44 posts
Specs copy-paste the product on every increment, and coding agents paraphrase business rules into forks nobody decided. The fix is the same fix we applied to code decades ago: define the rule once, canonically, and make every spec cite it.
Andrej Karpathy's LLM Wiki and Product Definition as Code share a substrate: persistent, Git-backed, agent-friendly Markdown. But they establish fundamentally different contracts around truth, authority, semantics, and delivery. This article takes the comparison seriously.
AI-assisted delivery is probabilistic, but product boundaries do not have to be. Product Definition as Code provides a bounded product ontology before the backlog and the spec, while keeping runtime enforcement where it belongs: in the software.
AI accelerates software delivery and shifts the bottleneck to product thinking. I propose Product Definition as Code: a versioned graph of product artifacts that provides deterministic context to agents and humans before a single line of code is written.
What LLM quantization is, how GPTQ, AWQ, QLoRA, and GGUF work, and how to choose the right method for local inference, GPU serving, or fine-tuning.
VS Code's Agents Window is not just a UI: it's a multi-engine harness hosting Copilot CLI, Claude, and cloud agents. How the IDE became an operating system for software engineering agents.
How Copilot CLI hosts OpenSpec and Spec Kit flows on local hardware: propose, apply, archive. Why bounded inference cost makes specification-driven iteration practical.
How custom instructions, AGENTS.md, and skills give your local Copilot the context it needs to stop making stupid mistakes.
How MCP servers turn a local LLM into a real agent: test runners, linters, semantic search, and why tool access compensates for weaker reasoning.
The complete setup guide: vLLM and llama.cpp configs, environment variables, the dual-mode trick, debugging /v1/models, every failure mode, and why owning the runtime changes the equation.
Text becomes tokens, tokens become vectors, vectors consume memory, and memory pressure adds latency. A complete breakdown of the LLM inference pipeline.
Running out of tokens? Will you be part of this new form of slavery or will join the local ai rebellion? Your AI. Your rules.
AI can generate code faster than we can govern it. This article connects drift, specs, OpenSpec, and GitHub Spec Kit through the idea that really matters now: orchestration.
How specification-driven development serves as a control system to maintain product consistency when AI generates code at unprecedented speeds.
Practical guide to GitHub Copilot Premium Request Units (PRUs): what features consume them, what doesn't, and how to optimize usage when using Copilot autocomplete, chat, CLI, agents, and code reviews.
Bridging the API gap between Claude Code (Anthropic) and local models using a lightweight proxy. Complete guide with architecture diagrams and autostart configuration.
Cómo diseñar y orquestar workflows para agentes usando Microsoft Agent Framework y Docker Model Runner (MAF + DMR).
Configure MAF with DevUI and Docker MCP Gateway + DMR: integration pattern, workaround for streaming and examples in Python.
Cómo usar el Model Context Protocol (MCP) con Microsoft Agent Framework: conectar herramientas locales, DMR y crear agentes que actúen con seguridad.
Laboratorio práctico con MAF: implementar el ciclo SPAR (Sense, Plan, Act, Reflect) usando Docker Model Runner y MCP para reasoning local.
Guide to increase Docker Model Runner context window (max_tokens) to support long multi-tool reasoning sessions.
Build a local chat agent with Microsoft Agent Framework, EF Core and Docker Model Runner for persistent, offline multi‑turn conversations.
Practical guide to running Microsoft Agent Framework locally with Docker Model Runner: examples in .NET and Python, offline and without keys.
How to add and control tools in declarative agents with Docker cagent: shell, filesystem, MCP and local execution risks.
How to add persistent memory to Docker cagent agents: design, SQLite, and practical examples for local wizards.
Resumen claro de qué son los AI agents: ciclo SPAR (Sense, Plan, Act, Reflect), cómo funcionan y qué se necesita para implementarlos de forma segura.
Introducción a Docker cagent: agentes AI en YAML, ejecución local con DMR y por qué declarative agents facilitan reproducibilidad y experimentación.
Step-by-step guide to run models locally with Docker Model Runner using GPU: enable DMR, pull and run models, and expose them via REST API.
Cómo instalar Docker Desktop y mover sus datos a otra unidad (p.ej. D:) en Windows: comandos, opciones y pasos para evitar llenar C:.
Arquitectura y medidas para evitar exfiltración por LLMs: identity propagation, adapters seguros, provenance, auditoría y defensa contra prompt injection.
How to build a cost‑efficient 4‑GPU AI workstation in Europe, balancing price and performance for local LLM training.
Mapa práctico del ecosistema IA: modelos, ML, Deep Learning, RAG y agentes; para entender qué herramientas y enfoques elegir por caso de uso.
Cómo PYMES pueden entrenar IA privada combinando RAG y fine-tuning para proteger datos y obtener modelos personalizados.
Reflexión sobre qué habilidades enseñar a los niños ante la llegada de la IA: pensamiento crítico, empatía y colaboración humano-máquina.
Introducción a Radicle: colaboración Git descentralizada P2P, privacidad y guía práctica para publicar y sincronizar repositorios.
Lecciones prácticas del Cuerpo de Marines para implementar IA a escala: foco en datos, operaciones, equipos y resultados, no solo modelos.
Guía para usar IA en desarrollo sin ceder código ni datos: alternativas autocustodiadas y criterios de seguridad.
Guía para ejecutar un asistente de codificación local con Tabby ML en Windows/WSL usando GPU: instalación, configuración y arranque.
Cuatro escenarios sobre el futuro con IA, combinando conversaciones con modelos y análisis filosófico-práctico sobre riesgos y oportunidades.
Curso práctico de Azure AI con labs en Python y C#: visión por computadora, NLP, minería de conocimiento y despliegue.
Introducción práctica a los servicios Azure AI: cómo empezar, configurar recursos y ejemplos con Python, .NET y Postman para crear soluciones IA.
Módulo práctico para crear soluciones de visión por computadora con Azure AI: clasificación, OCR, reconocimiento facial y ejemplos en Python y C#.
Cómo crear una CLI con Azure AI para eliminar fondos de imágenes (individual y por lotes). Rápida, multiplataforma y con código abierto.
Introducción a Web 3.0: qué es, cómo blockchain e IA la impulsan y qué retos y oportunidades presenta para empresas y usuarios.