filtrar por:
Le preguntas al LLM más caro del mundo sobre tus propios documentos y te responde con seguridad... una mentira. Este es el porqué, y la solución: qué es realmente un embedding, cómo la similitud coseno mide significado, y por qué RAG —recuperar y aumentar antes de generar— hace que un modelo responda sobre datos que nunca estuvieron en su entrenamiento, sin reentrenar nada.
Cuando la memoria compartida volvió autónomos a mis agentes, apareció un problema nuevo: dejé de saber qué estaban haciendo y por qué. Mis correcciones vivían en chats que se perdían. Así construí la capa de proyectos de ProjectHub —tareas con estado, comentarios con intención (instrucción, corrección, pregunta, aprobación) y un registro de eventos— para que el humano supervise y el agente opere, sin perder el hilo.
Llegué a un punto con tantos agentes —Cursor, Claude Code, Codex, OpenClaw, opencode, Copilot— que cada vez que cambiaba de uno tenía que volver a darle el mismo host SSH, las mismas credenciales, las mismas instrucciones. Así nació la capa de memoria de ProjectHub: una memoria compartida, buscable por significado, con secretos enmascarados, que convirtió al agente en algo intercambiable y que hoy mi equipo entero consulta sin que yo explique nada.
Resumen técnico de mi ponencia en el Foro de Tecnología MX - Mexicali 2026: por qué los agentes de IA autónomos representan un riesgo de seguridad sin precedentes, por qué el control humano es una ilusión sin kill switches reales, y por qué la IA local no es paranoia sino criterio de supervivencia empresarial.
Un análisis honesto de los límites de uso de Claude Code, Codex y Gemini CLI que hacen insostenible el desarrollo agéntico real, y cómo construí cc_bridge: un proxy OpenAI-compatible en Go que usa OpenClaw con MiniMax-M1 como orquestador y Claude Code como ejecutor, con menos del 20% del usage semanal.
