Solo-entrepreneur 💰 https://teapawt.org/t.co/y5jyc9Xc0H → entiende tus finanzas
🔥 My projects →
Joined March 2007
- Tweets6K
- Following1K
- Followers7.9K
- Likes2.1K
Pinned Tweet
Llevo semanas sin abrir un issue de Sentry.
Y se siguen cerrando solos.
Son dos piezas: mis skills de Claude Code y Herdr, que le da a cada agente su propio sitio donde trabajar.
Cada 2 horas arranca /sentry-issues.
Un agente principal entra en Sentry, mira lo que hay y decide qué merece un fix y qué es ruido.
Lo que merece la pena, lo reparte.
Un worktree por issue, un agente por worktree, cada uno con su servidor levantado. Así ninguno se pisa con el otro.
Y cada agente hace el ciclo entero con /ship:
implementa el fix
pasa dos code reviews
hace QA en el navegador
graba un vídeo de que funciona
abre la PR
dependiendo de la condifence, se auto mergea o no
Por la mañana me encuentro las otras PRs esperando, con el vídeo dentro enseñando que el bug ya no está.
Lo único que hago yo es leerlas y darle a merge.
Las skills son públicas: github.com/victor-falcon/ski…
Te lo enseño funcionando aquí abajo 👇
LogiSheets es un simulador de automatización y logística que funciona directamente dentro de una interfaz tipo hoja de cálculo.
La idea es construir cadenas de producción en el navegador, gestionando desde la extracción de materias primas hasta el flujo de productos complejos. Tienes que optimizar rutas, evitar cuellos de botella y balancear entradas y salidas usando una cuadrícula estilo Excel.
Una propuesta muy entretenida si te gustan los juegos de gestión tipo Factorio pero buscas algo más visualmente limpio y accesible desde cualquier pestaña.
Llevo tiempo organizando mi semana con Tweek. Así que he hecho una copia open source.
Se llama Plain Week y no esconde de dónde viene: una semana en una pantalla, una columna por día y una lista de "Algún día" para lo que no tiene fecha.
Quería añadirle cosas que me faltaban, como atajos de teclado, sincronización con el calendario y notificaciones. Y no quería pagar por ellas.
Lo que tiene:
→ Funciona sin conexión. Las tareas viven en tu navegador y se guardan al momento.
→ Escribes "17:30 Gimnasio" y ya tiene la hora puesta. Con ← y → cambias de semana, y con T vuelves a hoy.
→ Tareas que se repiten cada N días, ciertos días de la semana o una vez al mes.
→ Desde esta semana, las tareas con fecha se pasan a Google Calendar y te llega una notificación con las del día.
→ Sin cuenta, todo se queda en local. Con cuenta, se sincroniza entre dispositivos.
Gratis, con licencia MIT, sin plan premium, y te la puedes montar en tu servidor con un solo contenedor de Docker.
Si te gusta Tweek pero quieres tus tareas en tu servidor, guárdatelo.
Pruébala sin registrarte: plainweek.eu
El código: github.com/victor-falcon/pla…
Usar un LLM como juez para evaluar agentes tiene un cuello de botella evidente: meter Ragas o llamadas a GPT/Claude para revisar cada traza es lentísimo, cuesta una pasta y mete una variabilidad enorme. Al final casi todos terminan evaluando apenas un 1% del tráfico en scripts nocturnos.
jevals propone sustituir al juez LLM tradicional por modelos de decisión especializados.
La diferencia práctica está en el coste y la latencia. En lugar de encadenar llamadas para parsear JSONs, manda todas las métricas de una traza en una única petición HTTP que responde en unos 300 ms y cuesta milésimas de céntimo. Evalúa de golpe si el agente eligió bien la tool, si aprovechó la respuesta, si inventó datos, si se salió de scope o si hubo una inyección indirecta.
Al eliminar esa penalización de tiempo y precio, deja de ser un proceso batch: puedes auditar el 100% del tráfico en producción o meter los guardrails directamente dentro del propio loop del agente. Se puede consumir vía API (Vercel, TypeSafe) o correr modelos en local sobre Mac.
Víctor Falcón retweeted
Importar el extracto de tu banco no debería ser un examen.
Pero hoy en Whisper Money lo es.
Subes el CSV y te preguntamos qué columna es la fecha, cuál el importe y cuál el concepto.
Tú solo querías ver en qué se te va el dinero.
Vamos a quitar ese paso.
Hasta ahora usamos reglas por nombre de columna: si la cabecera dice "Fecha", es la fecha.
Acierta en el 73 % de los casos.
Genial, hasta que tu banco es del otro 27 %.
Exporta en alemán, o separa cargos y abonos en dos columnas, y te toca mapearlo a mano.
Así que lo hemos probado con IA, con extractos sintéticos de 25 formatos de bancos en 9 idiomas y 150 campos a detectar.
Mirando solo las cabeceras y la forma de cada columna, sin ver ni un movimiento tuyo, acierta el 99 %.
Si además le pasamos 3 filas de ejemplo, el 100 %.
Casi cualquiera se quedaría con el 100 %.
Nosotros no.
Ese punto extra exige mandar tus movimientos a un modelo: tus compras, tu nómina, a quién le haces transferencias.
Cambiar tus datos por un 1 % es un mal negocio.
Por eso el mapeo automático trabaja solo con cabeceras y forma.
Cuesta unos 0,00006 $ por importación.
Tú subes el archivo y ya está.
El último 1 % no vale tus datos.
Ya puedes programar tus propias finanzas.
Whisper Money tiene API pública. Y quiero ver qué es lo primero que construyes con ella.
Lo que trae la v1:
- Cuentas y saldos
- Transacciones: buscar, categorizar, etiquetar, dividir y borrar
- Categorías, etiquetas y reglas de automatización
- Presupuestos y objetivos de ahorro
- Cashflow, patrimonio neto y gasto por categoría
44 operaciones, todas descritas en un OpenAPI 3.1. Todo lo que puede hacer el conector de IA, ahora también por REST.
Está pensada para dársela a un agente: la documentación tiene versión en markdown y un llms.txt. Le pasas la spec a Claude Code y que construya él.
Por si te falta una idea:
- Un script que vuelque tus gastos a una hoja de cálculo cada noche
- Un panel en la tele de casa con tu patrimonio neto
- Un bot de Telegram que te avise cuando un presupuesto va por el 80 %
Empezar es crear un token en Ajustes → API (solo lectura, o lectura y escritura) y hacer tu primera llamada. Va con el plan de pago.
Te reto: ¿qué es lo primero que construirías? Cuéntamelo abajo y, si lo construyes, enséñamelo.
Documentación: whisper.money/documentation/…
Spec OpenAPI: whisper.money/api/v1/openapi…
Amazon te cobra casi la mitad de cada venta, y luego te prohíbe vender más barato en cualquier otro sitio.
Los vendedores asumen que tienen opciones: publicidad, almacenaje, envíos propios. La realidad es que sin pagar todo eso, tu producto desaparece de los resultados.
Así que suben precios en todas partes para cubrirse. Tú pagas lo mismo en Amazon que en la web del fabricante. Amazon ganó sin que tú veas por qué.
Desde España esto duele menos porque tenemos alternativas. Pero en Estados Unidos, donde Amazon es el buscador de productos, es un monopolio que se paga solo.
Tener el cliente oficial de Spotify abierto suele significar regalarle un giga de RAM a Electron solo para escuchar música de fondo.
Fastpotify es un cliente nativo para Linux, macOS y Windows construido sin meter un motor de navegador por debajo.
Arranca en menos de un segundo y ronda entre 100 y 250 MB de memoria. En cuanto a funciones viene bastante completo: reproducción local sin pausas a 320 kbps, control de Spotify Connect para enviar audio a otros dispositivos, gestión de biblioteca, atajos de teclado y soporte para MPRIS en Linux con opción de quedarse en la bandeja del sistema al cerrar la ventana.
Una opción muy limpia si quieres tener la música corriendo todo el día sin pagar el peaje de rendimiento habitual de Chromium.
Meter Tauri y Rust para construir un launcher tiene bastante sentido si el objetivo es arañar milisegundos al pulsar el atajo global.
Asyar apunta directo al hueco de Raycast y Alfred, pero apostando por ser open source y multiplataforma real (macOS, Windows y Linux).
Al evitar empaquetar un Chromium entero como hace Electron, delega las llamadas al sistema operativo (atajos, indexación, portapapeles) directamente en Rust y usa Svelte 5 para mantener la UI ligera. En sus benchmarks bajan la latencia de apertura a ~12 ms y dejan la app en unos 64 MB en disco.
Para el ecosistema de extensiones aíslan la ejecución dentro de iframes (si un plugin revienta, el launcher no se cae) y metieron de serie soporte para agentes de IA con tool calling.
Mi Pixel perdía un 3 % de batería cada hora con la pantalla apagada. Ahora, menos de la mitad.
Le di a Claude Code acceso por ADB para buscar el motivo. Encontró de todo:
→ "Datos móviles siempre activos" encendido.
→ Chess.com y Twitter con un audio que, en teoría, mantenía el móvil despierto.
→ Google buscando Chromecasts en la red cada 2-3 minutos.
→ 14 días sin reiniciar y el swap al 80 %.
Lo apagamos todo, reinicié y volvió a medir: de unos 130 mA a unos 60.
En una noche de 8 horas, eso es pasar de gastar un 24 % de la batería a un 11 %. Con mi uso, más de una hora de pantalla.
La lección: no te fíes del primer diagnóstico, ni del tuyo ni del de la IA. Mide antes y después de cada cambio.
Para probarlo: activa la depuración inalámbrica, conecta con adb pair y pídele que revise batterystats y wakelocks. Y que vuelva a medir después de cada cambio.
Acabo de ver Ledge y es bastante práctico si tienes notas llenas de comandos.
Escribes markdown con bloques de shell, Python, SQL o prompts y pulsas Cmd+Enter para ejecutarlos. La salida aparece debajo al momento.
Lo mejor: cada nota tiene su propia shell persistente. Un cd o una variable exportada se mantienen entre ejecuciones. Y si apuntas a un servidor por SSH, las shells corren allí y los logs te esperan cuando vuelvas a abrir el portátil.
Ideal para depurar, revisar métricas de crecimiento o cualquier cosa que tengas documentada pero ejecutes a mano una y otra vez. Sin saltar entre la terminal y las notas.
Gratis y open source. Funciona en macOS, Linux, Windows 11 con WSL y móviles.
Whisper Money ha hecho 39.118 llamadas a una IA en 4 semanas para categorizar movimientos.
78,5 millones de tokens.
Coste total: 2,50 dólares.
Desde el 30 de septiembre todas van a Jev, un modelo de TypeSafe AI. Antes iban a Gemini Flash Lite.
Y no lo cambié por el precio. Cuestan casi lo mismo: 0,067 $ por cada 1.000 movimientos frente a 0,072 $.
Antes de cambiar, los comparé con 581 movimientos reales que los usuarios habían categorizado a mano:
→ Aciertan lo mismo: 36,0 % Jev y 36,3 % Gemini. Son los movimientos más difíciles, por eso salen tan bajos.
→ La diferencia está en la confianza. Cuando Jev dice que está seguro, acierta el 74 % de las veces. Gemini, el 41 %.
→ Como solo aplico la categoría si el modelo está seguro, las categorías mal puestas bajan de 325 a 98.
→ Las reglas automáticas que aprende aciertan el 78,8 % frente al 64 %.
→ Y responde en 0,27 segundos en vez de 1,1.
La prueba entera costó 12 céntimos.
Si eliges modelo mirando solo cuánto acierta, guárdatelo: mira también si su confianza dice la verdad. Eso decide cuántos errores le llegan al usuario.
Whisper Money es open source, puedes ver cómo está montado: github.com/whisper-money/whi…
Y la app: whisper.money
