¡Hola! 👋

Bienvenido una semana más a NoCodeOpenSource. Ha sido una semana intensa, llena de trabajo y muchas novedades que quiero compartir contigo. Entre el ajetreo, siempre es un placer saber que llega el viernes, porque significa que toca juntarse con el Geek Team y ponernos a charlar de lo último en tecnología en Geek Talks.

En este tercer capítulo, exploramos herramientas y tecnologías que pueden optimizar nuestros flujos de trabajo y mejorar nuestra eficiencia. Hablamos sobre TypeScript en Go, una nueva implementación para ejecutar TypeScript en entornos nativos con mejor rendimiento; Gemini Deep Research, una exploración avanzada con modelos de Google; y Gemma 3, el nuevo modelo multimodal Open Source de Google, optimizado para tareas de IA.

También analizamos Cloudflare LaLiga Bypass, una automatización creada por Aitor Roma para garantizar la continuidad de negocio cuando Cloudflare bloquea accesos durante la transmisión de partidos de LaLiga.

Además, profundizamos en LLMs TXT, herramientas para procesamiento de lenguaje natural, y los avances en TypeScript Native.

Esta edición viene cargada de contenido interesante, así que ponte cómodo y vamos al lío. 🚀

Comparte esta newsletter

¿Te gusta nuestra newsletter sobre #NoCode y #OpenSource? Si quieres que sigamos ofreciendo contenidos accionables y de valor, ¡apóyanos! Una simple acción puede hacer una gran diferencia. Haz clic en el botón abajo y twittea para ayudarnos a crecer. 🚀

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!

Después de analizar y poner a prueba MCP en distintos escenarios, incluso integrándolo con n8n, nos hemos dado cuenta de que, aunque en teoría parece una solución elegante al reducir la cantidad de nodos en n8n, en la práctica esconde varias trampas ocultas. La inteligencia artificial ha evolucionado hasta el punto en que agentes autónomos pueden razonar, planificar y ejecutar tareas complejas. Pero para alcanzar su verdadero potencial, estos agentes necesitan comunicarse eficientemente con las herramientas que los habilitan. En este escenario emergen dos enfoques en competencia: Model Context Protocol (MCP) y Schema Language for Operations (SLOP). La pregunta es: ¿queremos un sistema estructurado pero riguroso, o uno más flexible y adaptado a las realidades del desarrollo moderno?

MCP: La Ambiciosa Estandarización con Trampas Ocultas

MCP se plantea como un protocolo de capa de aplicación para la interacción entre un LLM (Large Language Model) y un servidor. Su objetivo es estandarizar la llamada a herramientas, permitiendo que los agentes descubran, invoquen y utilicen APIs de manera homogénea. En teoría, MCP actúa como un "idioma universal" que facilitaría la interoperabilidad entre IA y servicios digitales.

Suena prometedor, pero al profundizar surgen preocupaciones significativas:

🔴 Problemas con el estado: MCP es un protocolo con estado, lo que implica conexiones persistentes entre agente y servidor. En un mundo dominado por arquitecturas serverless, donde la escalabilidad y la eficiencia son clave, esto supone un lastre y hace que necesites un servidor para ejecutar el servidor.

🔴 Riesgos de seguridad: MCP requiere que el servidor haga peticiones al agente, abriendo la puerta a posibles vulnerabilidades. Un servidor MCP comprometido podría manipular al agente para extraer datos sensibles o realizar acciones no deseadas.

🔴 Sobrecarga del contexto: Cada solicitud en MCP debe incluir un volumen considerable de información sobre las herramientas disponibles. Esto puede saturar la ventana de contexto del agente, afectando su rendimiento, su capacidad de razonamiento y encareciendo el uso del modelo al añadir más tokens de input.

🔴 Adopción complicada: Para que MCP sea viable, tanto clientes como servidores deben implementar el protocolo. Esto genera una barrera de entrada significativa, limitando su adopción en un ecosistema donde la agilidad es primordial.

SLOP: La clave para un ecosistema de Agentes Inteligentes

En la búsqueda por construir agentes de IA más poderosos, conectados y fáciles de usar, surge SLOP (Schema Language for Operations), un enfoque ligero y escalable que apuesta por la simplicidad y la rápida adopción. En lugar de sistemas complejos y rígidos, SLOP se centra en la interoperabilidad a través de un diseño minimalista y directo al grano. Piensa en SLOP como el "lenguaje común" que permite a diferentes IAs entenderse y trabajar juntas.

La Filosofía SLOP: Ideas Fundamentales

El diseño de SLOP se basa en principios claros que guían su desarrollo:

✅ HTTP como Lenguaje Universal: SLOP aprovecha la ubicuidad de HTTP, convirtiéndolo en el pilar fundamental de cada interacción. Todo intercambio de información se realiza a través de peticiones y respuestas HTTP.

✅ Cada Herramienta es una API: SLOP concibe las capacidades de los agentes como APIs, accesibles a través de endpoints estándar. Así, un agente que sabe sumar, tendrá un API que le permita a otros agentes usar su capacidad.

✅ IA al Alcance de Todos: SLOP busca democratizar el acceso a la inteligencia artificial, eliminando barreras y facilitando su uso.

✅ Pensado para Desarrolladores: SLOP prioriza la facilidad de uso y la adopción por parte de la comunidad de desarrolladores. Su simplicidad busca reducir la curva de aprendizaje y fomentar la experimentación.

Endpoints Clave: Lo Esencial para la Interacción

SLOP define un conjunto conciso de endpoints que cubren las necesidades básicas para la comunicación entre agentes:

🔹 POST /chat: Permite interactuar con la IA a través de conversaciones, ya sea para hacer preguntas o dar instrucciones.

🔹 POST /tools: Facilita el uso de herramientas y funcionalidades especializadas que el agente ofrece.

🔹 POST /memory: Permite a los agentes recordar y acceder a información relevante, construyendo un contexto para las interacciones.

🔹 GET /resources: Facilita el acceso a conocimientos, archivos y datos que el agente posee.

🔹 POST /pay: Permite la gestión de transacciones y pagos, útil para agentes que ofrecen servicios.

Conexiones Flexibles: Adaptándose a Cada Situación

SLOP ofrece diferentes tipos de conexión para adaptarse a una variedad de escenarios de uso:

🔹 Interfaz HTTP/REST Estándar: La opción más común, utilizando la familiaridad y robustez de HTTP/REST.

🔹 Soporte WebSocket: Para conexiones persistentes en tiempo real, ideal para aplicaciones que requieren comunicación bidireccional continua.

🔹 Eventos Enviados por el Servidor (SSE): Para streaming unidireccional en tiempo real, útil para recibir actualizaciones o notificaciones.

Inteligencia Colaborativa: El Poder de los Sistemas Multi-Agente

Una de las fortalezas de SLOP es su capacidad para facilitar la creación de sistemas multi-agente complejos:

🔹 Enrutamiento Inteligente: Permite dirigir las solicitudes al agente más adecuado en función de su contenido. Por ejemplo, una pregunta sobre física se enrutará a un agente especializado en física.

🔹 Redes de Agentes Especializados: Facilita la construcción de sistemas complejos donde diferentes agentes colaboran en tareas específicas. Imagina un equipo de agentes trabajando en un proyecto: uno investiga, otro redacta, y un tercero revisa.

🔹 Flujos de Trabajo Flexibles: Ofrece soporte para múltiples patrones de ejecución (secuencial, paralelo, bifurcación), permitiendo organizar el flujo de trabajo entre agentes de manera eficiente.

🔹 Memoria Compartida: Permite una colaboración fluida entre agentes al mantener un contexto compartido, evitando la necesidad de repetir información.

SLOP en Acción: Ejemplos de Uso

La versatilidad de SLOP abre un abanico de posibilidades:

🔹 Plataformas de Chat Avanzadas con IA y Streaming

🔹 Bots de Atención al Cliente Inteligentes con Enrutamiento Personalizado

🔹 Asistentes de Investigación con Agentes Especializados por Área

🔹 Flujos de Trabajo Creativos con Colaboración de IA

🔹 Juegos con NPCs Dinámicos y Reactivos

🔹 Hogares Inteligentes con Agentes Coordinados

🔹 Automatización de Marketing con Campañas Personalizadas

🔹 Plataformas Educativas con Aprendizaje Adaptativo

🔹 Asistentes de Planificación de Viajes con Itinerarios Optimizados

Ejemplo Práctico: Descubriendo las Herramientas Disponibles

Imagina que un agente quiere saber qué herramientas están disponibles para realizar tareas. Utilizando SLOP, puede hacer la siguiente petición HTTP:

REQUEST:

GET /tools
Accept: application/json

La respuesta del servidor podría ser algo así:

RESPONSE:

HTTP/1.1 200 OK
Content-Type: application/json

{
  "tools": [
    {
      "id": "calculator",
      "description": "Realiza cálculos matemáticos",
      "parameters": {
        "expression": {
          "type": "string",
          "description": "Expresión matemática a evaluar"
        }
      }
    }
  ]
}

Esta respuesta le indica al agente que hay una herramienta llamada "calculator" disponible, que puede realizar cálculos matemáticos. También le informa sobre los parámetros que necesita para usarla (en este caso, la expresión matemática a evaluar).

SLOP es más que un protocolo; es una visión de un futuro donde los agentes de IA colaboran de forma fluida para resolver problemas complejos y mejorar nuestras vidas. Su simplicidad y flexibilidad lo convierten en una herramienta poderosa para construir el futuro de la inteligencia artificial, un futuro donde la IA es accesible, interoperable y centrada en el usuario.

¿MCP o SLOP? La Decisión Estratégica

MCP busca establecer un estándar universal para la interacción entre agentes de IA y herramientas digitales, pero su implementación con estado y sus requisitos de seguridad plantean grandes obstáculos. En cambio, SLOP ofrece una solución más pragmática y alineada con las necesidades del desarrollo moderno: simplicidad, compatibilidad y escalabilidad.

Si buscas un modelo a futuro que pueda revolucionar la interacción IA-API, MCP podría ser una apuesta (arriesgada). Si necesitas una solución funcional y efectiva hoy mismo, SLOP es la respuesta.

Y tú, ¿cuál prefieres?

¿Has trabajado con MCP o SLOP? ¿Conoces otras alternativas para la integración de agentes de IA con APIs? Comparte tus ideas en los comentarios y ayudemos a definir el futuro de la IA. 🚀

🌟 TopGit - Resumen Semanal (2025-03-16)

📚 Repositorios Destacados de la Semana

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

🔧 🕷️ ScrapeGraphAI: La Única Vez que Debes Raspar

ScrapeGraphAI es una biblioteca de Python para web scraping que utiliza LLM y lógica de grafos directos para crear tuberías de raspado para sitios web y documentos locales (XML, HTML, JSON, Markdown, etc.). Solo especifica qué información deseas extraer y la biblioteca lo hará por ti.

📊 Estadísticas de GitHub:

• ⭐ 18,636 estrellas
• 🔄 1,577 forks
• 👀 124 observadores
• 📝 26 issues abiertos
• 🔤 Principal lenguaje: Python

🔧 🧠 GPT-SoVITS: Conversión de Voz y TTS

GPT-SoVITS es una herramienta poderosa de conversión de voz y síntesis de texto a voz (TTS) que utiliza técnicas de few-shot learning. Permite a los usuarios entrenar modelos eficaces con solo un minuto de datos de voz. Este enfoque es especialmente útil para crear voces similares a una persona específica con un esfuerzo mínimo en la recopilación de datos.

📊 Estadísticas de GitHub:

• ⭐ 42,396 estrellas
• 🔄 4,727 forks
• 👀 236 observadores
• 📝 797 issues abiertos
• 🔤 Principal lenguaje: Python

🔧 💻 Strider - Servidor de Integración y Despliegue Continuo

Descripción: Strider es una plataforma de integración y despliegue continuo de código abierto. Está escrita en Node.js y Ember.js, utilizando MongoDB para el almacenamiento de datos. Su objetivo es facilitar a los desarrolladores la automatización del ciclo de vida del desarrollo de software.

Características: Personalizable a través de plugins, interfaz web amigable, integración con múltiples herramientas y servicios

Beneficios: Mejora en la eficiencia de desarrollo, automatización de tareas repetitivas, y soporte para múltiples entornos.

Casos de uso: Ideal para equipos de desarrollo que desean implementar CI/CD en sus proyectos, integrar pruebas automáticas y realizar despliegues continuos de sus aplicaciones.

📊 Estadísticas de GitHub:

• ⭐ 4,594 estrellas
• 🔄 427 forks
• 👀 128 observadores
• 📝 181 issues abiertos
• 🔤 Principal lenguaje: JavaScript

🔧 🦔 PostHog: Analítica Web y de Productos

PostHog es una plataforma de análisis web y de productos de código abierto que permite grabación de sesiones, gestión de banderas de características y pruebas A/B, todo lo cual puedes alojar tú mismo. Es ideal para obtener información sobre el comportamiento del usuario y mejorar la conversión de productos.

Esta herramienta es perfecta para empresas que buscan soluciones de análisis personalizadas y seguras dentro de su infraestructura.

📊 Estadísticas de GitHub:

• ⭐ 24,975 estrellas
• 🔄 1,545 forks
• 👀 114 observadores
• 📝 1,772 issues abiertos
• 🔤 Principal lenguaje: Python

🔧 🛡️ WireGuard Easy

El método más sencillo para ejecutar WireGuard VPN con una interfaz administrativa basada en Web. Esta herramienta permite la gestión fácil de conexiones VPN, ofreciendo funcionalidades como configuración de clientes y generación de códigos QR.

📊 Estadísticas de GitHub:

• ⭐ 17,746 estrellas
• 🔄 1,718 forks
• 👀 110 observadores
• 📝 14 issues abiertos
• 🔤 Principal lenguaje: TypeScript

🔧 🧠 Framework de Agentes Autónomos

Agent S es un marco de código abierto diseñado para facilitar la interacción autónoma con computadoras a través de una interfaz agente-computadora. Su misión es construir agentes de interfaz gráfica de usuario (GUI) que pueden aprender de experiencias pasadas y ejecutar tareas complejas de forma autónoma. Este framework es perfecto tanto para desarrolladores interesados en inteligencia artificial como para aquellos dispuestos a contribuir en sistemas de agentes avanzados.

📊 Estadísticas de GitHub:

• ⭐ 1,173 estrellas
• 🔄 141 forks
• 👀 25 observadores
• 📝 7 issues abiertos
• 🔤 Principal lenguaje: Python

🔧 🧠 OWL: Aprendizaje Optimizado para Agentes Múltiples

OWL es un marco innovador que facilita la colaboración entre agentes múltiples, mejorando la automatización de tareas en escenarios del mundo real. Está diseñado para revolucionar la forma en que los agentes de inteligencia artificial colaboran, aprovechando interacciones dinámicas para aumentar la eficiencia y robustez de las automatizaciones en diversas áreas.

📊 Estadísticas de GitHub:

• ⭐ 12,082 estrellas
• 🔄 1,327 forks
• 👀 90 observadores
• 📝 31 issues abiertos
• 🔤 Principal lenguaje: Python

🔧 🤖 AI-Researcher: Descubrimiento Científico Automatizado

AI-Researcher es una plataforma revolucionaria que transforma el panorama de la investigación científica. Permite a los investigadores automatizar todo el ciclo de investigación, desde la generación de ideas hasta la publicación de artículos. Con una interfaz intuitiva, los usuarios pueden iniciar investigaciones solo proporcionando referencias, y AI-Researcher se encarga del resto.

📊 Estadísticas de GitHub:

• ⭐ 687 estrellas
• 🔄 87 forks
• 👀 7 observadores
• 📝 4 issues abiertos
• 🔤 Principal lenguaje: Python

🔧 📺 Broadcast Box

Broadcast Box es una herramienta que permite transmitir a otros en tiempo sub-segundo, diseñada para ser fácil de usar y modificable. Utiliza tecnologías de vanguardia como WebRTC para ofrecer una experiencia de transmisión rápida y eficiente. Con soporte para múltiples ángulos de cámara y la posibilidad de transmitir directamente desde el navegador, hace que el streaming en vivo sea accesible para todos.

📊 Estadísticas de GitHub:

• ⭐ 1,572 estrellas
• 🔄 98 forks
• 👀 24 observadores
• 📝 18 issues abiertos
• 🔤 Principal lenguaje: Go

🔧 ⚙️ Automatización para Bypass de Cloudflare

Este proyecto permite gestionar los bloqueos de Cloudflare durante las transmisiones de LaLiga, garantizando el acceso a sitios web legítimos sin interrupciones. Monitorea la disponibilidad de tu sitio y activa o desactiva Cloudflare según sea necesario, minimizando el tiempo de inactividad durante eventos deportivos importantes.

📊 Estadísticas de GitHub:

• ⭐ 0 estrellas
• 🔄 0 forks
• 👀 1 observadores
• 📝 0 issues abiertos
• 🔤 Principal lenguaje: Python

📊 Análisis de Distribución por Categorías

La siguiente gráfica muestra la distribución de proyectos por categoría en TopGit:

📈 Estadísticas Semanales

🏆 Top 3 Categorías

📊 Distribución Detallada

🤖 IA & Machine Learning ██████████   50% (5 repos)
🌐 Web Development   ██████       30% (3 repos)
🔧 Dev               ████         20% (2 repos)
​

🚀 Tendencias Destacadas

📈 Métricas Clave

• Repositorios Totales: 10
• Promedio Diario: 1.4 repos/día
• Categorías Activas: 3

🎯 Categorías Dominantes

1. IA & Machine Learning
   • 5 repositorios
   • 50.0% del total
2. Web Development
   • 3 repositorios
   • 30.0% del total
3. Dev
   • 2 repositorios
   • 20.0% del total

💡 Consejo de la Semana

¿Tienes un proyecto increíble? ¡Compártelo en TopGit y sé parte de nuestra comunidad en crecimiento!

💡 Análisis de Tendencias

Después de examinar los proyectos más destacados en GitHub para la semana que terminó el 16 de marzo de 2025, se pueden destacar las siguientes tendencias:

1. Enfoque en la Inteligencia Artificial (IA): Se observa un enfoque significativo en la inteligencia artificial, con proyectos como ScrapeGraphAI, GPT-SoVITS, Framework de Agentes Autónomos y OWL que aprovechan la IA para optimizar y automatizar procesos. Este aumento en el interés por la IA refuerza el papel crucial que esta tecnología está jugando en diversas industrias.
2. Implementación de redes neuronales profundas: Algunos repositorios como GPT-SoVITS utilizan técnicas de aprendizaje profundo, indicando la prevalencia y el crecimiento de las redes neuronales en el desarrollo de software.
3. Automatización y Mejora de Procesos: Muchas herramientas buscan optimizar y automatizar las tareas. Ejemplos como Strider y WireGuard Easy muestran un aumento en la demanda de soluciones eficientes que simplifiquen las operaciones y faciliten las tareas de los desarrolladores.
4. Predominio de Python: Python es el lenguaje principal en la mayoría de los repositorios destacados. Es conocido por sus aplicaciones en ciencia de datos y últimamente se ha vuelto muy popular en el campo de la IA, lo que puede explicar su prevalencia en estas tendencias.
5. Crecimiento de aplicaciones de código abierto: La mayoría de los proyectos destacados son de código abierto. Esto muestra una continua aceptación y adopción de la cultura de código abierto, impulsando la innovación y el intercambio colaborativo de código a través de la comunidad de desarrolladores.
6. Herramientas de análisis de datos/IA: Las herramientas como PostHog muestran un aumento en la demanda de análisis de datos. Adicionalmente, el uso de IA por parte de AI-Researcher para automatizar todo el ciclo de investigación científica es notable.

En la edición de hoy de The {AI}rtist, vamos a explorar cómo implementar Agent Zero para crear agentes autónomos sin límites, capaces de interactuar con el mundo digital y hacer gran parte del trabajo por ti.

Resumiendo: hoy te la voy a poner bien dura. Vamos a lograr resultados brutales sin complicarnos la vida.

Mientras escribía el artículo sobre SLOP, no podía dejar de pensar en el documento de especificaciones (aquí lo tienes). Me llamó la atención la forma en que se estructuran las llamadas a la API, y se me ocurrió algo: ¿y si definimos en JSON cómo debe comportarse Agent Zero? Lo probé y, ¿sabes qué? Funciona. Cuanto mejor estructurada está la información, mejor responde el agente.

Ahora, aquí viene lo interesante: Agent Zero es una auténtica potra salvaje. Tiene acceso a Internet, un sandbox de ejecución y puede lanzar comandos a diestro y siniestro. Esto lo hace poderoso, pero también peligroso si no se le pone rienda. Como toda buena potra, necesita alguien que la dome. Y ahí es donde entramos nosotros.

Vamos a ver cómo entrenar a esta bestia para que haga justo lo que queremos. 🚀

Sacandole provecho para que nos ayude en nuestro trabajo diario