Consola de triaje

comprobando sesión…

Triaje Lectura Grafo

2026-10-02

El harness de un coding agent ya se bifurca: capa de skills que se autodefine y design-language ejecutable

11 items · 5 hallazgos · 6 radar

explorar 5

probar 0

leer 1

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 01 · #design-skill-for-agents

pbakaus/impeccable

73.861★ · 4.448 forks · JavaScript · Apache-2.0

Qué es

Design guidance CLI + 1 skill + 24 commands + extensión de browser con 61 reglas deterministas para que un coding agent no genere UI con los mismos tells (Inter everywhere, gradientes purple-to-blue, cards anidadas, icon-tile redondeado encima del heading). Funciona en dos niveles: CLI sin LLM (las 61 reglas son deterministas, no requieren API key) y LLM-only critique checks. Comando de entrada: npx impeccable install → /impeccable init dentro del agente. PRODUCT.md registra verdad durable del producto (audiencia, propósito, voz, evidencia) que /polish, /audit, /critique, /distill, /animate, /bolder, /quieter consultan después.

Cómo encaja

pbakaus/impeccable design-skill-for-agents

implements · ya cubierto el 2026-07-11

pbakaus/impeccable anthropics/skills

fork_of · ya cubierto el 2026-07-11

pbakaus/impeccable person:pbakaus

operated_by · ya cubierto el 2026-07-11

pbakaus/impeccable coding-agent-frontend

relevant_to · ya cubierto el 2026-07-11

Por qué importa

Ya cubrimos la primera versión de Impeccable en el boletín del 2026-07-11 como el fork espiritual explícito del frontend-design de Anthropic, con pbakaus (Pablo Becker, ex-Three.js, ex-Vercel) detrás. Tres meses después, el repositorio se ha consolidado: 73.861★ y 4.448 forks en menos de un año, último push hoy, licencia Apache-2.0, y la promesa diferencial — "design language ejecutable con vendor voice" — está ahora respaldada por 61 reglas deterministas en la CLI (no necesitan API key) y 24 comandos como /polish, /audit, /critique o /animate que consultan un PRODUCT.md con la verdad durable del producto. El pitfall #16 del manual de curaduría (stars altos con autor conocido son señal real, no fork mirror) se confirma otra vez aquí. Para el lector de CSS que toca "AI diseñando UI": por fin hay un vocabulario concreto para pedirle a un coding agent que evite los tells deleznables (Inter en todas partes, gradientes purple-to-blue, cards anidadas, icon-tile redondeado) en vez de un prompt vago. pbakaus sigue siendo la persona adecuada para escribirlo por su trayectoria en design systems y por la adopción que ya está recibiendo.

instalar npx impeccable install en un proyecto CSS real, correr /impeccable init y aplicar /audit + /polish para ver qué dice; comparar con frontend-design de Anthropic

Abrir ficha Grafo ↗

explorar hallazgo 02 · #headless-browser-for-ai pick

lexmount/moli

3.510★ · 186 forks · Apache-2.0

Qué es

Headless browser production-ready para AI agents, escrito en Rust puro sobre Servo + Kitesurf. CLI, CDP (Chrome DevTools Protocol), WebDriver Classic y WebDriver BiDi. Multi-OS (Linux, macOS, Windows). El README incluye un prompt literal para que tu coding agent instale las skills oficiales y arranque: "Install the skills under https://github.com/lexmount/moli/tree/main/skills, follow their instructions to download and install...". Tagline del repo: "Structure first. Pixels on demand." — layout/rendering on-demand para mantener el footprint ligero.

Cómo encaja

lexmount/moli headless-browser-for-ai

implements · relación nueva de hoy

lexmount/moli playwright

competes_with · relación nueva de hoy

lexmount/moli puppeteer

competes_with · relación nueva de hoy

lexmount/moli language:rust

uses · ya cubierto el 2026-09-03

lexmount/moli engine:servo

uses · relación nueva de hoy

lexmount/moli ai-web-scraping

relevant_to · relación nueva de hoy

lexmount/moli browser-automation

relevant_to · relación nueva de hoy

Por qué importa

Cuando un coding agent necesita navegar la web hoy, las opciones dominantes son Playwright y Puppeteer, ambos en Node y ambos atados a Chromium. Moli rompe esa dependencia siendo un headless browser escrito en Rust puro sobre Servo + Kitesurf, con CLI, CDP (Chrome DevTools Protocol), WebDriver Classic y WebDriver BiDi disponibles a la vez en Linux, macOS y Windows, y un tagline que define su filosofía: "Structure first. Pixels on demand." El repositorio incluso incluye en el README un prompt literal para que un coding agent instale las skills oficiales y arranque solo, lo que lo coloca como infraestructura pensada desde el primer minuto para agentes, no adaptada después. Para el perfil "AI scraping" que la skill web-scraping-viability trata, Moli se posiciona como una alternativa open-source a los navegadores cloud comerciales (Fortress/Obscura), pero como browser completo y no como fetch simple. En la cobertura previa de Rust como opción para headless browsers (2026-09-03) ya apareció Kitesurf; Moli es su primer caso production-ready que combina CLI, CDP y WebDriver en un único binario.

instalar moli CLI, comparar con Playwright el tiempo de un script de fetch+extract en una página real; revisar las skills oficiales en moli/skills/ para entender el "drop-in para coding agents"

Abrir ficha Grafo ↗

explorar hallazgo 03 · #local-ai-gateway pick

ThinkWatchProject/ThinkWatch-Lite

465★ · 6 forks · TypeScript · MIT

Qué es

Local gateway (Tauri 2 + React 19) para Claude Code, Codex y otros AI clients en macOS, Windows y Linux. Se instala una vez; después cambias upstream/model sin tocar la config del cliente. Cada request se registra con su cost y route, las API keys se redactan antes de salir de la máquina y los tool calls peligrosos que un relay mete en una respuesta se cortan antes de que el cliente los ejecute. System tray app con un dashboard React 19.

Cómo encaja

ThinkWatchProject/ThinkWatch-Lite local-ai-gateway

implements · relación nueva de hoy

ThinkWatchProject/ThinkWatch-Lite litellm

competes_with · relación nueva de hoy

ThinkWatchProject/ThinkWatch-Lite openrouter

competes_with · relación nueva de hoy

ThinkWatchProject/ThinkWatch-Lite claude-code

supports · ya cubierto el 2026-10-01

ThinkWatchProject/ThinkWatch-Lite codex

supports · ya cubierto el 2026-10-01

ThinkWatchProject/ThinkWatch-Lite tauri

uses · relación nueva de hoy

ThinkWatchProject/ThinkWatch-Lite agent-cost-tracking

relevant_to · relación nueva de hoy

Por qué importa

El developer que hoy alterna entre Claude Code, Codex, Cursor y Kiro vive con un dilema: o monta LiteLLM como servidor HTTP dedicado, o pasa por OpenRouter como SaaS sujeto a vendor lock, o sufre la fragmentación de config cliente a cliente. ThinkWatch Lite abre un tercer camino: un gateway local en Tauri 2 + React 19 (system tray app con dashboard) que se instala una vez y permite cambiar upstream y modelo sin tocar la config de cada cliente. Tres features lo diferencian de las opciones anteriores: registra cost y route por cada request, redacta las API keys antes de que salgan de la máquina (clave si reenvías prompts a relays externos) e intercepta tool calls peligrosos que un relay pueda colar en una respuesta antes de que el cliente los ejecute. Ya cubrimos Claude Code y Codex en el boletín del 2026-10-01 como frameworks soportados, y los 20+ tags en topics (ai-gateway, llm-observability, secret-redaction, cost-monitoring, system-tray, usage-tracking) dibujan exactamente la navaja suiza que un AI-client runner necesita para no perder el control de lo que hace su agente. Aún es un proyecto joven (465★, 6 forks, creado el 2026-09-12), por lo que conviene mirarlo como una dirección emergente más que como un reemplazo ya consolidado de LiteLLM.

instalar la app Tauri y conectar Claude Code + Codex como clientes upstream; verificar que la secret-redaction funciona con un relay de prueba; comparar ergonomía vs gpt-load, LiteLLM, OpenRouter

Abrir ficha Grafo ↗

explorar hallazgo 04 · #persistent-agent-template

CopilotKit/OpenDots

656★ · 81 forks · TypeScript · MIT · alpha

Qué es

Plantilla open-source (status: alpha) de AI coworkers always-on que se mueven entre texto, llamadas y Slack, cada uno con su propia computer. Web + Mobile, self-hostable. Construida sobre CopilotKit (la librería agentic-UI) y AG-UI (Agent-UI protocol). El flujo visible: Ask → browse → approve → save, con live computer view + human review card en el chat, y el draft aprobado se convierte en una Space page.

Cómo encaja

CopilotKit/OpenDots persistent-agent-template

implements · relación nueva de hoy

CopilotKit/OpenDots composio-community/open-dot

competes_with · ya cubierto el 2026-10-01

CopilotKit/OpenDots Anil-matcha/open-dots

competes_with · ya cubierto el 2026-10-01

CopilotKit/OpenDots copilotkit

operated_by · ya cubierto el 2026-08-20

CopilotKit/OpenDots ag-ui

uses · relación nueva de hoy

CopilotKit/OpenDots always-on-agent

relevant_to · relación nueva de hoy

CopilotKit/OpenDots agent-template-oss

relevant_to · relación nueva de hoy

Por qué importa

En el boletín del 2026-10-01 cubrimos composio-community/open-dot y Anil-matcha/open-dots, dos clones open-source de OpenAI Dots lanzados en menos de 48 horas desde el anuncio oficial. OpenDots, del propio CopilotKit (vendor con peso, ya mencionado en el boletín del 2026-08-20), entra en la misma categoría desde otro ángulo: no clona Dots, ofrece una plantilla open-source para que cada equipo construya su propia versión sobre CopilotKit y el protocolo AG-UI. El matiz importa porque los clones del día anterior eran "front-end para OpenAI", mientras OpenDots es "infra para tu propio sistema". El status alpha (656★, 81 forks, creado el 2026-09-29, último push el 2026-10-01) y el CTA Meet with the CopilotKit team en el README son señales de que es un proyecto vendor-led más que un experimento comunitario, así que el lector de CSS debería valorarlo como referencia arquitectónica antes que como producto listo para producción. El flujo visible — Ask → browse → approve → save, con live computer view y human review card en el chat — describe el patrón "always-on agent" con suficiente detalle para imaginar integraciones propias.

clonar la plantilla, levantar el dev server, leer CONTRIBUTING.md y el diagrama de Dots; comparar con los clones de ayer — CopilotKit puede tener ventaja por vendor weight, los clones por zero-config

Alerta honesta

OpenDots es alpha vendor-led (CopilotKit) y un README con CTA comercial no es validación comunitaria

Abrir ficha Grafo ↗

explorar hallazgo 05 · #self-curating-skill-layer

tigerless-labs/autoharness

6.896★ · 557 forks · Python · MIT

Qué es

Capa de skills auto-aprendibles para Claude Code. Cada episodio (sesión real del dev con Claude Code) se destila en una skill al final, sin replay loop ni data-collection separado. Aprende, mergea skills equivalentes en lugar de apilarlas, las actualiza en uso y prunea las que no se llaman: la capa se mantiene limpia por sí sola. Solo toca las skills que él mismo escribió (no las oficiales). Claim verificable: 42%→78% en CORE-Bench bajo el paper HAL (arXiv:2510.11977) — "same model, different harness". Tesis: "The harness does much of the work (swyx's Big Model vs Big Harness), yet it's still rebuilt by hand every model generation. autoharness bets one slice of it — the skill layer — can maintain itself."

Cómo encaja

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

implements · ya cubierto el 2026-09-05

tigerless-labs/autoharness claude-code

supports · ya cubierto el 2026-09-05

tigerless-labs/autoharness benchmark:core-bench

tracked_by · ya cubierto el 2026-09-05

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

relevant_to · ya cubierto el 2026-09-05

tigerless-labs/autoharness manual-skills-maintenance

competes_with · ya cubierto el 2026-09-05

tigerless-labs/autoharness skill-entropy

solves · ya cubierto el 2026-09-05

Por qué importa

Ya cubrimos AutoHarness en el boletín del 2026-09-05 como el primer intento serio de mantener la skill layer de un coding agent auto-curada: destila cada sesión real en una skill, mergea equivalentes en vez de apilarlas, actualiza las que están en uso y prunea las que nadie llama, todo sin replay loop ni data-collection separado. La novedad frente a aquella primera cobertura es el respaldo numérico: el repositorio cita un salto de 42% a 78% en CORE-Bench bajo el paper HAL (arXiv:2510.11977), con la tesis explícita "same model, different harness", que conecta directo con la idea de swyx "Big Model vs Big Harness" que guía todo el campo de agentic infra y que ya marcamos como relevante. La limitación obvia es que una skill mal destilada puede romper el flujo, y el counter-argument del repo — "solo toca lo que escribió él", sin tocar las skills oficiales — es un aislamiento fuerte pero no infalible, así que conviene leer el benchmark como promesa de techo, no como resultado medio. Para el lector de CSS: si tu agente tiene una library de skills que crece, el patrón "self-cleaning skill layer" es lo que evita la entropía sin obligarte a una rutina manual de mantenimiento.

instalar el plugin autoharness@autoharness-marketplace en Claude Code, dejar que aprenda de 5-10 sesiones reales, revisar el diff de skills antes/después; comparar con el flujo manual de crear skills a mano

Alerta honesta

AutoHarness cita 42→78% en CORE-Bench HAL sin enlace al paper en el fragmento visible

Abrir ficha Grafo ↗