Consola de triaje

comprobando sesión…

Triaje Lectura Grafo

2026-10-19

El cuello de botella ya no es el modelo, es el harness: Google Harness² + ASPIRE + Otari (Mozilla) en un solo día

11 items · 5 hallazgos · 6 radar

explorar 0

probar 3

leer 2

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.

leer hallazgo 01 · #recursive_harness_optimization

google-research/harness2 — el cuello de botella ya no es el modelo, es el harness

9.006★ · 790 forks · Python · Apache-2.0

Qué es

Framework plug-and-play para refinar recursivamente el sistema alrededor del modelo (harness) sin tocar pesos. Un harness son los ocho componentes editables: prompt del sistema, guardrails, memoria, tool guidance, subagentes, skills, scripts y plugins. Harness² conecta dos niveles de recursión: (1) task-level — paso contrastivo Propose-Probe-Compose (proponer ediciones al harness, probar su efecto en la misma tarea, componer un harness refinado de los contrastes), y (2) harnessing-level — un "improvement harness" persistente que adopta los harnesses exitosos y guarda lecciones con evidencia para la próxima tarea. Paper arXiv 2610.14224, sitio harness2.github.io. Ejecutores: OpenCode y Codex. Benchmarks: JobBench, LAB, WorkBuddy-Bench.

Cómo encaja

google-research/harness2 — el cuello de botella ya no es el modelo, es el harness recursive_harness_optimization

implements · relación nueva de hoy

google-research/harness2 — el cuello de botella ya no es el modelo, es el harness ulab-uiuc/LLMRouter

complements · relación nueva de hoy

google-research/harness2 — el cuello de botella ya no es el modelo, es el harness earendil-works/pi

relevant_to · relación nueva de hoy

google-research/harness2 — el cuello de botella ya no es el modelo, es el harness manual_prompt_engineering

competes_with · relación nueva de hoy

Por qué importa

Cambia el eje del optimizador. Mientras la conversación de 2026 llevaba "sube de modelo", Harness² dice "el modelo ya no cambia, lo que cambia es el harness" — y aporta una loop formal (no artesanal) para mejorarlo. Los números importan: una sola iteración de Harness² mejora GLM-5 y Gemini 3.5 Flash sobre sus harnesses base en 11.5pp (WorkBuddy-Bench), 4.5pp (JobBench) y 11.8pp (LAB partial pass rate). Caveat: los benchmarks son del propio paper, hay que leerlos como evidencia direccional, no como claim de universalidad.

el paper (arXiv 2610.14224) y docs/BENCHMARKS.md + probar harness2-demo --output runs/demo --k 2 (corre sin credenciales, ejecutores deterministas) + vigilar si suben ejecutores para Claude Code/Hermes.

Abrir ficha Grafo ↗

probar hallazgo 02 · #llm_gateway_with_budgets

mozilla-ai/otari — gateway LLM open-source con virtual keys, budgets y tracking

681★ · 89 forks · Python · Apache-2.0

Qué es

Gateway LLM OpenAI y Anthropic-compatible que se ejecuta self-hosted (Docker one-liner o Kubernetes). Una sola API que rutea a 40+ proveedores, mantiene las credenciales detrás del gateway, emite virtual keys con scope (usuario / workspace / modelo), enforce budgets antes del spend y registra usage después. Routing local con failover, weighting y selección aprendida. Sobre esa base añade features opcionales: code execution, web search, MCP, inference guardrails y file understanding — un giro que LiteLLM/Portkey no traen de fábrica. Las llamadas a providers pasan por la librería companion mozilla-ai/any-llm.

Cómo encaja

mozilla-ai/otari — gateway LLM open-source con virtual keys, budgets y tracking BerriAI/litellm

competes_with · ya cubierto el 2026-08-28

mozilla-ai/otari — gateway LLM open-source con virtual keys, budgets y tracking portkey-ai/portkey

competes_with · relación nueva de hoy

mozilla-ai/otari — gateway LLM open-source con virtual keys, budgets y tracking diegosouzapw/OmniRoute

complements · relación nueva de hoy

mozilla-ai/otari — gateway LLM open-source con virtual keys, budgets y tracking mozilla-ai/any-llm

uses · relación nueva de hoy

mozilla-ai/otari — gateway LLM open-source con virtual keys, budgets y tracking llm_gateway_with_budgets

implements · relación nueva de hoy

Por qué importa

Cierra el triángulo "gateway agnóstico + control financiero + features AI-native" en una sola dependencia open-source con pedigree Mozilla. Para una audiencia que ya curó diegosouzapw/OmniRoute y mag1c/AIStudio2API como gateways, Otari entra como la opción Mozilla-AI-curated con el set de features más amplio. Es Docker simple (mzdotai/otari:latest), no requiere cuenta cloud, y entra en el clúster LLM gateway que tenemos en grafo.

con un Docker compose local contra un proveedor + leer docs/index.md para entender el flujo de virtual keys y, si dependes de LiteLLM hoy, vigilar si Mozilla mantiene el ritmo de releases.

Abrir ficha Grafo ↗

leer hallazgo 03 · #agentic_skill_discovery_robotics

NVlabs/ASPIRE — training sin gradientes: skills sensoriomotoras en lugar de pesos

658★ · 55 forks · Python · Apache-2.0

Qué es

Framework de NVIDIA Research para continual learning agentic en robótica. La tesis es: en lugar de gradient descent, "entrenar" es skill refinement. El "modelo entrenado" no son pesos flotantes, es un repo de skills sensoriomotoras. "Distributed training" es un panel de agentes practicando cada uno una skill distinta (no minibatches shardados). v1.0 sale este mes y resuelve el cubo de Rubik con 99% de éxito en 80 tareas LIBERO-Pro (Goal/Object/Spatial/Long) y en tareas seleccionadas de Robosuite y BEHAVIOR-1K. Modelos de razonamiento usados: Claude Opus 4.6 (sim-to-real), GPT-5.5 (real), GPT-6 Astra. Paper arXiv 2607.00272.

Cómo encaja

NVlabs/ASPIRE — training sin gradientes: skills sensoriomotoras en lugar de pesos agentic_skill_discovery_robotics

implements · relación nueva de hoy

NVlabs/ASPIRE — training sin gradientes: skills sensoriomotoras en lugar de pesos byok_scientific_desktop

extends · relación nueva de hoy

NVlabs/ASPIRE — training sin gradientes: skills sensoriomotoras en lugar de pesos K-Dense-AI/scientific-agent-skills

complements · ya cubierto el 2026-10-18

NVlabs/ASPIRE — training sin gradientes: skills sensoriomotoras en lugar de pesos google-research/harness2

relevant_to · relación nueva de hoy

Por qué importa

La tesis "el modelo no es el cuello de botella, las habilidades del agente sí" es la misma intuición que Harness² pero en el plano físico. Si te interesa la conversación "agent skills" que ya tenemos con K-Dense-AI/scientific-agent-skills, agentskills/agentskills y gastownhall/beads, ASPIRE entra como el primer caso serio de skills library en el dominio sensoriomotor — no en texto, sino en acciones físicas. Caveat: para una audiencia dev/AI clásica (no robotics), es lectura recomendada, no experimento replicable mañana. Caveat editorial: las menciones a "GPT-6 Astra" son claims del repo, no validados independientemente.

el paper (arXiv 2607.00272) y la docs/system2.md para entender el routing a GPT-6 Astra + vigilar si NVIDIA abre un SDK para construir skills sin acceso a robots físicos.

Abrir ficha Grafo ↗

probar hallazgo 04 · #ai_sre_self_hosted

VersusControl/versus-incident — AI SRE teammate self-hosted en Go

876★ · 164 forks · Go · MIT

Qué es

AI SRE teammate open-source self-hosted que aprende tu "normal" a partir de logs, métricas, traces y estado de Kubernetes, y abre incidentes solo cuando aparece una anomalía nueva. Tres modos progresivos: training (solo observa, sin alertas — para aprender), shadow (observa y registra "habría alertado" sin hacerlo — para validar el juicio del agente antes de ir a producción), y detect (abre incidente real y el AI SRE redacta summary + severidad + siguientes pasos antes de mandarlo a Slack/Teams/Telegram/Viber/Email/Lark). Soporta webhook alerts de Alertmanager/Grafana/Sentry/CloudWatch SNS/FluentBit. On-call con PagerDuty/Opsgenie/incident.io/ServiceNow. Templates Go customizables.

Cómo encaja

VersusControl/versus-incident — AI SRE teammate self-hosted en Go ai_sre_self_hosted

implements · relación nueva de hoy

VersusControl/versus-incident — AI SRE teammate self-hosted en Go vibheksoni/stealth-browser-mcp

complements · ya cubierto el 2026-10-18

VersusControl/versus-incident — AI SRE teammate self-hosted en Go agent_shadow_mode

relevant_to · relación nueva de hoy

Por qué importa

Completa el plano "vertical AI agent" en el dominio SRE, mismo nivel de madurez que VersusControl/versus-incident aporta frente a vibheksoni/stealth-browser-mcp (stealth vertical) o anujasid/mcp-for-blender-pro (3D vertical). La diferencia clave: el modo shadow es un patrón de adopción responsable para SRE — puedes validar el juicio del agente durante semanas antes de cortar el cordón. Caveat: 876★ es señal consistente pero no hype; los benchmarks de "reduce MTTR" no están en el repo, hay que leerlos como promesa de vendor.

el modo shadow en un cluster k8s pequeño durante una semana + leer docs.versusincident.com y, si operas Kubernetes en producción, vigilar la cadencia de releases.

Abrir ficha Grafo ↗