Un nuevo informe técnico de Anthropic analiza cómo estructurar la persistencia de datos en agentes autónomos, dividiendo el problema entre memoria de trabajo inmediata, almacenamiento semántico episódico y recuperación contextualizada. La investigación subraya que alimentar agentes con historiales completos de interacción degrada la precisión y dispara los costos de inferencia.
Por qué importa — Fija principios de ingeniería claros para construir sistemas multi-sesión confiables sin depender únicamente de ventanas de contexto gigantes.
Hacker News (portada) · 2026-11-07 ·
fuente
AWS detalló una arquitectura para implementar servidores del protocolo Model Context Protocol (MCP) sobre Amazon ECS y Fargate de forma serverless. El enfoque desacopla la lógica de integración de los modelos de lenguaje, permitiendo que múltiples agentes consulten esquemas y metadatos de lagos corporativos de datos con permisos granulares sin cablear credenciales en cada cliente.
Por qué importa — Estandariza el puente entre agentes autónomos y repositorios corporativos de datos mediante un protocolo abierto y control de acceso centralizado.
AWS Machine Learning Blog · 2026-11-06 ·
fuente
Tras reportar un salto semanal a más de 1.200 millones de commits en su plataforma, GitHub publicó un análisis sobre el cuello de botella actual en el ciclo de desarrollo: mientras que escribir código se automatizó en gran medida, la planificación de arquitectura, la revisión de PRs y el diagnóstico de incidentes en producción siguen exigiendo supervisión crítica. La guía propone patrones para delegar tareas completas a agentes manteniendo al programador como auditor final.
Por qué importa — Confirma que la ventaja competitiva en desarrollo de software se traslada de la velocidad al escribir sintaxis a la capacidad de orquestar y auditar agentes autónomos.
GitHub Blog AI · 2026-11-06 ·
fuente