#espanol — Public Fediverse posts

Looking for a #language exchange partner in #barcelona to meet and chat in person!

#English native, learning #Spanish

Busco compañerx de intercambio de #idioma en Barcelona para quedar y charlar en persona!

Nativo de #inglés aprendiendo #español

#languageexchange

Hoy, en el blog… El camino del talento

Un diluvio de bazofia cae, impenitente, sobre la cultura humana. Diluyéndola. Llevándola a la media y al conformismo. ¿No es eso lo que pretendían los totalitarismos del siglo pasado, solo que «bien hecho»?

El camino del talento

HybridAgent se vuelve viral en Hacker News: cómo combinar IA y texto para ahorrar tokens y planificar con precisión

Introducción

¿Te imaginas un asistente que razona sobre datos estructurados sin gastar miles de tokens y, al mismo tiempo, escribe respuestas naturales? Esa es la promesa de los agentes híbridos IA: separan el pensamiento (operaciones simbólicas sobre embeddings) de la acción (generación de texto).

En la última semana, el proyecto HybridAgent explotó en Hacker News (más de 12 k votos) demostrando que esta arquitectura no solo reduce el consumo de tokens entre un 60 % y 80 %, sino que también permite planificaciones complejas —desde depurar código hasta organizar viajes— con una latencia competitiva.

A continuación desglosamos el concepto, resumimos el artículo arXiv 2610.18861, y te guiamos paso a paso para montar tu propio agente híbrido con Docker y HuggingFace. Incluimos ejemplos en Python y Node.js, tabla de costos, script de monitor de tokens con alertas a Slack y una checklist de pruebas y seguridad.

1. ¿Qué es un agente híbrido?

En esencia, el agente piensa con álgebra lineal y habla con un LLM solo cuando es necesario.

2. Resumen del paper arXiv 2610.18861

3. Tutorial rápido: montar HybridAgent con Docker

3.1. Pre‑requisitos

# Docker ≥ 20.10, docker‑compose, Python 3.10+, Node 18
sudo apt-get update && sudo apt-get install -y docker docker-compose

3.2. Estructura del proyecto

hybrid-agent/
├─ docker-compose.yml
├─ backend/
│ ├─ Dockerfile
│ ├─ requirements.txt
│ └─ app.py
└─ frontend/
├─ Dockerfile
└─ server.js

3.3. docker-compose.yml (versión mínima)

version: "3.9"
services:
api:
build: ./backend
ports: ["8000:8000"]
environment:
- MODEL_NAME=gpt2-medium
- INDEX_PATH=/data/faiss_index
volumes:
- ./data:/data
web:
build: ./frontend
ports: ["3000:3000"]
depends_on:

[api]

3.4. Backend (Python) – razonamiento + llamada al LLM

# backend/app.py
import os, json, torch
from fastapi import FastAPI, Request
from transformers import AutoModelForCausalLM, AutoTokenizer
import faiss, numpy as np

app = FastAPI()
tokenizer = AutoTokenizer.from_pretrained(os.getenv("MODEL_NAME"))
model = AutoModelForCausalLM.from_pretrained(os.getenv("MODEL_NAME"))

# Cargar índice FAISS
index = faiss.read_index(os.getenv("INDEX_PATH"))

def razonamiento(query: str) -> str:
# 1️⃣ Embedding de la query
vec = tokenizer(query, return_tensors="pt")["input_ids"]
embedding = model.transformer.wte(vec).mean(dim=1).detach().cpu().numpy()
# 2️⃣ Búsqueda de los 5 vecinos más cercanos
_, ids = index.search(embedding, 5)
# 3️⃣ Recuperar documentos (simulado)
docs = [f"doc-{i}" for i in ids[0]]
return " | ".join(docs)

def generar_respuesta(context: str) -> str:
inputs = tokenizer(context, return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=80)
return tokenizer.decode(output[0], skip_special_tokens=True)

@app.post("/ask")
async def ask(request: Request):
body = await request.json()
query = body["question"]
reasoning = razonamiento(query) # sin tokens
answer = generar_respuesta(reasoning) # solo una llamada LLM
return {"reasoning": reasoning, "answer": answer}

3.5. Frontend (Node.js) – interfaz sencilla

// frontend/server.js
const express = require('express');
const fetch = require('node-fetch');
const app = express();
app.use(express.json());

app.post('/chat', async (req, res) => {
const resp = await fetch('http://api:8000/ask', {
method: 'POST',
headers: {'Content-Type':'application/json'},
body: JSON.stringify({question: req.body.question})
});
const data = await resp.json();
res.json(data);
});

app.listen(3000, () => console.log('Frontend listening on 3000'));

3.6. Lanzar todo

docker compose up --build -d
# probar
curl -X POST http://localhost:3000/chat -H "Content-Type: application/json" \
-d '{"question":"¿Cuál es la ruta óptima de Madrid a Barcelona?"}'

4. Casos de uso reales

5. Análisis de pros y contras

6. Tabla de costos estimados (AWS)

*Cálculo basado en precios on‑demand de us‑east‑1, sin descuentos de reserva.

7. Monitor de tokens y alertas Slack

python
# token_monitor.py
import os, time, requests
from slack_sdk import WebClient

SLACK_WEBHOOK = os.getenv("SLACK_WEBHOOK")
THRESHOLD = int(os.getenv("TOKEN_LIMIT", "50000

---
*Herramienta mencionada: [Groq Cloud](groq.com)*#hybridagent #viralizando #hacker #espanol #software #coding #development #engineering #inclusive #community
HybridAgent: IA híbrida que ahorra tokens y mejora la planificación

English below:
¡Vaya, punx.social ya está disponible en español!

Muchísimas gracias a @axel por su trabajo y por la traducción.

Así que difundid la noticia de que punx.social ya está disponible también en español

https://punx.social/es

Si podéis ayudarnos con otros idiomas, poneros en contacto con nosotros.

¡En breve se podrá traducir la web sin necesidad de saber usar GIT ni nada parecido!

(translated with deepL, sorry if it's bad Spanish)
---------------------

Wow, punx.social is now available in Spanish!

A huge thank you to @axel for his work and the translation.

So spread the word that punx.social is now available in Spanish too

https://punx.social/es

If you can help us with other languages, please get in touch.

Soon, you’ll be able to translate the website without having to know GIT or anything like that!

@punk #punk #spanishpunk #southamerica #latinpunk #southamericanpunk #spanisch #español #punkRockEspanol #punxsocial #punkstodon #punktube #PUNKdotPHOTOS