Autor: Fernando Rodríguez

Si vienes de Claude Code, esto te ahorra un buen rato de frustración: en Codex un skill no es un slash command. Sirven para

NLTagger de Apple puntúa como negativo texto técnico perfectamente neutro. Análisis empírico del sesgo, por qué ocurre, y qué usar en su lugar.

165 sesiones de Claude Code y 27 de Codex CLI después, los datos muestran un patrón: cada agente brilla en un tipo de trabajo

Python lleva años con un ecosistema de herramientas fragmentado y lento. La revolución ha venido de donde nadie esperaba: Rust. uv, Ruff y ty

XML repite tags, JSON repite claves. Cuando tu consumidor es un LLM, cada token cuenta. Historia de cómo acabé con un formato posicional compacto

MDD: metodología para diseñar herramientas que absorban las alucinaciones de tu copiloto IA. Dos capas — arqueología de errores y verificación adversarial — inspiradas

Mi skill de Linear tenía 150 líneas de workarounds: UUIDs hardcodeados, fallbacks a curl, notas de 'la CLI no soporta X'. No las reescribí

Tu IA genera código plausible contra APIs que no existen. Schema introspection, fixtures reales y separación fetch/proceso: la metodología anti-alucinación que funciona.

Linear lanzó su agente de IA. Suena bien, pero lo que necesitábamos era una CLI que no apestase. Y si hay que reescribirla, que

TurboQuant comprime el KV cache de LLMs 6x sin perder precisión. El truco: no inventar un compresor mejor, sino mover los datos a coordenadas

Los LLMs generan código que compila pero abusa de strings, opcionales y nil donde debería haber tipos específicos. Cómo detectarlo con un linter y

Un desarrollador hizo que Claude y Codex discutieran sobre su plan hasta que quedó bien. La idea es brillante: usar un segundo modelo como