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 el equipo vuelve con el capítulo 39 del G33K TEAM — Aitor hace una demo en vivo de Paperclip orquestando agentes SROps que detectan y solucionan incidentes de forma autónoma, Néstor trae la bomba de que Linear ha declarado muerto el issue tracking, Oriol debate sobre migrar WordPress a sitios estáticos, y descubrimos la función oculta auto-dream de Claude Code que consolida memorias como si el agente estuviera soñando.

En TopGit, semana dominada por herramientas de desarrollo e IA: Llama-Swap para intercambiar modelos, Ruflo para orquestación de enjambres de agentes con Claude, LLMFit para ajustar modelos a tu hardware, y AutoResearchClaw que genera papers académicos de forma autónoma.

Pero la chicha gorda viene abajo, en The Airtist.

Os traigo Portkey Gateway — el control plane open source que acaban de abrir completamente. Todo lo que antes era SaaS de pago (gobernanza, observabilidad, autenticación, control de costes) ahora es open source, incluyendo el nuevo MCP Gateway para gobernar agentes IA que interactúan con herramientas enterprise. Procesan 1 trillón+ de tokens diarios, gestionan $180M+ en gasto anualizado de IA, y acaban de cerrar una Serie A de $15M. Storytelling con Marco incluido 👇

Vamos 👇

📅 G33K TEAM de la Semana

🎙️ Episodio 39 — Paperclip en acción, Linear declara muerto el issue tracking, y el debate WordPress vs. estático

Esta semana el equipo arrancó con Aitor haciendo una demo en vivo de Paperclip, el sistema de orquestación de agentes IA basado en tickets. La demo incluyó un caso real de monitorización de servidores: un agente SROps Analyst conectado a una API de monitorización (inspirada en M/Monit con exporter Prometheus para Grafana) que detecta incidentes automáticamente, crea tickets, los asigna a un dispatcher, y este delega al agente correcto — incluyendo un Codex remoto conectado dentro de Paperclip que resuelve problemas directamente en las máquinas. El sistema completo genera runbooks operativos para futuros incidentes similares.

La segunda demo fue una auditoría SEO automática lanzada como ticket contra la web de Oriol: el agente CEO delegó al SEO Strategist, que ejecutó un análisis completo con hallazgos críticos (falta de metadescripciones, ausencia de JSON-LD, imágenes sin alt, títulos excesivos) y generó un roadmap de mejoras con informe HTML incluido.

El episodio se encendió cuando Néstor trajo a la mesa el anuncio de Linear: su CEO Karri Saarinen declaró que el issue tracking está muerto. Los datos: el 75%+ de sus workspaces enterprise ya tienen agentes instalados, el volumen de trabajo completado por agentes creció 5x en tres meses, y casi el 25% de los nuevos issues los crean agentes, no humanos. Linear ahora se posiciona como un sistema de contexto + agentes, no de tickets.

Se compartió el recurso Agentic Coding School de Ray Amjad — curso de Master Claude Code. Código de descuento: birthday (35% off). También se mencionó Deep Agents (reimplementación open source de Claude Code por LangChain) y la función oculta auto-dream de Claude Code, que consolida memorias eliminando contradicciones.

Oriol planteó un debate sobre migrar WordPress a sitios estáticos (Astro, Hugo, Jekyll). Néstor explicó el enfoque de fuzzy finding: al hacer build, Astro genera un índice que el JavaScript consulta directamente, sin application server. Otros temas: Pages CMS, automatización en Notion via Claude Code + N8N, y la recién salida GLM 5.1.

🔗 Links del episodio:

• Paperclip — Orquestación de agentes IA
• Linear Next: 'Issue tracking is dead'
• Master Claude Code — Curso de Ray Amjad
• Agentic Coding School
• Leon AI — Asistente personal open source
• Astro — Framework para sitios estáticos

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". Prepárate para una perspectiva fresca y auténtica sobre la IA. ¡Bienvenidos al horizonte!

🌟 TopGit - Resumen Semanal (2026-03-28)

📚 Repositorios Destacados de la Semana

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

🔧 🤖 Llama-Swap

Llama-Swap permite intercambiar modelos de IA generativa de manera eficiente. Funciona con cualquier servidor compatible con las API de OpenAI y Anthropic.

📊 Estadísticas de GitHub: ⭐ 2,938 estrellas - 🔄 213 forks - 👀 19 observadores - 📝 31 issues - 🔤 Go

🔧 🔗 Pingtunnel

Herramienta que envía tráfico TCP/UDP a través de ICMP para comunicación en redes con restricciones.

📊 Estadísticas de GitHub: ⭐ 3,631 estrellas - 🔄 605 forks - 👀 78 observadores - 📝 3 issues - 🔤 Go

🔧 🌊 Ruflo - Orquestación de Agentes

Plataforma de orquestación de agentes IA para Claude. Enjambres de agentes inteligentes, arquitectura empresarial e integración nativa con Claude Code.

📊 Estadísticas de GitHub: ⭐ 27,814 estrellas - 🔄 3,022 forks - 👀 264 observadores - 📝 415 issues - 🔤 TypeScript

🔧 🧠 LLMFit

Herramienta de terminal que ajusta modelos LLM a la RAM, CPU y GPU de tu sistema. Detecta hardware y evalúa cada modelo en calidad, velocidad y ajuste.

📊 Estadísticas de GitHub: ⭐ 19,603 estrellas - 🔄 1,138 forks - 👀 65 observadores - 📝 53 issues - 🔤 Rust

🔧 💻 Plugin de Ingeniería Compuesta

Mejora el flujo de trabajo en codificación con Claude Code, Codex y otros. Planificación, ejecución y revisión automatizadas.

📊 Estadísticas de GitHub: ⭐ 11,355 estrellas - 🔄 897 forks - 👀 84 observadores - 📝 49 issues - 🔤 TypeScript

🔧 🦞 AutoResearchClaw

Herramienta de investigación autónoma que genera papers académicos desde una idea, con revisión por pares y verificación de citas.

📊 Estadísticas de GitHub: ⭐ 9,288 estrellas - 🔄 1,000 forks - 👀 40 observadores - 📝 2 issues - 🔤 Python

🔧 🤖 CUA - Agentes de Uso Computacional

Infraestructura open source para entrenar agentes IA capaces de controlar escritorios completos (macOS, Linux, Windows).

📊 Estadísticas de GitHub: ⭐ 13,312 estrellas - 🔄 822 forks - 👀 52 observadores - 📝 157 issues - 🔤 Python

🔧 📊 Diseño de Sistemas 101

Conceptos complejos de sistemas explicados con visuales y términos simples. Recurso ideal para entrevistas de diseño de sistemas.

📊 Estadísticas de GitHub: ⭐ 81,474 estrellas - 🔄 8,930 forks - 👀 1,027 observadores - 📝 59 issues

🔧 🧠 Claude Peers MCP

Permite que todas tus instancias de Claude se comuniquen entre sí de manera ad-hoc para trabajar juntas.

📊 Estadísticas de GitHub: ⭐ 1,324 estrellas - 🔄 130 forks - 👀 11 observadores - 📝 18 issues - 🔤 TypeScript

🔧 💻 SupoClip

Herramienta de clipping de video con IA. Crea clips cortos de contenido largo sin limitaciones de precio ni marcas de agua.

📊 Estadísticas de GitHub: ⭐ 329 estrellas - 🔄 128 forks - 👀 13 observadores - 📝 10 issues - 🔤 Python

Eran las once de la noche y Marco llevaba tres cafés de ventaja. El dashboard de costes de su plataforma parpadeaba en rojo: €4.200 en llamadas a GPT-4 solo en la última semana. Y lo peor no era el dinero — era que no tenía ni idea de cuáles de sus quince agentes estaban quemando tokens como si no hubiera mañana.

"¿Quién coño está haciendo 800 llamadas al endpoint de embeddings?", murmuró mientras abría una terminal más en su pantalla ya saturada de ventanas.

El problema de Marco no era técnico. Bueno, sí lo era — pero era un problema que todo el mundo que trabaja con agentes IA en producción conoce y nadie quiere admitir: no tenía control sobre lo que sus agentes hacían realmente. Logs dispersos en tres servicios diferentes, costes imposibles de atribuir por equipo, y cero visibilidad sobre qué modelo estaba sirviendo cada petición.

Había probado de todo. Wrappers caseros sobre la API de OpenAI. Un proxy NGINX que parseaba JSON a medias. Hasta un script de Python que monitorizaba costes con un cron cada 5 minutos y le mandaba alertas al Telegram. Parches sobre parches.

El Descubrimiento: Un Gateway que Ya Procesaba un Trillón de Tokens

Fue Lucía, su compañera del equipo de datos, quien le pasó un enlace por Slack a las 2 de la madrugada con un mensaje escueto: "Esto igual te soluciona la vida."

El enlace apuntaba a Portkey Gateway.

Marco abrió el repo de GitHub y lo primero que le llamó la atención fue el número: más de 10.000 estrellas. Pero lo que le hizo quedarse fue la descripción: un AI Gateway open source que se coloca entre tus aplicaciones y los proveedores de LLM, enrutando peticiones a más de 1.600 modelos con menos de un milisegundo de latencia añadida. Y pesaba solo 122KB.

"Esto no es otro wrapper", pensó Marco mientras leía la documentación. "Esto es un plano de control."

Y tenía razón. Portkey acababa de anunciar — literalmente hacía cuatro días, el 24 de marzo de 2026 — que unificaba su gateway enterprise con la versión open source. Todo lo que antes requería suscripción SaaS — gobernanza, observabilidad, autenticación, control de costes — ahora estaba disponible como código abierto.

Lo que Portkey Pone Sobre la Mesa

Marco empezó a desplegarlo esa misma noche. Un docker pull portkeyai/gateway y en menos de dos minutos tenía el gateway corriendo en su VPS.

Lo que encontró dentro le cambió la perspectiva sobre cómo debería funcionar la infraestructura IA en producción:

Routing inteligente entre modelos. Podía definir reglas para distribuir carga entre GPT-4o, Claude Sonnet y Mistral dependiendo del tipo de tarea. Si un proveedor caía, el gateway hacía fallback automático al siguiente. Sin tocar una línea de código en sus agentes.

Observabilidad real. Cada petición quedaba registrada con contexto completo: quién la hizo, qué modelo respondió, cuántos tokens consumió, cuánto costó, y cuánto tardó. Todo accesible desde una consola local en localhost:8787.

Control de costes por equipo. Marco definió presupuestos por workspace. Cuando el equipo de marketing superó su límite de tokens del mes, el gateway simplemente dejó de enrutar sus peticiones hasta que él aprobó un aumento. Sin dramas. Sin sorpresas en la factura.

Guardrails integrados. Más de 50 guardrails de IA disponibles desde la misma API. Redacción de PII, filtrado de contenido, políticas de compliance — todo aplicado antes de que la petición llegue al modelo.

Caching semántico. Las consultas repetidas se servían desde caché, ahorrando tokens y reduciendo latencia. Marco calculó que solo con esto se ahorraba un 30% en costes mensuales.

El MCP Gateway: Cuando los Agentes Tocan el Mundo Real

Pero la pieza que hizo que Marco se incorporara en la silla fue el MCP Gateway.

Para quien no lo conozca: MCP (Model Context Protocol) es el estándar abierto que permite a los agentes IA conectarse con herramientas externas — bases de datos, APIs, sistemas internos, servicios como GitHub, Slack o Salesforce. Es lo que convierte a un chatbot en un agente que realmente ejecuta acciones.

El problema es que cuando tienes 20 agentes conectados a 30 servidores MCP diferentes, cada uno con sus propias credenciales y permisos, tienes un agujero de seguridad del tamaño de un hangar.

El MCP Gateway de Portkey se coloca como proxy entre los agentes y los servidores MCP. Los agentes se autentican una sola vez contra el gateway, y este se encarga de inyectar las credenciales correctas, verificar permisos y registrar cada llamada a herramienta.

Marco lo configuró así de simple en su claude_desktop_config.json:

{
  "mcpServers": {
    "portkey": {
      "url": "https://mcp.portkey.ai/mi-servidor/mcp",
      "headers": {
        "Authorization": "Bearer MI_API_KEY"
      }
    }
  }
}

Una API key para gobernarlos a todos. Si un agente no tenía permiso para ejecutar una herramienta, el gateway lo bloqueaba antes de que la petición saliera de la red.

"Mis becarios necesitan tres aprobaciones para tocar producción", reflexionó Marco. "Mis agentes IA tenían cero. Hasta ahora."

Los Números que Respaldan Todo Esto

Portkey no es un proyecto de garage. Estos son los datos del anuncio del 24 de marzo:

• 1 trillón+ de tokens procesados diariamente
• 120 millones+ de peticiones IA al día
• $180 millones+ en gasto anualizado de IA gestionado
• 24.000+ organizaciones usando la plataforma
• Serie A de $15 millones liderada por Elevation Capital con participación de Lightspeed
• Fortune 500 entre sus clientes en finanzas, farmacéutica y tecnología
• Soporte para 1.600+ modelos de más de 200 proveedores
• Compliance: SOC2, ISO 27001, HIPAA, GDPR

Y todo esto ahora es open source. El gateway enterprise completo, no una versión recortada.

Lo que Marco Hizo el Lunes por la Mañana

El lunes, Marco llegó a la oficina y en la standup presentó tres slides:

1. Antes: 15 agentes disparando a 4 proveedores diferentes sin control, costes impredecibles, logs dispersos.
2. Después: Un gateway centralizado que enruta, monitoriza, cachea, aplica guardrails y controla presupuestos.
3. Ahorro estimado: 40% en costes de tokens (caching + routing inteligente), 100% de visibilidad en operaciones, tiempo de integración de nuevos modelos reducido de días a minutos.

Su CTO levantó una ceja. "¿Y esto es open source?"

"Completamente. Lo tenemos corriendo en nuestra infra. Nuestros datos no salen de nuestra red."