¿Qué es esto?

¡La autenticación de MCP es un gran paso! Si queremos que los agentes hagan un trabajo práctico, necesitamos que: • Llamar a API de terceros en su nombre • Realizar acciones que deben ser rastreables • Aplicar diferentes permisos para diferentes roles Por ejemplo, supongamos que desea que su asistente de IA envíe correos electrónicos en su nombre. Ahora puede hacer que el asistente use un servidor MCP, le pida que se autentique en un navegador y, a continuación, use el token generado para enviar esos correos electrónicos. ¡Esto es genial!

Aquellos que son lo suficientemente tontos como para confiar en la exageración y dejar de aprender programación merecen el futuro que les espera.

El almacenamiento en caché es una de las cosas más difíciles en las que trabajará. Actualmente estoy trabajando en un caché semántico para una aplicación de IA. Según lo que estamos viendo, es una compensación masiva entre costos y precisión. Estamos ahorrando alrededor del 20% de nuestra factura de inferencia: muchas de las consultas llegan a la caché, por lo que no tenemos que gastar el modelo generando respuestas para ellas. Sin embargo, muchas de las consultas ahora devuelven información ligeramente desactualizada, ya que no acceden al modelo, lo que da como resultado respuestas obsoletas. Paso la mayor parte de mi tiempo trabajando en la función de similitud para detectar aciertos de caché. Parece simple, pero está resultando muy difícil hacerlo correctamente. Nota al margen: Esta caché semántica introduce latencia adicional, especialmente porque la mayoría de las consultas perderán la caché. Cuando aciertan, las respuestas son más rápidas, pero esas son la excepción. De cualquier manera, esto ha valido la pena.

Estoy cobrando $ 1,000 / hora para arreglar su desastre codificado por vibraciones.

¡El primer agente de diseño lanzado es bastante increíble! Este es un diseñador a tiempo completo las 24 horas del día, los 7 días de la semana, que puede trabajar de forma autónoma en cualquier proyecto de diseño para usted. Esto es suficiente para el 99% de mis necesidades de diseño. Aquí hay algunos ejemplos de lo que creé usándolo:

Literalmente, nadie sabe qué es un agente. He visto a muchas personas referirse a las aplicaciones como "agentes" siempre que usen un LLM. Luego tenemos a los que hablan de "sistemas agénticos" y "flujos de trabajo agénticos". Si les preguntas qué significan, comenzarán a tartamudear.

¡GRAN ACTUALIZACIÓN para AG-UI! Los 3 protocolos nativos de IA: MCP, A2A y AG-UI. Hay una gran adopción en todos los ámbitos y actualizaciones masivas e ininterrumpidas para cada uno de estos protocolos. Aquí hay algunas actualizaciones masivas para AG-UI: Para aquellos de ustedes que no lo han escuchado, AG-UI (Protocolo de interacción agente-usuario) le permite integrar agentes en aplicaciones frontend. Te da: • Actualizaciones en tiempo real • Orquestación de herramientas • Estado mutable compartido • Límites de seguridad • Sincronización de la interfaz de usuario Acaban de actualizar el protocolo, y esto es lo nuevo: 1. ¡AG-UI ahora tiene una CLI! 2. Pydantic AI ahora es compatible con AG-UI. 2. Nuevo flujo 10 veces más simple para crear clientes AG-UI adicionales. 3. Pre-lanzamiento de un apretón de manos entre AG-UI y A2A. 5. Ahora puede visualizar sus interacciones A2A. 6. Las interacciones A2A ahora pueden llegar a los usuarios. 7. Hay un flujo de contribución completamente renovado. Puede compilar su primera aplicación con tecnología AG-UI con un solo comando: $ npx create-ag-ui-app mi-agente-aplicación Verifique el repositorio de GitHub del protocolo:

Agentes 👀 de autoaprendizaje

Una de las mejores maneras de escribir mejor código: Utilice agentes personalizados y especializados para revisarlo automáticamente cada vez que lo envíe a su repositorio. Trabajo con @baz_scm y generarán automáticamente agentes de revisión personalizados basados en su propio estilo y reglas de codificación. Esta es la primera herramienta que he visto hacer esto. De las tres formas diferentes de crear un agente en Baz, mi favorita es una en la que defines en función de tus reglas a través de indicaciones y lo pruebas en el patio de recreo antes de implementarlo. Mira el video y el enlace a continuación. Baz colaboró conmigo en esto.