Tag archive
Use HyperFrames para crear un video sobre HyperFrames y deje abierto todo el proceso: repo, comandos, errores, capturas, audio, captions, renders y evidencia.
OpenTelemetry no mejora la performance. Mejora la calidad del diagnóstico cuando una request lenta mezcla DB, downstream, N+1 y errores parciales. Este laboratorio reproducible muestra qué señales quedan ocultas si solo tenés logs, y qué aparece cuando mirás el trace.
OpenTelemetry doesn't improve performance. It improves diagnostic quality when a slow request mixes DB, downstream, N+1, and partial errors. This reproducible lab shows which signals stay hidden when you only have logs, and what appears when you look at the trace.
Armé un laboratorio reproducible para comparar Prisma 5 contra Spring Boot JdbcTemplate sobre el mismo PostgreSQL 16. Lo que encontré no fue un ganador: fue que el shape de la query y el N+1 explican casi todo, y que culpar al ORM es demasiado fácil.
Un experimento reproducible con Spring Boot 3, Java 21 y k6 para medir cuándo un retry mejora disponibilidad y cuándo amplifica una caída. La métrica que importa no es el p95: es el retry_amplification_factor.
Un p95 bajo con 97% de error rate no es un pool rápido: es un pool que falla rápido. Armé un experimento reproducible con Spring Boot 3, PostgreSQL y k6 para entender qué señales importan de verdad — y cuáles te engañan.
El thread de HN decía que Claude Code bloqueaba o redirigía billing si OpenClaw aparecía en el historial Git. Armé un repo público, un harness reproducible y corrí la matriz. En Claude Code 2.1.126 no reproduje el bloqueo.
Difeo línea por línea los system prompts públicos de Claude entre versiones y mapeo los cambios de comportamiento que ya estaba observando en producción antes de saber que el prompt había cambiado. El canario que no tenía.
Un post de HN con 150 puntos me llevó a construir un intérprete de Python desde cero. No aprendí Python. Aprendí exactamente dónde me miente la IA cuando genera código.
El 45% de reducción de tokens es real. Lo que no mide nadie es cuánto contexto implícito perdés en el camino. Armé un benchmark propio y los números son más complejos de lo que el headline sugiere.
Entrenás en Python, deployás en Java, Go o lo que tengas. m2cgen convierte tus modelos de scikit-learn en código nativo sin ninguna dependencia de runtime.
Prompt largo vs corto, tool calls vs texto plano, contexto acumulado vs resumido. Medí el costo en tokens de cada decisión arquitectónica en mis agentes reales. Los números no son los que esperaba.