza que reemplaza el "SQLite embebido + parseo manual"; no adoptes como build-dependency crítica todavía sin revisar la versión compatible con tu Arrow; vale seguir como "el query engine del stack Arrow"

Abrir ficha Grafo ↗

vigilar hallazgo 02 · #dms-with-llm pick

paperless-ngx/paperless-ngx

45.862★ · 3.174 forks · Python · GPL-3.0

Qué es

sistema de gestión documental (DMS) comunitario, supercharged sobre Django + Angular. Escanea, indexa y archiva documentos, con detección de duplicados, etiquetado automático, OCR multi-idioma, búsqueda full-text, share links firmados y, ahora, topics declarados ai, llm, machine-learning, ocr. La capa AI/ML convierte el clásico "archive de facturas" en un sistema que entiende el contenido.

Cómo encaja

paperless-ngx/paperless-ngx dms-with-llm

implements · relación nueva de hoy

paperless-ngx/paperless-ngx ocr-classical-pipeline

uses · relación nueva de hoy

paperless-ngx/paperless-ngx agent-document-reading

complements · relación nueva de hoy

paperless-ngx/paperless-ngx self-hosted-archival

relevant_to · relación nueva de hoy

paperless-ngx/paperless-ngx adobe-acrobat-cloud

competes_with · relación nueva de hoy

Por qué importa

Paperless-ngx es un sleeper clásico: 45.862★ lo sitúa al nivel de nvim/neovim o n8n-io/n8n, pero rara vez aparece en trending porque su base de usuarios es operativa, no hype-driven. Lo que trae hoy: topics declarados ai, llm, machine-learning, ocr — un reposicionamiento explícito de "archive de facturas en Django" a "DMS para la era LLM", con auto-tagging semántico, OCR-as-a-service sobre la pipeline clásica y APIs listas para agentes que leen documentos. Para el cruce "AI + infra" que cubrimos en Codigo Sin Siesta es relevante: cualquier agente que necesite leer PDFs, facturas o contratos en producción se beneficia de un DMS maduro con extracción estructurada en lugar de improvisar OCR por su cuenta. La advertencia honesta: GPL-3.0, así que si pensabas forkearlo para un producto SaaS, el copyleft fuerte te obliga a liberar modificaciones; para self-host interno o como dependencia en producto también GPL, no hay sorpresa. Para el ángulo editorial, lo que importa es que valida la tesis "infra madura + capa LLM encima" que hemos visto en otros boletines.

es un sleeper de 45k★ que ahora sube porque su ángulo AI/LLM lo hace trending — vale seguir de cerca; si necesitas un DMS con extracción LLM hoy, esta es la opción OSS más madura; GPL-3.0 obliga a mantener derivados abiertos, así que lee la licencia antes de fork comercial; instalar requiere Docker Compose — no es trivial para first-time self-hosters

Alerta honesta

Paperless-ngx: GPL-3.0; forkear para producto comercial obliga a relicenciar bajo GPL.

Abrir ficha Grafo ↗

vigilar hallazgo 03 · #emacs-rewrite-rust

eval-exec/neomacs

1.464★ · 50 forks · Rust · GPL-3.0 · wip

Qué es

rewrite completo de GNU Emacs en Rust, con display engine sobre wgpu (WebGPU), y promesa de "10x performance, zero-pause concurrent GC, multi-threaded Elisp". Ofrece 100% compatibilidad con el ecosistema Emacs existente: tu init.el, tus packages, tu muscle memory. La promesa editorial: GNU Emacs modernizado sin romper los más de 30 años de packages Elisp existentes.

Cómo encaja

eval-exec/neomacs emacs-rewrite-rust

implements · relación nueva de hoy

eval-exec/neomacs wgpu-display-engine

uses · relación nueva de hoy

eval-exec/neomacs gnu-emacs

complements · relación nueva de hoy

eval-exec/neomacs zed-editor

competes_with · relación nueva de hoy

eval-exec/neomacs editor-as-ai-host

relevant_to · relación nueva de hoy

Por qué importa

Neomacs es la pieza que completa una tendencia editorial que llevamos siguiendo: editores modernos (Helix, Zed, Lapce, Fleet) están mostrando que GPU + Rust es la combinación ganadora para display engines de baja latencia, y la comunidad Emacs lleva años pidiendo un rewrite — los intentos previos Remacs y emacs-ng quedaron incompletos. Neomacs promete las tres cosas a la vez (display sobre wgpu/winit, GC sin pausas, Elisp multi-hilo) y, sobre todo, 100% compatibilidad con el ecosistema existente: tu init.el, tus packages y tu muscle memory sobreviven. Para un lector con org-mode, magit o LLM packages en Elisp, la promesa editorial es enorme — Lisp como lenguaje de scripting AI-friendly encaja con el auge de "editor como host de agentes" (Cursor, Windsurf, Zed AI) sin sacrificar tres décadas de ecosistema. La advertencia de rigor, sin edulcorar: 1.464★, autor único, creado en febrero de 2026 — vale como radar editorial para evaluar en unos meses, no como dependencia diaria todavía.

es interesante pero WIP con autor único — instalar y probar como daily driver todavía no es razonable; vale seguir de cerca porque si consigue compatibilidad real con Elisp packages, es el editor OSS más potente para AI-assisted coding en 2027; revisa /releases para binaries compilados antes de buildear desde fuente

Alerta honesta

Neomacs: "10x performance" y "100% compatibilidad Emacs" son promesa editorial sin benchmark reproducible; los intentos previos (Remacs, emacs-ng) no llegaron a producción.

Abrir ficha Grafo ↗

leer hallazgo 04 · #agent-skills-library-vertical

brycewang-stanford/Auto-Empirical-Research-Skills

4.073★ · 503 forks · CC-BY-SA-4.0

Qué es

curated collection de más de 23.000 agent skills para investigación empírica, cubriendo 8 disciplinas de ciencias sociales (economics, education, political science, psychology, sociology, public administration, international relations y communication). Mantenido por CoPaper.AI desde Stanford REAP (Research Education and Action for Peace). La promesa: "20 minutos para producir un paper empírico reproducible", con subida de skills custom por parte de los usuarios.

Cómo encaja

brycewang-stanford/Auto-Empirical-Research-Skills agent-skills-library-vertical

implements · relación nueva de hoy

brycewang-stanford/Auto-Empirical-Research-Skills skill-md-progressive-disclosure

uses · relación nueva de hoy

brycewang-stanford/Auto-Empirical-Research-Skills reproducible-empirical-research

enables · relación nueva de hoy

brycewang-stanford/Auto-Empirical-Research-Skills obra/superpowers

complements · ya cubierto el 2026-08-08

brycewang-stanford/Auto-Empirical-Research-Skills company:copaper-ai

relevant_to · relación nueva de hoy

Por qué importa

Es la primera skills-library masiva y vertical que vemos para ciencias sociales empíricas: más de 23.000 SKILL.md cubriendo 8 disciplinas (economics, education, political science, psychology, sociology, public administration, international relations y communication), mantenida por CoPaper.AI desde Stanford REAP. El ángulo para Codigo Sin Siesta es que conecta directamente con el agent-skills spec que cubrimos en deep-dive el 2026-07-04, cuando vimos obra/superpowers y agentskills/agentskills; lo que este repo demuestra es que el formato SKILL.md con progressive disclosure escala a bibliotecas masivas (>20k entries) y abre la conversación sobre skills libraries verticales vs generalistas — aquí la disciplina gana a la generalidad. La advertencia de rigor que conviene leer antes de adoptarlo como dependencia de código: la licencia es CC-BY-SA-4.0, apropiada para contenido pero no es código fuente open source convencional — ShareAlike te obliga a relicenciar derivados bajo la misma licencia, lo que descarta fork como dependencia interna en proyectos MIT/Apache sin relicenciar o aislar. Si lo vas a consumir como prompts/instrucciones para un agente, perfecto; si lo vas a importar como librería, lee la licencia primero.

explorar la estructura del repo para entender cómo 23k skills se organizan — la pregunta "cómo se discovery 23k skills sin saturar el context" es no-trivial; si trabajas en investigación reproducible, vale clonar y leer skills/ para entender la metodología; no adoptes como build-dependency de código — la licencia CC-BY-SA-4.0 con ShareAlike es un compromiso, no una licencia OSS estándar

Abrir ficha Grafo ↗

vigilar hallazgo 05 · #training-framework-llm-multimodal

whitecircle/halo

477★ · 17 forks · Python · Apache-2.0

Qué es

framework open-source de White Circle (Public Benefit Corporation) para entrenar modelos de lenguaje grandes y multimodales. Soporta pre-training, SFT, preference optimization y RL multi-turn completamente asíncrono. El mismo codebase corre en una sola GPU o en múltiples nodos con EP/CP/TP/ETP/FSDP2, fused kernels, BF16 training y rollouts distribuidos. Entrena modelos Hugging Face directamente, con checkpoints cargables con from_pretrained. La integración de nuevas familias de modelos requiere típicamente menos de 140 líneas.

Cómo encaja

whitecircle/halo training-framework-llm-multimodal

implements · relación nueva de hoy

whitecircle/halo huggingface-transformers

uses · relación nueva de hoy

whitecircle/halo vllm

uses · relación nueva de hoy

whitecircle/halo async-multi-turn-rl-training

enables · relación nueva de hoy

whitecircle/halo company:white-circle-pbc

relevant_to · relación nueva de hoy

Por qué importa

Halo entra en la categoría de frameworks de training open-source con stack distribuido maduro que hemos visto consolidarse este año (verl, OpenRLHF, axolotl); lo que aporta de diferencial honesto es la promesa de RL multi-turn asíncrono end-to-end — relevante si trabajas con agentes que necesitan aprender de trayectorias largas donde el roll-out secuencial sería el cuello de botella. El mismo codebase corre desde una sola GPU hasta clusters con EP/CP/TP/ETP/FSDP2, fused kernels y BF16, y entrena modelos Hugging Face con checkpoints cargables con from_pretrained, así que el camino de adopción si ya usas transformers es directo. La advertencia crítica de rigor, sin matices: la licencia es Apache-2.0 con Supplemental Terms — el archivo LICENSE declara explícitamente "as modified by, and subject to, the Supplemental Terms" y GitHub reporta NOASSERTION, no Apache-2.0 puro. Esto significa que White Circle PBC probablemente añade restricciones comerciales encima del Apache base; no lo adoptes como build-dependency hasta leer los Supplemental Terms completos. Madurez: 477★, creado hace menos de un mes (2026-08-26), activo — prometedor pero temprano.

es interesante pero 477★ = early stage; no adoptes como build-dependency hasta leer los Supplemental Terms del LICENSE file; si trabajas en RL multi-turn para agentes, vale leer human-docs/performance.md para ver los benchmarks y compararlos con verl; licencia Apache-2.0+ST = restricciones comerciales posibles — para uso en producción comercial pide clarificación a White Circle

Abrir ficha Grafo ↗

vigilar hallazgo 06 · #self-hosted-agent-platform pick

evenfire-ai/evenfire

245★ · 2 forks · TypeScript · MPL-2.0 · beta

Qué es

plataforma open-source "intelligence layer" para correr agentes LLM que toman acciones reales en tu infraestructura. Backend self-hosted con desktop app nativa, BYOK (bring your own keys) y el patrón clave: "every risky action waits for a human yes". Es el equivalente OSS / self-hosted del patrón "Cowork plugin" que cubrimos con anthropics/financial-services el 2026-09-21.

Cómo encaja

evenfire-ai/evenfire self-hosted-agent-platform

implements · relación nueva de hoy

evenfire-ai/evenfire human-in-the-loop-by-default

implements · relación nueva de hoy

evenfire-ai/evenfire anthropic-cowork-verticals

competes_with · relación nueva de hoy

evenfire-ai/evenfire byok-agent-deployment

enables · relación nueva de hoy

evenfire-ai/evenfire agent-on-infrastructure

relevant_to · relación nueva de hoy

Por qué importa

Evenfire cierra la categoría "vertical SaaS de Claude vs intelligence layer open-source" que abrimos en el boletín de ayer, 2026-09-21, cuando cubrimos anthropics/financial-services con sus verticales empaquetados (Pitch Agent, GL Reconciler, etc.). Evenfire es el competidor que dice: puedes tener lo mismo sin lock-in comercial — backend self-hosted, BYOK (traes tus propias claves), desktop app nativa. El patrón editorialmente diferenciador es "every risky action waits for a human yes" como default, no como feature opcional: relevante porque el resto de la industria (incluso Cowork de Anthropic) trata el human-in-the-loop como configuración que puede desactivarse, y Evenfire lo invierte — toda acción arriesgada espera aprobación humana por diseño. La advertencia de rigor: 245★, 2 forks, creado hace poco más de dos meses (2026-07-08), badge Beta explícito en el README y topics vacíos en la API — es señal temprana, no producto maduro. La licencia MPL-2.0 es copyleft a nivel de archivo (más suave que GPL): permite adopción comercial con cuidado de no mezclar MPL dentro de un proyecto con licencia incompatible, y obliga a publicar modificaciones de los archivos MPL que distribuyas. Para un lector que ya evalúa verticales empaquetados, es el punto de referencia OSS a poner en la balanza.

245★ + beta + 2 forks = muy temprano, no adoptar todavía como base de producción; vale seguir de cerca porque el patrón "human-in-the-loop by default" es editorialmente interesante; si quieres probar, instala el desktop app desde GitHub releases; la competencia OSS con Anthropic Cowork / Claude Managed Agents API es la tesis a observar

Alerta honesta

Evenfire: 245 estrellas y 2 forks, tracción muy baja para un lanzamiento que se presenta como competidor de Cowork; la promesa editorial pesa más que la comunidad.

Abrir ficha Grafo ↗