BLOG TECH

La gente llega al self-hosting de distintas formas. En mi caso, como para muchos otros, empezó con una sola aplicación que quería instalar en mi propio servidor. Al principio era sobre todo curiosidad técnica, ganas de entender cómo funciona todo y aprender algo por el camino. Después te enganchas y empiezas a añadir otra aplicación, luego una tercera, una cuarta, y cuando te das cuenta tienes todo un zoológico de servidores, algunos con varias apps cada uno.

Déjame contarte por qué empecé a buscar un monitor de uso de tokens. Cuando trabajo en algo, normalmente me meto de lleno en el tema. En mi cabeza se forma una red mental frágil hecha de trozos de información variada: la tarea en sí, fragmentos de código, ideas que se solapan entre un montón de pestañas abiertas, documentación, artículos guardados, respuestas de varios LLM, etc. Y entonces, justo en medio de todo esto, normalmente en el peor momento posible, tu LLM principal te dice que se te ha acabado la cuota.

Durante ocho años, MacUpdater hizo en silencio uno de los trabajos más ingratos de macOS: rastrear apps desactualizadas y permitirte actualizarlas con un solo clic. Unas 6.800 aplicaciones se monitorizaban en tiempo real, con datos de versiones almacenados para aproximadamente 100.000 más. Entonces, el 1 de enero de 2026, CoreCode cerró el proyecto.

Si todavía tienes MacUpdater 3.5 instalado, seguirá funcionando. CoreCode lanzó una última versión gratuita con todas las funciones Pro desbloqueadas, y planean mantener el servidor de base de datos activo hasta finales de 2026. Pero el trabajo diario de mantenimiento que hacía que la herramienta fuera realmente útil ha terminado. Ya están apareciendo falsos positivos, y solo irá a peor desde aquí. Así que, para todos los que les gusta mantener sus apps al día, la pregunta de qué reemplaza a MacUpdater está muy presente.

Este mes la AI empezó a gestionar negocios, no solo a asistir. Marzo fue sobre cómo la AI empezó a actuar. Abril es sobre cómo empezó a gestionar. Los agentes ya negocian contratos, corren en silicon propio y se instalan en tu terminal antes de que abras un archivo. La era del “AI como chatbot” terminó.

Siete cosas que merecen tu atención.

1. Harness Engineering es el trabajo real ahora

Todo el mundo predijo la muerte del desarrollador de software. Luego Anthropic filtró accidentalmente 512.000 líneas de código de su Claude Code CLI. Lo que había dentro es lo interesante: no una capa fina sobre un modelo, sino un sistema de scaffolding masivo con gestión de memoria, bucles de consulta self-healing y capas de coordinación entre agentes (incluyendo algo llamado el KAIROS background daemon), todo diseñado para evitar que el modelo colapse bajo su propio peso.

Febrero fue ruidoso con anuncios. Marzo fue más tranquilo, pero lo que realmente salió a producción importa más que lo que se mostró en un escenario. El tema del mes: los modelos de AI ya no solo responden preguntas. Están haciendo clic en botones, escribiendo código, borrando correos (más sobre eso después) y ejecutándose en hardware que habría parecido absurdo hace un año.

Siete cosas a las que vale la pena prestar atención.

Cloudflare lanzó recientemente Dynamic Workers en beta abierta - sandboxes rápidos para agentes AI. La empresa afirma que funcionan 100 veces más rápido que los contenedores tradicionales al ejecutar código generado por agentes AI. Es una afirmación bastante seria. Veamos qué hay detrás.

Los contenedores son demasiado pesados para los agentes AI

Los agentes AI modernos no solo responden preguntas, también pueden escribir y ejecutar código sobre la marcha. Un agente puede generar un pequeño script para llamar a una API, procesar datos o completar una tarea. Ese código necesita ejecutarse en algún lugar. Por razones de seguridad, es mejor hacerlo en un sandbox, aislado del resto del sistema.

Llevo usando Obsidian bastante tiempo. Unas tres veces lo empecé y lo dejé. Pero ahora se quedó en mis dispositivos para largo, y poco a poco se va integrando en mis procesos de trabajo y personales. Todavía me queda un largo camino para aprender a usarlo de forma eficiente. Lo que me atrae es que todo se almacena localmente en archivos Markdown normales, funciona de manera muy estable, se sincroniza entre dispositivos fácil y rápido (con Syncthing) y tiene un enorme universo de plugins. Si todavía no lo probaste, te recomiendo empezar por el sitio oficial.

Si alguna vez intentaste mostrar datos tabulares en un sitio Hugo, sabes lo rápido que todo se complica. Digamos que tienes un buen archivo CSV con rankings de aplicaciones, comparaciones de precios o resultados de benchmarks. Para convertirlo en una tabla bonita en la página, tendrás que pelear con el marcado Markdown o escribir HTML a mano. Las dos opciones son regulares, y las dos escalan mal.

Me topé con esto lo suficiente como para terminar construyendo una herramienta decente, un shortcode llamado csv-table. Le apuntas a un archivo CSV y obtienes una tabla HTML estilizada, ordenable y adaptable. Una línea en tu contenido, cero marcado manual.

Existe esta aplicación increíble llamada Raycast que me ayudó exitosamente a reemplazar varias utilidades de pago. La he estado usando por mucho tiempo y ya se ha integrado tanto en mi rutina diaria de trabajo en MacBook que se ha vuelto memoria muscular. Es extraño que Apple no haya podido llevar su Spotlight a este nivel, pero ese es otro tema.

Si te interesa saber por qué específicamente Raycast, entonces lee el artículo Alfred vs Raycast vs Monarch. Ahí hay consejos útiles sobre cómo usar Raycast.

El reconocimiento facial es una tecnología clave que impulsa múltiples soluciones: desde desbloquear smartphones hasta sistemas complejos de seguridad. Hoy en día el mercado ofrece decenas de modelos, cada uno prometiendo alta precisión y velocidad. ¿Pero cómo navegar esta diversidad y elegir el adecuado para tu proyecto específico?

Ya sea una app móvil con reconocimiento facial en tiempo real o un sistema de videovigilancia con altos requisitos de precisión, elegir el modelo correcto es crítico. Estudiar pruebas comparativas y revisiones de algoritmos líderes en detección y tracking facial es el primer paso hacia una implementación tecnológica efectiva. Este enfoque no solo ayudará a ahorrar recursos, sino también a lograr un rendimiento estable y rápido en condiciones reales.