1. OKF Agent Memory lanza memoria persistente nativa de Git
OKF Agent Memory es una capa de memoria persistente nativa de Git, neutral respecto al dominio, diseñada para agentes de codificación de IA. Construida en Go sin dependencias externas, la herramienta con licencia MIT almacena las memorias de los agentes como archivos Markdown simples con frontmatter YAML directamente dentro del repositorio del proyecto. Incluye un servidor de Model Context Protocol (MCP) integrado para una integración fluida con herramientas como Claude Code y Cursor, utilizando indexación léxica BM25 local para eliminar los costos de API de incrustación vectorial y la latencia de red.
- • OKF Agent Memory es una capa de memoria persistente nativa de Git para agentes de IA basada en el Open Knowledge Format v0.2.
- • El sistema almacena la memoria como archivos Markdown simples con frontmatter YAML directamente dentro del repositorio del proyecto.
- • Cuenta con un servidor de Model Context Protocol (MCP) integrado para la integración con Claude Code y Cursor.
- • Utiliza indexación léxica BM25 local, logrando tiempos de búsqueda inferiores a 300µs y eliminando los costos de API de incrustación vectorial.
- • La herramienta está escrita en Go sin dependencias externas y se publica bajo la licencia MIT.
- • Emplea divulgación progresiva y un principio de búsqueda antes de escritura para gestionar la sobrecarga de contexto y evitar la duplicación.
Los desarrolladores pueden equipar a sus agentes de codificación con una memoria persistente rápida, local y nativa de Git sin incurrir en costos de bases de datos vectoriales o API de incrustación.
2. Nous Research añade configuración local con un clic a Hermes Desktop
Nous Research ha actualizado su aplicación Hermes Desktop con una función de configuración de modelos locales con un solo clic que automatiza la detección de hardware, la selección de modelos y la configuración del tiempo de ejecución. La aplicación gratuita, con licencia MIT, gestiona su propia compilación de llama.cpp para admitir CUDA, Metal, Vulkan y otros backends. Para evitar la degradación del rendimiento, el software utiliza un sistema codificado por colores para mostrar la compatibilidad de la memoria GPU, aplica un límite mínimo de cuantización de 4 bits y descarga automáticamente los modelos inactivos después de 15 minutos.
- • Nous Research añadió una función de configuración de modelos locales con un clic a su aplicación gratuita Hermes Desktop con licencia MIT.
- • El software detecta automáticamente el hardware, selecciona un modelo compatible, descarga los pesos y configura el tiempo de ejecución de llama.cpp.
- • Admite backends CUDA, Metal, Vulkan, HIP y CPU en macOS, Windows y Linux.
- • Un sistema codificado por colores indica si un modelo cabe en la memoria de la GPU (verde), si se desborda a la RAM del sistema (ámbar) o si es demasiado grande (rojo).
- • La aplicación aplica un límite mínimo de cuantización de 4 bits, ocultando los modelos que se desbordarían a la RAM del sistema a 4 bits.
- • Gestiona automáticamente ventanas de contexto de hasta 64K y descarga los modelos inactivos después de 15 minutos de inactividad.
Los desarrolladores pueden configurar y ejecutar rápidamente modelos locales en sus máquinas sin configurar manualmente los tiempos de ejecución, los niveles de cuantización o los backends de hardware.
3. Adaption Labs lanza un generador de conjuntos de datos sintéticos
Adaption Labs ha lanzado 'Invent a Dataset', una nueva función diseñada para generar conjuntos de datos de entrenamiento sintéticos directamente a partir de descripciones de tareas en lenguaje natural. Al eliminar la necesidad de un corpus semilla, un esquema o una guía de etiquetado manual, la herramienta simplifica la fase de preparación de datos para el ajuste fino (fine-tuning). Los desarrolladores pueden acceder al servicio a través de un SDK de Python o una API REST para generar pares de solicitud-finalización para el ajuste fino supervisado o pares de elegido-rechazado para el entrenamiento basado en preferencias.
- • Adaption Labs lanzó 'Invent a Dataset' para generar conjuntos de datos listos para el entrenamiento a partir de descripciones de tareas.
- • La herramienta no requiere un corpus semilla, un esquema o una guía de etiquetado para iniciar la generación.
- • Es accesible a través de la aplicación Adaption, el SDK de Python y la API REST, exportando a JSONL, JSON, CSV o Parquet.
- • Admite pares de solicitud-finalización para el ajuste fino supervisado y pares de elegido-rechazado para el entrenamiento basado en preferencias.
- • Los conjuntos de datos generados se integran directamente con la herramienta AutoScientist de Adaption para cooptimizar los datos y las recetas de entrenamiento.
- • El servicio se ejecuta en la plataforma alojada de Adaption y se factura en función de las filas expandidas.
Los desarrolladores pueden generar conjuntos de datos de entrenamiento sintéticos de alta calidad para el ajuste fino sin necesidad de un corpus semilla existente o guías de etiquetado manual.