bitácora
Lab
Una bitácora abierta: experimentos, specs y post-mortems, incluidos los que fallaron.
- modelholds-up
Órgano, vitamina o cáncer: modelar un negocio como sistema
El pedido difuso 'haz este negocio AI-first' modelado como sistema operativo: tres leyes (órgano, no vitamina; órgano, no cáncer; oferta sobre cliente) que deciden qué construir y qué cortar.
- note
Valida el consumo antes de construir la fuente
Construí cuatro namespaces de herramientas con scope antes de ver cómo los consumía el runtime. El flag de scope reemplazaba el toolset en vez de acotarlo. Trabajo perdido. Prueba antes el consumidor.
- modelholds-up
Un solo agente cargando con todo se quedó en timeout
Un agente CEO con todo el contexto se quedaba en timeout; dividirlo en agentes Head enfocados, con cadencias distintas, hizo la flota más barata y más robusta a la vez.
- post-mortemholds-up
Cómo cuatro minutos de silencio mataron a mi agente de IA
Un agente terminó su trabajo y el orquestador lo mató antes de guardar. La liveness se infería del stdout, así que una síntesis larga y silenciosa parecía muerte. Un keepalive de 15 líneas lo arregló.
- logholds-up
Mis agentes tenían 157 herramientas y no llamaban a ninguna
Los agentes juraban que las herramientas no existían. El log decía otra cosa: una race en el cold spawn, no las herramientas. Modelar la latencia donde estaba acabó en un MCP pooler open-source.
- note
La promesa gana el clic y pierde al espectador
Datos de retención de 90 días: el enfoque de promesa financiera retiene al 4,79% de los espectadores; el de construcción técnica mantiene entre 48 y 63%. El formato sigue a la retención, no al gancho.
- modelholds-up
Tu próximo paso está escondido en tu último acierto
Ordena las fuentes de señal por riesgo, no por novedad. Los aciertos prueban demanda y formato. Deriva de ellos primero, luego SEO, luego competidores. Tu último acierto ya es el 80% del siguiente.
- logholds-up
Los números de marketing eran la historia que alguien quería que contara
Tres afirmaciones erróneas en mi comparación de runtimes: un conteo de herramientas del ecosistema, no de la herramienta; una brecha de estrellas mal leída; un costo de tokens que era solo un ajuste.
- specholds-up
La descripción de la herramienta es el contrato
Sin un enum que se pueda imponer en la frontera, la descripción de la herramienta carga el contrato (valores canónicos, casing, defaults), y la herramienta devuelve la fuente cruda, no análisis hecho.
- note
La documentación decía cinco agentes. La base de datos decía uno.
La documentación describe intención, no estado. Cuando necesitas saber qué está corriendo, pregúntale a la base de datos, no a la doc.
- specholds-up
La voz no es vibe. Es contrato.
Extraer una voz de 152 posts en reglas explícitas, un few-shot y un contrato de salida: el mismo archivo markdown corre en cualquier runtime de agentes.
- note
El modo 'light' que costaba seis veces más
Un modo de contexto LIGHT prometía ahorro de tokens. La medición mostró que costaba 6x más y rompía una ruta de código. En la misma sesión, el lazy loading de skills recortó 14k tokens por prompt.
- modelholds-up
Deja de parchear tus dependencias. Aduéñate del punto de extensión.
Los monkey-patches sueltos no tienen versión ni forma de compartirse. Aduéñate del punto de extensión: un override versionado en npm sobrevive a los updates y converge con upstream, sin fork ruidoso.
- post-mortemdead-end
Entrené un clon digital y envejeció quince años
El entrenamiento de identidad con LoRA colapsó en una edad cuando un descriptor dominó el 100% de los captions. El modelo aprende lo que mantienes constante. Varía todo lo que no quieras que memorice.
- post-mortemholds-up
US$ 1,85 y 832 steps perdidos por un pod eviction
Un fine-tuning en una A100 alquilada murió en el step 832 por un pod eviction. /workspace es efímero, nohup no sobrevive a la desconexión SSH y pkill -9 python tumba más que tu entrenamiento.