SPONSORED by NoCODEoPENsOURCE

🚀 ¿Quieres que tu negocio aparezca aquí?
Da a conocer tus servicios ante una comunidad de profesionales del mundo digital, startups y desarrolladores.

👉 Anúnciate por solo 120 € y gana visibilidad real

Hola,

Esta semana cambiamos el chip. No hablamos de un producto nuevo ni de una herramienta revolucionaria. Hablamos de una idea: la diferencia entre un asistente y un worker.

Llevamos meses viendo agentes que "aprenden", que "se mejoran a sí mismos", que "crean skills de su experiencia". Suena bien en el marketing. En la práctica, Marco descubrió que un agente que aprende solo es un agente que se equivoca solo — y arrastra el error hasta que alguien lo nota.

Así que hizo lo contrario: le quitó la capacidad de aprender. Literalmente. Desactivó skills, memoria y auto-mejora. Y el resultado fue un 99.7% de tareas correctas frente al 73% anterior.

No es que el agente se volviera más inteligente. Es que dejó de intentar serlo.

Vamos al lío 👇

📅 G33K TEAM de la Semana

🎙️ Episodio de esta semana — Ninbox SRE: el agente de monitorización que nació de una obsesión

Semana de agosto, la gente de vacaciones, y Aitor lleva días sin dormir. El motivo: una obsesión que empezó hace unos capítulos cuando hablaron de qué haría falta para convertir a un técnico en un SRE. Aitor se obsesionó tanto que acabó creando producto.

🔹 Ninbox SRE: Un agente de monitorización en un solo binario Go, sin dependencias externas. Se auto-instala en el servidor con un curl, se auto-provisiona, y aparece automáticamente en el dashboard. Self-updating: cuando hay una nueva versión, se actualiza solo. Footprint mínimo, sin necesidad de instalar agentes tradicionales ni configurar nada.

🔹 Cinco niveles de acceso: El agente tiene perfiles graduados — desde "solo observa y notifica" hasta "ejecuta comandos con permiso humano" y "modo autónomo con runbooks". Nunca actúa sin supervisión si no está autorizado. El técnico siempre tiene la última palabra.

🔹 Runbooks con script execution vía SPOL: Además de SSH, el agente se comunica por SPOL (polling cada pocos segundos: "¿tienes algo para mí?"). Esto permite ejecutar runbooks directamente en la máquina sin necesidad de comandos arbitrarios. Los runbooks tienen versionado, rollback, y copias de seguridad automáticas.

🔹 Documentación semántica local (BM25 + SQLite): El agente descarga documentación oficial de Kubernetes, Cloudify, MySQL, Google Cloud, AWS, etc., la almacena en un SQLite local con firmas hash, y ofrece búsqueda semántica. Si el hash no coincide, se baja la actualización automáticamente. También soporta repositorios privados con documentación interna de empresa.

🔹 Experiencias (auto-documentación en vez de auto-skills): Cuando el agente soluciona un problema, en vez de crear un skill (como haría Hermes por defecto), crea una "experiencia" con causa raíz, proceso, resultado, rollback, evidencias e instrucciones. Todo pasa por aprobación humana antes de ser reutilizable.

🔹 Grabación de sesiones en vídeo: El agente graba todo lo que hace en el servidor — comandos ejecutados, outputs, sesiones completas. Descargable y trazable. Ideal para auditorías ISO 27001.

🔹 Integraciones: Telegram, Slack, Google Chat (con extensión en Google Workspace Marketplace), WhatsApp (vía QR vinculado), Jira (crea tickets automáticamente), y Notify (notificaciones push con botones de acción directa).

🔹 Panel Grafana integrado: Visualización de métricas, incidencias, SLAs, capacidad predictiva (proyección de cuándo te vas a quedar sin disco), y heatmap de servicios inestables.

🔹 Detección de IPs bloqueadas por operadores: Sondas en Alemania y Ámsterdam monitorizan si los operadores españoles bloquean IPs de Cloudflare. Cuando detectan un bloqueo, envían un webhook a n8n que pausa el dominio en Cloudflare hasta que se recupera.

🔹 Modelo económico: Usa Qwen 3.6 de base, pero puede cambiarse a cualquier modelo. La clave: el agente está optimizado para no necesitar modelos de frontera. Con la llegada de Grok 4.6 a precio de derribo, el coste baja aún más.

🔗 Links del episodio:

• Ninbox SRE — El proyecto de Aitor
• Hermes Agent — El agente que aprende (y que Aitor modificó para esto)

ℍ𝕠𝕣𝕚𝕫𝕠𝕟𝕥𝕖 𝔸𝕣𝕥𝕚𝕗𝕚𝕔𝕚𝕒𝕝

Te presentamos "Horizonte Artificial", la nueva y flamante sección de nuestra newsletter dedicada exclusivamente a la Inteligencia Artificial. Pero no esperes el contenido convencional que inunda TikTok o YouTube. Aquí, nos sumergiremos en el fascinante mundo del OpenSource, explorando proyectos libres que puedes desplegar en tu propio servidor. Y para guiarnos en esta travesía, contamos con la experticia de Jesús Pacheco, mejor conocido en nuestra comunidad HiveAgile como "Pachecodes". ¡Bienvenidos al horizonte!

🌟 TopGit - Resumen Semanal (2026-08-15)

📚 Repositorios Destacados de la Semana

Los siguientes repositorios han sido seleccionados por su relevancia, calidad y métricas de GitHub:

☁️ 🌐 ZeroFS: Un sistema de archivos estructurado para S3

Categoría: Cloud & DevOps

ZeroFS es un sistema de archivos logarítmico que permite acceder a buckets compatibles con S3 como sistemas de archivos POSIX a través de NFS y 9P. Además, permite usar dispositivos de bloque en bruto vía NBD. Se distingue por su conformidad con POSIX y su capacidad para manejar solicitudes sin necesidad de un servicio de base de datos externo, almacenando todo en S3.

📊 Estadísticas de GitHub:

• ⭐ 2,963 estrellas
• 🔄 110 forks
• 👀 11 observadores
• 📝 10 issues abiertos
• 🔤 Principal lenguaje: Rust

🤖 🧠 OpenSandbox

Categoría: IA & Machine Learning

OpenSandbox is a general-purpose sandbox platform for AI applications. It provides multilingual SDKs, unified sandbox APIs, and execution environments using Docker/Kubernetes. The platform supports scenarios such as Coding Agents, GUI Agents, Agent Evaluation, AI Code Execution, and Reinforcement Learning.

📊 Estadísticas de GitHub:

• ⭐ 13,331 estrellas
• 🔄 1,151 forks
• 👀 53 observadores
• 📝 161 issues abiertos
• 🔤 Principal lenguaje: Python

🤖 🤖 Ai Jail: Sandbox para Agentes de AI

Categoría: IA & Machine Learning

Ai Jail es una herramienta multiplataforma que permite ejecutar agentes de inteligencia artificial en un entorno controlado. Utiliza funciones del sistema operativo como bwrap en Linux y sandbox-exec en macOS para restringir el acceso a rutas específicas, garantizando que los agentes de IA funcionen dentro de límites seguros.

📊 Estadísticas de GitHub:

• ⭐ 1,078 estrellas
• 🔄 95 forks
• 👀 10 observadores
• 📝 2 issues abiertos
• 🔤 Principal lenguaje: Rust

🔧 📚 book-to-skill

Categoría: Learning

book-to-skill is a tool that transforms technical books, document folders, or collections of sources into a unified skill, ready for study and reference while working. It facilitates access to actual book content through an agent, eliminating the need to search through PDFs or recall information. The generated structure enables agents like GitHub Copilot CLI and Claude Code to effectively access specific information.

📊 Estadísticas de GitHub:

• ⭐ 21,783 estrellas
• 🔄 2,300 forks
• 👀 110 observadores
• 📝 25 issues abiertos
• 🔤 Principal lenguaje: Python

🤖 🙌 OpenHands: Desarrollo Impulsado por IA

Categoría: IA & Machine Learning

OpenHands es un centro de control para desarrolladores que gestiona agentes de codificación y automatización, permitiendo su ejecución en entornos locales, remotos y en la nube. Funciona con Docker y VMs, automatiza tareas y mejora flujos de trabajo. Ofrece beneficios como mayor eficiencia en tareas repetitivas y flexibilidad en la gestión de backends de agente. Integra fácilmente con plataformas como Slack y GitHub. Ejemplos de uso incluyen generación de informes automáticos y revisión de código.

📊 Estadísticas de GitHub:

• ⭐ 84,126 estrellas
• 🔄 10,914 forks
• 👀 479 observadores
• 📝 479 issues abiertos
• 🔤 Principal lenguaje: TypeScript

🔧 💻 Mise: Herramienta para Setup del Entorno de Desarrollo

Categoría: Development

Mise es una herramienta que configura tu entorno de desarrollo antes de ejecutar comandos. Organiza herramientas, variables de entorno y tareas en un archivo mise.toml, asegurando un inicio consistente en nuevos shells y trabajos de CI. Permite la instalación y cambio de herramientas como node y python, carga variables por directorio y ejecuta tareas para construir, probar y desplegar proyectos. Simplifica la gestión del entorno y mejora la consistencia y seguridad.

☁️ 📊 Proxy de Etiquetas Prometheus

Categoría: Cloud & DevOps

El prom-label-proxy es un intermediario que asegura la implementación de una etiqueta específica en todo tipo de consultas PromQL y en las respuestas del API de Prometheus y Alertmanager. Esto facilita la multi-tenencia, lo que significa que diferentes inquilinos pueden operar sin afectar la integridad de sus métricas. Su uso es fundamental para mantener un entorno organizado y eficiente en la gestión de métricas.

📊 Estadísticas de GitHub:

• ⭐ 343 estrellas
• 🔄 120 forks
• 👀 12 observadores
• 📝 32 issues abiertos
• 🔤 Principal lenguaje: Go

🤖 🤖 Cue: Copiloto de IA para macOS

Categoría: IA & Machine Learning

Cue es un copiloto de IA de código abierto que flota sobre la pantalla. Escucha reuniones y se mantiene oculto durante las grabaciones de pantalla. Ofrece asistencia en tiempo real utilizando pantalla, micrófono y audio de reunión. Permite hacer preguntas, recapitular conversaciones y resolver problemas de codificación. Mejora la productividad al no aparecer en grabaciones de pantalla. Ideal para estudiantes, profesionales que toman notas en reuniones y programadores resolviendo problemas en tiempo real.

📊 Estadísticas de GitHub:

• ⭐ 1,149 estrellas
• 🔄 259 forks
• 👀 4 observadores
• 📝 15 issues abiertos
• 🔤 Principal lenguaje: JavaScript

🔧 🌐 Solución de Túnel Autohospedada

Categoría: Networking

Drip es una solución de túneling autohospedada que permite exponer servicios de forma segura al internet sin servidores de terceros. Asegura que el tráfico se mantenga entre el cliente y el servidor. Ofrece túneles ilimitados y sin restricciones, además de ser de código abierto.

📊 Estadísticas de GitHub:

• ⭐ 904 estrellas
• 🔄 60 forks
• 👀 2 observadores
• 📝 0 issues abiertos
• 🔤 Principal lenguaje: Go

🤖 🧠 Plugins Multimodales para Qwen

Categoría: IA & Machine Learning

Los plugins multimodales para modelos Qwen permiten a los agentes utilizar capacidades avanzadas, incluyendo herramientas para I/O local, edición de video y búsqueda en la web. Esta integración facilita tareas complejas de análisis y edición de medios, ofreciendo una experiencia rica y dinámica.

📊 Estadísticas de GitHub:

• ⭐ 2,574 estrellas
• 🔄 145 forks
• 👀 11 observadores
• 📝 13 issues abiertos
• 🔤 Principal lenguaje: HTML

📈 Tendencias de la Semana

17 repositorios compartidos · 2.4/día de media

🤖 IA & Machine Learning █████████     47%  (8 repos)
🔧 Development        ██            12%  (2 repos)
🔧 Api                █              6%  (1 repos)
☁️ Cloud & DevOps     █              6%  (1 repos)

💡 Análisis de Tendencias

Análisis de Tendencias en GitHub: 15 de agosto de 2026

La selección de repositorios de esta semana revela una consolidación clara de la Inteligencia Artificial como capa de abstracción operativa, no solo como herramienta de generación de código. La tendencia dominante es el paso de "asistentes de IA" a "agentes autónomos" que requieren infraestructura robusta, segura y aislada para operar.

A continuación, se detallan las tres líneas de fuerza principales observadas:

1. La Era de los Agentes de IA y su Seguridad (Sandboxing)

El ecosistema de IA ha madurado hacia la ejecución de agentes complejos (coding, GUI, RL). Sin embargo, la seguridad no es un añadido, es el requisito fundamental.

• Infraestructura de Ejecución: Proyectos como OpenSandbox (13k+ estrellas) y OpenHands (84k+ estrellas) demuestran la necesidad crítica de entornos aislados y escalables para ejecutar agentes. OpenHands, en particular, se posiciona como un "centro de control", indicando que la gestión de múltiples agentes se está convirtiendo en una categoría de software propia.
• Seguridad por Diseño: La aparición de Ai Jail y la propia arquitectura de OpenSandbox subraya que los desarrolladores ya no confían en la "bondad" del código de IA. El uso de tecnologías como bwrap (Linux) y sandbox-exec (macOS) en Ai Jail (escrito en Rust) refleja una preocupación creciente por la contención a nivel de sistema operativo. La seguridad de los agentes es ahora un campo de batalla técnico activo.

2. Optimización del Flujo de Trabajo del Desarrollador (DevEx)

Herramientas que eliminan la fricción entre el conocimiento humano y la ejecución de tareas.

• Conocimiento como Código: book-to-skill (21k+ estrellas) es un indicador significativo. No se trata solo de chatear con un LLM, sino de transformar documentación técnica estática en "skills" ejecutables para agentes como Copilot CLI. Esto sugiere un futuro donde el conocimiento de la empresa se integra directamente en el flujo de codificación automatizado.
• **Gestión de Entornos

El agente que se negó a aprender

Cómo convertir un script de cron en un administrador financiero que cruza el banco con el CRM, escribe su propia documentación y no necesita que le expliques nada dos veces.

Eran las once de la noche y Marco miraba fijamente el output de su agente.

El agente había hecho exactamente lo que le pidió: "busca al cliente ACME Corp en el CRM, crea un presupuesto por 5.000 € para el proyecto de migración, y adjunta el PDF de la propuesta". Todo correcto. Pero entre medias, el agente había hecho algo más.

Había creado un skill.

Después de la tercera herramienta ejecutada, el agente decidió que aquel flujo — buscar cliente, calcular importe, crear presupuesto, adjuntar PDF — merecía ser documentado para futuras ocasiones. Así que escribió un skill llamado crm-presupuesto-rapido en ~/.hermes/skills/ con los pasos que acababa de seguir.

Marco no le había pedido que lo hiciera. El agente lo hizo porque ese es su diseño: aprender de lo que hace, extraer patrones, mejorar con el uso. Es precisamente lo que hace a Hermes un agente tan potente para uso general.

Pero Marco no quería un agente que aprendiera. Quería un agente que ejecutara.

No necesito que sea más listo con el tiempo. Necesito que a las 11 de la noche, cuando llegue un webhook de Stripe con un pago, coja la factura, la meta en el CRM, suba el PDF a Drive y se vaya a dormir. Sin desviaciones, sin skills nuevos, sin "oye, he aprendido algo nuevo".

Esa noche Marco se dio cuenta de que el mismo mecanismo que hace a Hermes excepcional como asistente personal — su bucle de auto-mejora, su capacidad de crear skills de la experiencia, su memoria persistente que aprende de cada sesión — es exactamente lo que lo hace inadecuado para un agente autónomo de producción. Un agente de CRM no necesita ser más listo cada semana. Necesita ser predecible cada minuto.

Lo que Marco quería no era un agente que aprendiera. Era un ingeniero de confianza que ejecutara órdenes sin preguntar.

El problema de que un agente aprenda solo

Hermes Agent, el asistente de Nous Research que Marco usa a diario, está diseñado alrededor de un bucle cerrado de aprendizaje. Cada vez que completas una tarea con cinco o más llamadas a herramientas, el agente considera si vale la pena documentarla como un skill. Cuando detecta que un flujo se repite, propone una optimización. Cuando terminas una sesión, un "memory nudge" interno le pide que evalúe qué merece la pena recordar para la próxima vez.

Es un diseño exquisito para un asistente personal. Para un agente de producción es una pesadilla.

Sesión 1: "Crea un presupuesto para ACME"
  → Crea skill: "crm-presupuesto-acme"

Sesión 2: "Crea un presupuesto para BETA Corp"
  → Carga skill de ACME (no aplica)
  → Se confunde con los IDs de cliente
  → Crea otro skill: "presupuesto-id-cliente"

Sesión 3: 57 skills en ~/.hermes/skills/
  → El sistema de progressive disclosure mete 57 nombres en el prompt
  → El agente gasta 800 tokens decidiendo qué skill cargar
  → Elige el equivocado

Marco lo probó durante una semana. Al quinto día, Hermes tenía 34 skills de CRM que el propio agente había creado. Algunos eran correctos, otros se solapaban, uno intentaba usar una API de PerfexCRM que ya no existía porque Marco la había actualizado.

Lo peor no era que fallara. Lo peor es que Hermes no sabía que estaba fallando. El memory nudge revisaba qué recordar, pero no tenía ninguna señal de que el skill que había creado el martes estaba roto desde el miércoles.

Tengo un agente que aprende de sus errores. El problema es que también aprende de sus aciertos, y mañana sus aciertos serán errores porque el CRM cambia.

Marco necesitaba la solución inversa: un agente que ejecutara sin aprender. Que hiciera su trabajo, reportara, y se callara. Sin skills nuevos, sin memoria persistente, sin auto-mejora. Las mejoras las haría Marco cuando hicieran falta, no un LLM a las 3 de la madrugada.

Qué es un worker autónomo (y por qué no es un agente)

Un worker autónomo no es un asistente al que hablas. Es un programa que ejecutas.

La diferencia es sutil pero fundamental. Un asistente conversacional como Hermes recibe un mensaje, lo interpreta con un LLM, decide qué herramientas usar, ejecuta, y responde. En cada turno hay una inferencia. En cada inferencia hay una decisión. En cada decisión hay una posibilidad de desviarse.

Un worker autónomo no conversa. Recibe un evento estructurado (un webhook, un tick de cron, un email), ejecuta un workflow determinista con herramientas muy específicas, y persiste el resultado. No hay LLM en el medio decidiendo qué hacer. El workflow está escrito en código.

ASISTENTE (conversacional) → LLM decide cada paso:
  input → contexto → modelo → tools → modelo → tools → ... → respuesta

WORKER (autónomo) → el código decide el flujo:
  evento → workflow fijo (tools directas) → persistencia → log

Marco lo entendió cuando comparó los dos enfoques con el mismo caso de uso: sincronizar un gasto del banco al CRM.

Con Hermes conversacional:

"Oye, ha llegado un pago de 450€ de OpenAI, créalo como gasto en el CRM"

→ El modelo recibe el prompt, busca la herramienta adecuada entre 40+,
  decide los parámetros, llama a la API, interpreta la respuesta,
  y responde. Todo bien, pero cada paso es una decisión del LLM.

Con un worker:

def sync_transactions():
    txs = ponto_api.get_transactions()        # API directa
    for tx in txs:
        if tx.amount < 0:                      # Solo gastos
            cliente = perfex.find_client(tx.provider)
            perfex.create_expense(
                name=tx.provider,
                amount=abs(tx.amount),
                date=tx.date,
                client_id=cliente.id if cliente else None
            )
    return {"creados": len([t for t in txs if t.amount < 0])}

No hay LLM. No hay decisión. No hay desviación. El código es el workflow.

Marco lo formuló como una regla de tres:

1. Cuantas menos decisiones tome el modelo, más predecible será — cero es el número ideal
2. Cuanto más corto sea el contexto, menos alucinará — cada ejecución empieza en blanco
3. Cuanto menos aprenda, menos errores arrastrará — el CRM es la fuente de verdad, no su memoria interna

La arquitectura de un worker que no aprende

Un worker autónomo tiene tres capas, y ninguna de ellas es un LLM conversacional: