A lo largo de mi carrera he visto cambiar muchas cosas. He pasado de Borland a Visual Studio, de vi a Sublime Text, de Sublime a VS Code… Y créeme, cada cambio fue una decisión meditada que me costó semanas de adaptación. Pero lo que está pasando ahora con las herramientas de IA es algo completamente diferente.

Me he encontrado usando Copilot por la mañana, probando Cursor por la tarde, y echando un vistazo a Claude Code antes de irme a dormir. Y no soy el único. Los desarrolladores hemos pasado de ser fieles como perros a nuestras herramientas a ser… bueno, promiscuos.

Dos protocolos, dos filosofías

En los últimos meses han aparecido dos protocolos que van a cambiar cómo construimos sistemas de IA: Agent2Agent Protocol (A2A) de Google y Model Context Protocol (MCP) de Anthropic. Pero aquí está el tema: no compiten entre sí.

Es más, tras analizar ambos durante semanas, me he dado cuenta de que entender la diferencia entre A2A y MCP es crucial para cualquiera que esté construyendo sistemas de IA más allá de simples chatbots.

Hace unos meses, cuando Anthropic lanzó su protocolo MCP (Model Context Protocol), sabía que íbamos a ver integraciones interesantes entre LLMs y bases de datos. Lo que no esperaba era ver algo tan pulido y funcional como AgentHouse de ClickHouse tan pronto.

Tengo planificado probar esta demo en breve, pero ya solo leyendo sobre ella me parece fascinante la idea de poder preguntarle a una base de datos cosas como “¿cuáles son los repositorios más populares de GitHub este mes?” y obtener no solo una respuesta, sino visualizaciones automáticas.

Trabajando en proyectos grandes, es habitual tener suites de tests que pueden tardar varios minutos en ejecutarse. Y cuando uno de esos tests falla al principio de la ejecución, es frustrante esperar a que todos los demás se ejecuten para ver el resultado completo.

Jest incluye una funcionalidad que he encontrado muy útil en desarrollo: la opción bail, que permite parar la ejecución de tests después de un número determinado de fallos. Es una de esas características que una vez la conoces y empiezas a usar, no entiendes cómo has vivido sin ella.

En mis años desarrollando software, he aprendido que las mejores herramientas son las que eliminan fricciones innecesarias. Y LM Studio acaba de dar un paso enorme en esa dirección: ya es completamente gratuito para uso empresarial.

Esto puede sonar como “otra noticia más” de IA, pero para quienes llevamos tiempo experimentando con modelos locales, es un cambio de paradigma importante.

El problema que había antes

Desde su lanzamiento en mayo de 2023, LM Studio siempre fue gratuito para uso personal. Pero si querías usarlo en tu empresa, tenías que contactar con ellos para obtener una licencia comercial. Esto creaba exactamente el tipo de fricción que mata la experimentación en equipos.

En mi experiencia con desarrollo móvil, he visto cómo las apps se vuelven cada vez más complejas y los proyectos crecen sin control. Recuerdo perfectamente esa sensación de tener miles de líneas de código y no estar seguro de qué se estaba usando realmente y qué no.

Por eso me ha llamado tanto la atención esta herramienta que ha liberado Sentry (que antes era de Emerge Tools): Reaper. Un SDK de código abierto que hace algo que suena simple pero es tremendamente útil: encontrar código muerto en tus aplicaciones móviles.

Hace unos años, muchos investigadores de IA (incluso los más reputados) predecían que el prompt engineering sería una habilidad temporal que desaparecería rápidamente. Se equivocaron completamente. No solo no ha desaparecido, sino que ha evolucionado hacia algo mucho más sofisticado: Context Engineering.

Y no, no es solo otro término de moda. Es una evolución natural que refleja la complejidad real de trabajar con LLMs en aplicaciones productivas.

De prompt engineering a context engineering

El problema con el término “prompt engineering” es que mucha gente lo confunde con blind prompting - simplemente escribir una pregunta en ChatGPT y esperar un resultado. Eso no es ingeniería, es usar una herramienta.

Deno 2.4 acaba de ser liberado, y debo admitir que me ha sorprendido gratamente. No solo por la cantidad de características nuevas, sino por una en particular que muchos creíamos que no volvería: deno bundle ha regresado. Y esta vez, para quedarse.

Esta versión viene cargada de mejoras que van desde importar archivos de texto directamente hasta observabilidad estable con OpenTelemetry. Vamos a ver qué nos trae esta release.

El regreso triunfal de deno bundle

Para los que llevamos tiempo con Deno, deno bundle fue una de esas características que usábamos constantemente hasta que fue deprecada en 2021. El equipo de Deno admitió que el bundling es un problema complejo y que no podían hacerlo bien.

He visto cómo ciertos estándares y herramientas se convierten en imprescindibles cuando trabajas con datos. Y si hay algo que hemos aprendido en estos años es que JSON está en todas partes: APIs, logs, configuraciones, bases de datos NoSQL… La pregunta ya no es si trabajarás con JSON, sino cuándo te enfrentarás a esa estructura anidada de 15 niveles que te hace suspirar.

El problema que todos hemos vivido

¿Cuántas veces has tenido que escribir algo como esto?

La primera versión alpha de PHP 8.5 acaba de ser liberada, y debo confesar que me tiene más emocionado que las últimas versiones. No es solo por las mejoras técnicas (que son muchas), sino porque PHP 8.5 introduce características que van a cambiar la forma en que escribimos código.

Y cuando digo “cambiar”, me refiero a ese tipo de cambios que, una vez que los usas, no puedes volver atrás. Como cuando apareció el null coalescing operator (??) en PHP 7, o las arrow functions en PHP 7.4.

Mozilla AI vuelve a sorprender: agentes de IA que funcionan con solo abrir un HTML

Hace unos días me topé con un proyecto de Mozilla AI que me ha llamado muchísimo la atención: WebAssembly Agents. Y es que después de 30 años viendo cómo la industria se complica la vida con dependencias, instalaciones y configuraciones, ver algo que funciona con solo “abrir un HTML” me ha hecho sonreír.

El problema que resuelve (y que todos conocemos)

¿Cuántas veces habéis intentado probar un proyecto de IA y os habéis encontrado con esto?

Después de muchos años trabajando con sistemas de toda índole, he visto cómo la búsqueda de información ha evolucionado desde simples bases de datos hasta los sofisticados sistemas de hoy. Pero lo que acaban de proponer los investigadores de Baidu me ha llamado especialmente la atención, y creo que marca un antes y un después en cómo pensamos sobre la recuperación inteligente de información.

El problema que todos conocemos (pero no siempre admitimos)

Si has trabajado con sistemas RAG (Retrieval-Augmented Generation), sabes que funcionan bastante bien para preguntas directas. Pero cuando te enfrentas a consultas que requieren varios pasos de razonamiento, comparar información de múltiples fuentes, o manejar datos contradictorios… ahí es donde la cosa se complica. Y mucho.