Gobernanza Open Source on SoloSoft

Headroom con 77.253 estrellas: 300 líneas de log comprimidas a cero y cuatro cifras de ahorro distintas para la misma herramienta

Thu, 22 Oct 2026 00:00:00 +0000

Headroom comprime lo que lee tu agente antes de que el modelo lo vea. La descripción en GitHub lo resume en una línea: «20% fewer tokens for coding agents, 60-95% fewer tokens for JSON, same answers». La página de PyPI dice «Cut costs by 50-90%». La tabla de pruebas del README dice 21%, 57%, 42% y 30%.

Son cuatro afirmaciones distintas en cuatro superficies que controla el mismo equipo. Este artículo mide qué hace la librería con siete tipos de carga útil y después compara cada cifra publicada con todas las demás, porque el propio repositorio contiene la prueba de que sus números de portada no eran reproducibles: «by anyone, including us», según un script que ellos mismos distribuyen.

Ponytail con 169.651 estrellas: una regla de 2.721 bytes y el ahorro del 26% que se queda en 1,7% cuando alguien ejecuta el código

Wed, 21 Oct 2026 00:00:00 +0000

Ponytail es un archivo markdown. Lo dice el propio proyecto, en una sección titulada The prompt: «Ponytail is one prompt: skills/ponytail/SKILL.md. The compact version, for agents that read a rules file, is AGENTS.md. Everything else in this repo loads that prompt into different agents.»

Son 2.721 bytes de AGENTS.md. Alrededor: 214 archivos, 12.066.966 bytes y 169.651 estrellas en GitHub. La proporción es de 4.435 a 1.

Este artículo va sobre el número que se cita —53% menos código, 41% más rápido, 26% más barato, 45% menos tokens— y sobre qué aparece cuando abres la tabla por tareas que hay detrás y la ordenas según qué tareas tienen una comprobación de corrección. Dos estadísticos míos reproducen el titular del proyecto hasta el decimal, así que la tabla es la que ellos usaron. Ordenada de otra manera, dice algo que el titular no dice.

ai-memory: 24 agentes, una memoria y los cuatro arneses que pierden el relevo en silencio

Tue, 20 Oct 2026 00:00:00 +0000

La propuesta cabe en una frase, y es una buena frase: «Cierra Claude Code a mitad de tarea, abre OpenAI Codex en el mismo directorio y continúa sin volver a explicar la arquitectura, los intentos fallidos ni las preguntas abiertas.»

Esa es la promesa de ai-memory, un proyecto en Rust de Fabio Akita (akitaonrails). No es una promesa menor. Afirma que la frontera entre proveedores de agentes —esa que todo equipo encuentra cuando se agota la suscripción, aparece un límite de peticiones o un modelo empeora— está resuelta, porque la memoria vive en tu servidor y no dentro del cliente de un solo fabricante.

96.636 estrellas, 152 vigilantes y 115,6 millones de descargas: qué demuestra de verdad el feed de versiones de Orca

Mon, 19 Oct 2026 00:00:00 +0000

Orca es una aplicación de escritorio que ejecuta varios agentes de programación en paralelo, cada uno en su propio worktree de git, y permite controlarlos desde el móvil. Tiene licencia MIT, respaldo de Y Combinator, y su repositorio (stablyai/orca) se creó el 17 de marzo de 2026. Al consultar los metadatos el 19 de octubre de 2026, esto es lo que devolvía:

Campo	Valor (API de GitHub, 2026-10-19 UTC)
Estrellas	96.636
Forks	6.177
*Vigilantes (watchers)*	152
Issues abiertas + PR abiertas (`open_issues_count`)	8.471
Commits en `main`	15.007
Ramas	11.876
Etiquetas / versiones publicadas	1.129 / 977
Colaboradores	604
Tamaño del repositorio	1.451.413 KB (≈1,45 GB)
Lenguaje principal	TypeScript (95,1%)
Licencia	MIT

Todas esas cifras son reales. Lo interesante es que no describen lo mismo, y dos de ellas —estrellas y descargas— se leen habitualmente como si lo hicieran. Esto es un intento de leer el repositorio como datos de instrumentación y no como un concurso de popularidad, y de decir sin rodeos en qué puntos los datos respaldan el marketing y en cuáles no.