Autor: Fernando Rodríguez
Fernando Rodríguez
Alumni
FRR Blog
Agentic Experience: el log de errores del agente es el plano de tu CLI
Un agente de IA cometió más de 500 errores usando una CLI en 165 sesiones. Su log de errores es el plano, en negativo,
Alumni
FRR Blog
Cloudflare «Ask AI» creó un token API con acceso a toda mi cuenta
Cloudflare "Ask AI" aprovisionó en mi cuenta un token API permanente, de solo lectura, con acceso a todas mis cuentas, zonas y usuarios —
Alumni
FRR Blog
Sentry frontend bloqueado por Brave: cómo arreglarlo con un tunnel
Brave Shields bloquea Sentry incluso con escudos abajo. Cómo arreglarlo con un tunnel propio en Flask y los tres gotchas no documentados.
Alumni
FRR Blog
Agentic Experience: 1.324 llamadas a mi CLI, 15,9% de error
Analicé 1.324 llamadas reales de Claude Code a mi CLI de Linear. El 15,9% fallaba. Los errores revelan cómo diseñar herramientas que los agentes
Alumni
FRR Blog
El patrón de dos capas en Apple Silicon: código determinista barato primero, CoreML para lo pesado
El mismo patrón arquitectónico resuelve análisis de sentimiento y limpieza de imágenes: deterministic primero, CoreML solo sobre lo que sobrevive. PyTorch → ONNX →
Alumni
FRR Blog
Las colisiones adversariales que rompieron el sistema CSAM de Apple (y por qué importan más allá de Apple)
En agosto de 2021, investigadores rompieron NeuralHash en menos de dos semanas. El ataque no fue una chapuza: es una propiedad estructural de la
Alumni
FRR Blog
64 bits deciden qué puedes subir a internet: el algoritmo detrás del Chat Control
El EU Chat Control y el fallido escaneo on-device de Apple dependen del mismo algoritmo de 40 líneas de Python. Entender cómo funciona es
Alumni
FRR Blog
Tu CLI tiene un nuevo usuario y no es humano
Los principios de Agent Experience (AX) cambian cómo se diseñan herramientas CLI cuando el usuario principal es un LLM. Output token-efficient, fuzzy matching, errores
Alumni
FRR Blog
El modelo on-device de Apple es terrible para chat pero sorprendentemente bueno en structured output y tool calling
Construí una app macOS para stress-test de todas las capacidades de Apple Intelligence on-device. El modelo de 3B es mediocre en texto libre, pero
Alumni
FRR Blog
Bridgeando async Swift a sync C: cuatro funciones para usar el LLM de Apple desde cualquier lenguaje
libfoundationmodels expone el LLM on-device de Apple como una dylib C de 4 funciones. El bridge async Swift → sync C con Mutex y
Alumni
FRR Blog
TurboQuant, un mes después: implementaciones, controversia y qué funciona de verdad
El paper TurboQuant de Google consiguió 575 puntos en HN y hundió las acciones de memoria. Un mes después: qué implementaciones funcionan de verdad,
Alumni
FRR Blog
Estoy pagando $15 por millón de tokens para escribir ‘fix: typo’
Los coding agents usan modelos cloud de $15/M tokens para generar commit messages. foundation-hooks los reemplaza con el LLM on-device de Apple: 300ms, 0
