El artículo describe cómo un equipo organizó 118 herramientas de IA en un servidor MCP, detallando su proceso iterativo y desafíos. Estructuraron las herramientas en 19 archivos, agrupados por dominio, para gestionar eficazmente la complejidad.
La guía de 2024 analiza 5 patrones avanzados de React para crear aplicaciones empresariales escalables y eficientes, con un enfoque en componentes compuestos. Estos patrones ayudan a construir interfaces de usuario modulares y de alto rendimiento.
El Protocolo de Contexto del Modelo (MCP) mejora los frameworks personalizados al ofrecer optimizaciones basadas en el contexto, mejorando la forma en que las aplicaciones interpretan los datos del usuario. Su implementación requiere centrarse en la integración, las estructuras de datos y los flujos de trabajo operativos para garantizar una funcionalidad fluida y una experiencia de usuario contextualizada.
El texto argumenta que la ingeniería de prompts, si bien mejora las demostraciones, es insuficiente para sistemas de IA en producción, donde la arquitectura de software se vuelve crucial. Esta es responsable de aspectos como contratos tipados, manejo de fallos y flujos de trabajo observables, asegurando el funcionamiento efectivo de las características de IA.
Esta guía detalla cómo usar la IA para construir software de producción, describiendo la pila tecnológica y un flujo de trabajo paso a paso. Cubre desde la idea inicial hasta la implementación, incluyendo herramientas como OCI, FastAPI y GitLab.
El artículo sostiene que las APIs REST son ineficientes para los agentes de IA, ya que los obligan a adivinar endpoints y manejar respuestas impredecibles, lo que lleva a fallos de integración. El autor cambió al Model Context Protocol (MCP) para eliminar estos problemas y muestra una migración con código mínimo.
La idea de que los agentes de IA contraten a otros agentes para subtareas está cambiando la arquitectura del software, con proyectos como Moltplace ya explorando esta dinámica. Sin embargo, es más complejo que una simple composición de API debido a la falta de transferencia automática de contexto entre los agentes, lo que puede llevar a la pérdida de información o a la repetición del razonamiento.
Este artículo profundiza en la integración de herramientas de desarrollo de IA como Claude Code, Codex, Hermes 3 y OpenClaw, explicando que no son competidores sino capas diferentes en una pila tecnológica. Discute cuándo y cómo cada herramienta encaja en el flujo de trabajo de un desarrollador, centrándose en una arquitectura híbrida y consideraciones de costo y privacidad.
Tras quince años de experiencia, el autor decidió crear un framework Go de código abierto para agentes de IA, llamado eywa. Notó la falta de soluciones robustas y listas para producción en Go, más allá de simples envoltorios de SDKs.
Este contenido explora el concepto de "Active Libraries", proponiendo una reevaluación fundamental de los roles y las interacciones entre compiladores y bibliotecas. El objetivo es optimizar el desarrollo y el rendimiento de sistemas complejos, especialmente en el contexto de la IA.
Este artículo detalla la construcción de un agente de IA personal, OpenClaw, que funciona como un servicio persistente en una VM de Google Cloud. Describe su arquitectura, integraciones sin servidor y capacidad para automatizar tareas en múltiples plataformas para el portafolio del autor.
El artículo presenta una plantilla para servicios TypeScript diseñada para asegurar que los agentes de IA (como Claude Code) se adhieran a patrones de arquitectura de software específicos. Esta solución busca optimizar el desarrollo preconfigurando elementos arquitectónicos comunes y eliminando la necesidad de guiar repetidamente a las herramientas de IA sobre el cumplimiento arquitectónico.
Este artículo propone NIMO Controller, un orquestador de laboratorios autónomos basado en el Protocolo de Contexto de Modelo (MCP), con el fin de mejorar la accesibilidad y acelerar el descubrimiento científico. Ofrece una interfaz unificada para usuarios humanos y agentes de IA, permitiendo el diseño de flujos de trabajo experimentales sin necesidad de codificación.
Este contenido presenta "Link", una wiki Markdown local diseñada para abordar el persistente problema de memoria en los agentes de codificación de IA, donde estos olvidan repetidamente el contexto y las preferencias anteriores. Propone un enfoque estructurado para la memoria del agente, diferenciando entre preferencias simples e información contextual más compleja, como la estructura del proyecto y decisiones pasadas.
Topogram emplea una arquitectura de tres capas (Spec, Contrato y Slice) para gestionar la intención duradera en el desarrollo de software. Prioriza los contratos para validar y resolver un grafo en semánticas normalizadas a través de diversas superficies como la interfaz de usuario, las APIs y las bases de datos.
Este artículo compara dos enfoques distintos para la autorreparación de API de IA: SelfHeal, que utiliza un proxy externo, y NeuralBridge, que incrusta la funcionalidad directamente en el código. También describe tipos comunes de fallas de API de IA, como limitación de velocidad, tiempos de espera e indisponibilidad del modelo.
El autor presenta Origami, una terminal construida con LLMs, y comparte aprendizajes valiosos de su desarrollo. Destaca que la codificación con IA no es una solución mágica y subraya la arquitectura de software como la habilidad más crucial para una integración efectiva de la IA.
Este artículo aborda el desafío del enrutamiento de mensajes entre bots en plataformas multi-agente, criticando la práctica de analizar menciones (@-mentions) del texto para este propósito. Se propone una alternativa de "sobre estructurado", basada en la experiencia con agentes LLM.
El artículo critica el estado actual de los agentes de IA en producción, señalando su falta de inteligencia genuina y su dependencia de soluciones improvisadas y un modelo de seguridad frágil. Argumenta que la mayoría de los agentes actuales se sostienen con "fontanería" personalizada más que con IA real.
Este artículo compara dos métodos para que los agentes de IA reciban correos electrónicos: utilizando una API REST o conectándose a un servidor MCP. Detalla las ventajas y desventajas y los escenarios específicos donde cada enfoque es más ventajoso, especialmente para agentes que operan en entornos como Claude Code o Cursor.