
Setive: preparar Windows y WSL sin sobrescribir el entorno del desarrollador
Planificación pura, idempotencia, verificación del estado real y deshacer seguro: decisiones técnicas de Setive y límites de sus pruebas.
Blog
Notas técnicas sobre arquitectura, productos digitales, IA y entrega de software.
Suscribirse por RSS
Planificación pura, idempotencia, verificación del estado real y deshacer seguro: decisiones técnicas de Setive y límites de sus pruebas.

Cómo un configurador en Next.js convierte respuestas en un sitio estático exportable sin backend obligatorio y comparte la misma fuente entre preview y producción.
Cómo rodear un componente probabilístico con invariantes deterministas de créditos, privacidad, idempotencia, leases y coste en un producto con IA.
ScriptC compila TypeScript a binarios nativos mediante LLVM y solo incorpora un motor JavaScript cuando activas el modo dinámico. Analizo dónde encaja y qué no sustituye.

Los coding agents abarataron la producción de código. Eso no hizo menos importantes la arquitectura, la legibilidad y los tests: cambió dónde debemos hacer cumplir esos principios.
Kimi K3 y K2.8 llevan los coding agents a contextos enormes. Es útil, pero cargar un repositorio entero no sustituye retrieval, herramientas, tests ni un buen harness.
Kimi, Jev, Agents API y los nuevos coding agents dejan algo claro: el diferencial se mueve del modelo aislado hacia el harness, las herramientas y la verificación.
Jev propone una capa distinta para agentes: decisiones tipadas, probabilidades y confianza. Lo interesante no es sustituir LLMs, sino dejar de usarlos para todo.
Qué cambió en mi forma de entender MCP: diseño stateless, autorización, tools, entornos privados, Tasks y por qué conectar un agente a sistemas reales es un problema de arquitectura y seguridad.
Cómo diseñé un pipeline local para datos corporativos sensibles: Excel irregular, normalización, IA local, reglas verificables, corrección humana y Power BI sin convertir un chatbot en fuente de verdad.
Después de años con JavaScript y Node.js, añadí Python y FastAPI a mi stack de IA. No por moda, sino para elegir la mejor frontera para cada ecosistema.
La arquitectura y los trade-offs detrás de DevAgent: un agente que lee una tarea, modifica código, ejecuta checks y entrega un pull request revisable.
Cómo construí Praxis: un único árbol de objetivos renderizado como lista, mapa 2D y constelación 3D, con progreso derivado, prevención de ciclos, colaboración e IA opcional.
Lo que aprendí construyendo Flora Psicologia: SEO técnico, contenido sin sensacionalismo, agendamiento simple, datos sensibles y una arquitectura pensada para confianza y no para presión comercial.
Cómo modelé Eurologado: IA para redactar y organizar, reglas estructuradas para validar, versionado, evidencia y trazabilidad de auditoría en un dominio regulatorio.
Detrás del portal de Estúdio Dupla Face: plano interactivo, coordenadas responsivas, RLS, documentos privados con URLs firmadas y un sitio público que sobrevive a fallos de base de datos.
Cómo modelé un e-commerce de impresión 3D bajo demanda con preview en el navegador, aprobación auditable, límites modulares y tests enfocados en el riesgo irreversible de la producción física.
Cómo construí Digital Tech MS: precios configurables calculados en servidor, presupuestos, pedidos inmutables, aprobación de arte y un flujo de producción que trata el error físico como riesgo de negocio.
Detrás de PulseWatch: health checks, transiciones de estado, thresholds, alertas multicanal, aislamiento multi-tenant y decisiones para que monitorear no se convierta en ruido.
Lo que aprendí al migrar un SaaS de marketing analytics hacia una arquitectura orientada a eventos con Kafka, Go, ClickHouse y PostgreSQL sin detener el producto.
Cómo diseñé mi portafolio para demostrar decisiones de ingeniería, contar casos reales y generar confianza antes de la primera conversación.