Alberto Chamorro (@achamorro_dev) header
Alberto Chamorro (@achamorro_dev) profile picture

📱 #Flutter developer at @calisteniapp 🖥 #Frontend lover 🧑‍💻 @eventos_wiki creator ☕ https://nitter.cf/t.co/TkHSFchJh3

Madrid
Joined December 2011
Photo by Alberto Chamorro (@achamorro_dev)Photo by Alberto Chamorro (@achamorro_dev)Photo by Alberto Chamorro (@achamorro_dev)Photo by Alberto Chamorro (@achamorro_dev)Photo by Alberto Chamorro (@achamorro_dev)Photo by Alberto Chamorro (@achamorro_dev)Photo by Alberto Chamorro (@achamorro_dev)Photo by Alberto Chamorro (@achamorro_dev)Photo by Alberto Chamorro (@achamorro_dev)Photo by Alberto Chamorro (@achamorro_dev)
Alberto Chamorro retweeted
mi parte friki ama las tuis, pero es innegable que una gui comunica más y mejor. llevo unos días trabajando en goatty.xyz, un cliente nativo para herdr-core, sin hooks ni dependencias adicionales. ya disponible para mac, por si quieres darle un try!
3
4
39
3,186
Alberto Chamorro retweeted
¿Sabes lo que eventos.wiki y saraoia.com tienen en común? Además de ser dos páginas increíbles para descubrir eventos tecnológicos, ambos comparten los datos de los eventos en formato OTE spec bajo CC-BY-4.0 😍: opentechevents.org/ Aquí los enlaces👇
1
3
2
119
Alberto Chamorro retweeted
dangerously good ui inside. please don't...
1
1
9
1,562
Alberto Chamorro retweeted
CTOs de Hacendado, vuestro evento ha llegado Y se llama, cómo no, Humans in the Loop 😄 Ahora sí, os cuento lo del evento de noviembre. Es un encuentro mensual en Madrid para los que desarrollamos con IA. La idea es juntarnos a contar lo que estamos viviendo en el día a día: lo que nos funciona, lo que nos ha explotado y lo que nos preocupa. Y apoyarnos un poco entre todos. Las charlas salen de la gente que se apunta. Si tienes algo que contar, lo propones al inscribirte. Primera iteración (i = 1): 📅 Jueves 12 de noviembre, de 18:00 a 21:00 📍 Madrid · @WeOrbitant 🎟️ Gratis y en persona ¿Te vienes? 👉 hitl.day
10
13
2
52
3,675
Alberto Chamorro retweeted
No todas las tareas necesitan un custom harness. En este vídeo explico cómo decido qué flujo utilizar según dos variables: - Alcance: ¿qué tan grande es el cambio? - Incertidumbre: ¿qué tan claro tengo lo que quiero construir? Todo empieza en un worktree como unidad de trabajo. A partir de ahí: - Cambio pequeño → agente directo (opencode). - Decisión de producto → spec. - Spec acotada → apply en la misma sesión. - Tarea grande + incertidumbre → Pipeline Implement + iteración (opencode). - Tarea grande + objetivo claro → Pipeline Full Cycle. - Resultado terminado → Pipeline Ship para auditar, corregir y preparar la PR. La idea detrás de Convoy no es usar más agentes. Es aplicar el nivel de estructura y automatización que necesita cada tarea haciendo frente a la limitación de contexto y alcance que tienes las sesiones individuales.
1
6
28
1,797
Alberto Chamorro retweeted
Para los que se estén preguntando en qué se diferencia Jev y para qué puede ser útil: Jev no es otro LLM, sino un modelo que toma decisiones tipadas y acotadas (Choice / Score / Noul) y devuelve probabilidad + confianza, con el flujo de control en tu código y a coste muy bajo. Los casos de utilidad deben cumplir tres cosas: 1/ Hay ground truth: decisiones ya tomadas por humanos (tickets ya clasificados, informes revisados) o criterios escritos (guías editoriales), para poder medir acuerdo y calibrar umbrales. No es requisito, pero es lo que da calidad. 2/ Es acotado y repetitivo, de alto volumen: colas y cuellos de botella, no cualquier caso. 3/ El error tiene consecuencia: la confianza te permite enrutar a un humano en vez de fallar en silencio. Les dejo algunos ejemplos en los que haremos pruebas en las próximas semanas/meses. En @calisteniapp : 1/ Búsqueda por intención (vibe search). Traducir lo que escribe el usuario en lenguaje normal, como "rutina de 15 min de espalda sin material", a filtros concretos (duración, zona, material, nivel) con su confianza, para complementar la búsqueda semántica. 2/ Moderación del feed. Ahora que tenemos una parte de comunidad, esto se vuelve imprescindible. 3/ Análisis inteligente del progreso. Ya estamos haciendo pruebas internas con LLMs para leer historial y feedback y afinar cuándo avanzar, repetir o consolidar. Todavía no está en el producto, pero ampliaremos las pruebas a modelos como Jev. 4/ Análisis de riesgo combinado: abandono, constancia, lesión. Señales que nos ayuden a acompañar a quien está a punto de dejarlo o de hacerse daño. Algunos ejemplos para @_archeproject : 1/ Guardrails sobre la salida del agente: verificar que los borradores/artículos respetan voz y tono, glosario y estructura, y que no inventan. 2/ Harness engineering: routing de modelo y clasificación de trazas para decidir cuándo usar el modelo caro. 3/ Detección de contradicciones/duplicados en la KB. Correr un Score con niveles fusionar / dejar sin enlazar / revisar curador. Detectar duplicados y contradicciones entre entradas para tener una KB coherente. Son solo algunos de los casos aplicables; veremos en cuáles marca la diferencia y en cuáles no.
well, let's give it a try
4
11
2
123
12,563
Alberto Chamorro retweeted
todo normal en mi iphone, salvo que no es mi iphone. ayer, en una tarde, con deepdeek v4.1 flash y un par de prompts completé la pieza que me faltaba en mi setup de desarrollo remoto. hace unas semanas conté que trabajo contra un mac studio en la oficina, accesible por ssh desde cualquier dispositivo con herdr. todo funcionaba igual que en local, menos para hacer qa e iterar ui. para proyectos web era fácil: bind del puerto remoto a localhost y a correr. para desarrollo móvil, no tanto. hasta ayer ;) aprovechando baguette (es la ostia), monté una pequeña app que me da acceso remoto a toda la granja de emuladores que tengo corriendo en el studio. ahora puedo tener varios proyectos ejecutándose contra distintos emuladores y probarlos en tiempo real desde mi propio móvil o desde cualquier navegador. a kilómetros de mi estación de trabajo. esto merece un: what a time to be alive :)
11
27
1
311
19,831
Alberto Chamorro retweeted
tuve tanto lío estas semanas que olvidé hace público el repo. aquí lo dejo para el que le quiera echar un ojo github.com/Inakitajes/petalo…
pétalo, la ui que chatgpt debió haber tenido. captura imagen, texto o inicia una conversación directamente. cc @sama @DarioAmodei me vendo al mejor postor, ahí lo dejo! y si no... la open-sourceamos?
1
1
10
1,779
Alberto Chamorro retweeted
Asúmelo: has perdido el control del código. Intentar recuperarlo es la batalla equivocada. Creo que los programadores tenemos que empezar a aceptar que nuestro trabajo ya no es escribir código. El rol tiene que evolucionar. Y hacerlo de manera que sigamos siendo relevantes. Que sigamos aportando valor. No se trata de cuánto código leemos o escribimos nosotros mismos. En las últimas semanas me he propuesto construir un flujo de trabajo alrededor de esta idea. El agente ya escribe código más rápido y mejor. Pero "mejor" es relativo. Tenemos que volverlo absoluto. La idea fundamental es fácil de entender, pero difícil de ejecutar: construir un sistema en el que pueda delegar prácticamente todo el ciclo de desarrollo y seguir teniendo garantías sobre el resultado. Especificación → implementación → revisión adversaria → tests → seguridad → mantenibilidad → scoring → QA. Mi trabajo es definir las invariantes correctas contra las que ejecutar todo esto de forma desatendida. Con Convoy, una feature puede estar 1-2 horas recorriendo el pipeline completo sin que yo toque nada. Cuando termina, solo me queda hacer QA de usuario final, no discutir si en la línea 18 debería usar un bucle while o for. Todavía no confío al 100% en esto para producción, y probablemente tampoco sea el flujo definitivo. Pero si algo tengo claro es que cada semana necesito bajar menos al código. Y creo que hacia ahí va nuestro trabajo. Menos control sobre cada línea de código y más control sobre el sistema que lo produce: - Sandboxing + guardrails - Spec driven design. - Scoring. - Automation. En el vídeo explico cómo estoy intentando llegar hasta ahí y qué estoy aprendiendo por el camino.
6
18
1
171
16,408
Alberto Chamorro retweeted
😱 Menudo final de año nos espera de eventos tech. ¿Has revisado nuestro calendario? Ya hemos terminado de cargarlos todos y no sabemos cuáles elegir 😅 Lo mejor será que pases a verlos, te dejo enlace aquí: eventos.wiki/calendar
1
1
2
116
Alberto Chamorro retweeted
los agentes sufren ansiedad de contexto. modelar tus procesos alrededor de esta restricción, te hace tener mejores resultados. hice una prueba: misma review, mismos modelos. - A: la auditoría en un único prompt - B: separando clean code, security y bugs en contextos independientes. el split costó ~30% más y tardó prácticamente lo mismo. pero encontró bastantes más problemas relevantes. con los modelos actuales: contexto más cohesionado y acotado (no necesariamente corto) >>> agentes intentando hacerlo todo.
2
12
1,301
Alberto Chamorro retweeted
epa, +75 stars en github. para la mayoría será poco, pero es lo más lejos que he llegado en open source jaja. btw, rebrand completado: archer es ahora convoy! seguimos testeando Kimi K3. No es la web más fina. Pero para ser one-shot y buscando algo meramente funcional, es top.
1
3
10
712
Alberto Chamorro retweeted
quizás debería rebautizarla como ultimate-token-burner (utb-cli). - paralelización de steps, done. - multi-model step, done. más rápido y mejores resultados, pero quemando a saco. merece la pena? denme una semanas para seguir testeando. en breve se viene videotutorial.
1
1
7
545
Alberto Chamorro retweeted
codexbar está guapo, pero con tanto supply-chain attack, no me gusta estar metiendo más opensource de la cuenta en el pc. así que me hice un mini CLI con Fable 5 (antes de que lo quitaran) para controlar el usage de codex + claude. poco código, casi zero deps y al grano. la tienen en mi github si les interesa :)
1
4
421
Alberto Chamorro retweeted
La IA programa mal. Pero no es un tema de ego: es un tema de ecosistema. Partimos de una base que aún no estaba bien cimentada. Las ideas estaban, pero no se habían interiorizado. Y tiene solución. Te cuento más aquí: adrianferrera.dev/es/blog/ai…
1
4
1
8
346
De vuelta por #CommitConf este 2026 ☺️
125
Alberto Chamorro retweeted
Algo grande se está cocinando en #CommitConf. 🚀 Este año nos hemos propuesto romper moldes con un proyecto que cambiará la forma de vivir los eventos, ¡y no solo en el sector tecnológico! 💥La cuenta atrás ha comenzado.
3
5
389
Alberto Chamorro retweeted
Después de gastar billones de tokens, creo que ya puedo sacar una conclusión bastante clara: La gente está optimizando el coste equivocado. He probado decenas de modelos, editores y agentes: Codex, Claude Code, Cursor, OpenCode, Codex Cloud, múltiples providers y configuraciones. Llevo desde gpt-3.5 usando IA para programar. Al principio como asistente y desde diciembre del año pasado, no escribo código manualmente: programo exclusivamente con IA. Además lo he hecho en proyectos reales. En productos en producción con millones de usuarios, como Calisteniapp. Me costó todo este tiempo darme cuenta de qué es lo realmente importante a la hora de elegir modelos y tools. La mayoría mira únicamente el precio por millón de tokens, o el uso que tiene incluido en la suscripción de turno, y la calidad del resultado. Tienden a usar el mejor modelo calidad/precio que se pueden permitir. Pero esta métrica, aislada, no significa nada. Porque el verdadero coste no son los tokens. Es el efecto compuesto: - el número de iteraciones, - el tiempo humano, - la carga mental, - la pérdida de flow, - y el coste de revisar trabajo mediocre. Con modelos baratos tipo Kimi K2.6, para una misma tarea, normalmente necesito 1 o 2 iteraciones más que con GPT-5.5 o modelos sota. Sí, el modelo barato cuesta 2-3 veces menos por token. Pero si necesito: - más prompts, - más revisiones, - más contexto, - más correcciones, - y más tiempo pensando… Entonces el modelo "barato" termina siendo más caro. Porque no estás pagando solo tokens. Estás pagando tiempo humano y carga cognitiva. Y el tiempo humano de un programador senior no vale precisamente poco. Tomemos un baseline conservador: 40 céntimos por minuto. Si un modelo mediocre me hace perder 10 minutos extra revisando, iterando o corrigiendo, ya he gastado 4€ invisibles. Ese es el coste oculto de usar modelos "calidad/precio". Y esto se vuelve todavía más evidente usando modos xhigh o max. Mucha gente piensa: no compensa, consume demasiados tokens. En mi experiencia, la mayoría de las veces ocurre exactamente lo contrario. Los modos de razonamiento profundo suelen ser más baratos en coste total real porque: - resuelven mejor, - hacen menos errores, - necesitan menos iteraciones, - y llegan mucho más cerca del one-shot. A veces gastas más tokens. Pero menos tiempo humano. Y eso es lo importante. Pero hay otro factor más que la gente subestima y que casi nadie mide: La velocidad de inferencia. Hay tareas donde no necesitas el modelo más inteligente del planeta. Por ejemplo: - commits, - pushes, - tareas mecánicas, - scripting simple, - operaciones repetitivas. Pero ahí tampoco compensa necesariamente usar modelos lentos y baratos. Compensa usar modelos suficientemente inteligentes… pero absurdamente rápidos. Modelos como GLM 4.7 o GPT OSS 120B en providers optimizados pueden trabajar a cientos o incluso miles de tokens por segundo. ¿Resultado? Tareas que antes tardaban 2 minutos pasan a tardar 10 segundos. Y otra vez: el ahorro no está en tokens. Está en no romper el flow. Dos minutos esperando un commit automático son dos minutos donde tu cerebro sale del contexto. Son dos minutos de tu tiempo que cuestan mucho más que esos tokens. Te sugiero cambiar el chip: - No optimizar €/millón de tokens. - Sino optimizar coste total cognitivo y operativo. Si te interesa saber qué modelos y configuraciones uso, en mi perfil tienes un repo abierto con todo. Si piensas diferente, me gustaría conocer tu opinión.
11
10
5
84
19,884
Alberto Chamorro retweeted
- planeas con gpt-5.5 xhigh - /implement usa glm-4.7 para lanzar un worktree para cada tarea no te casas con nadie, pagas por lo que usas. amo @opencode
2
1
11
855