Ric

Become a Claude Certified Architect Here are all the required resource in one place: (save it) Training courses: anthropic.skilljar.com (13 free courses) Cookbook: github.com/anthropics/ant… Exam Guide: share.google/0eqIbebzRMUt8K… Practice questions: claudecertifications.com (free) MCP documentation: modelcontextprotocol.io (free) API documentation: docs.anthropic.com (free) Partner Network: anthropic.com/partners (free to join) Link to join: anthropic.skilljar.com/claude-certifi… Personal Playbook someone created after the exam: drive.google.com/file/d/1luC0rn…

🚨𝗨𝗟𝗧𝗜𝗠𝗔 𝗛𝗢𝗥𝗔: Google Gemini tiene funciones brutales que casi nadie está usando. La mayoría solo usa Gemini para prompts básicos… mientras Google lo llenó en silencio de herramientas que reemplazan horas de trabajo en segundos. Probablemente estás usando menos del 5% de lo que Gemini realmente hace. Aquí van 10 funciones ocultas de Gemini que se sienten casi injustas cuando las empiezas a usar: 👇

A muchos nos pasa: encontramos una herramienta potente, la usamos para todo y después nos preguntamos por qué se nos fue el límite tan rápido. Con Claude me pasó algo parecido. Al principio lo usaba como si todos los modelos fueran iguales. Le pedía ideas simples, análisis largos, ajustes de texto, revisión de documentos y hasta tareas pequeñas que podía resolver con un prompt más corto. Hoy, la diferencia no está en quién tiene más herramientas, sino en quién sabe elegir bien el modelo, ordenar el contexto y evitar gastar recursos en tareas que no lo necesitan. Porque automatizar sin estrategia también puede volverse ineficiente. Esta guía la hice pensando en quienes usan Claude para crear contenido, analizar información, trabajar con documentos o mejorar procesos sin quedarse sin tokens a mitad del camino. Guárdala, te será útil.

Hace unos días GitHub lanzó algo que casi nadie en el mundo tech ha visto todavía. La primera certificación oficial del mundo para AI Developers. Se llama GH-600. Y no es un curso online con diploma de consolación. Es un examen real, de 120 minutos, que certifica que sabes trabajar con agentes de IA en entornos de producción de verdad. Lo que evalúa: → diseñar arquitecturas de agentes desde cero → gestionar memoria y estado en workflows autónomos → orquestar múltiples agentes sin que todo explote en producción → supervisar comportamiento autónomo y detectar fallos → implementar guardrails para que sean seguros y fiables Antes, "trabajo con agentes de IA" en el CV era imposible de validar. Ahora tiene nombre, examen y badge oficial de GitHub. Las empresas ya saben cómo pedirlo. La pregunta es si tú vas a estar preparado cuando empiecen a hacerlo. learn.microsoft.com/en-us/credenti…

🚨ÚLTIMA HORA: El hombre que ganó el "Premio Nobel de la Computación" afirma que el 99% de la gente usa la IA como un juguete Yann LeCun inventó la tecnología que hay detrás de todas las herramientas de IA que utilizas. Es el científico jefe de IA de Meta y ganador del Premio Turing Y afirma que tus prompts son vergonzosamente superficiales Aquí tienes 9 prompts de Claude, basados en la arquitectura cognitiva de LeCun, que transforman la IA superficial en razonamiento de nivel experto:

¿Por qué Claude Cowork es la mejor herramienta IA de la actualidad? Dejame que te cuente todo sobre Claude Cowork en 30 minutos. 👇 00:00 - Introducción 00:22 - Requísitos para usar Claude Cowork 02:49 - Costos de Claude y Claude Cowork 03:52 - Diferencia entre Chat, Cowork y Code 05:28 - Acceso a los archivos de tu computadora y permisos 10:46 - Proyectos en Claude Cowork y manejo de memoria 13:45 - Deja que Claude controle tu navegador con Claude in Chrome 20:54 - Skills en Claude Cowork 26:25 - Tareas programadas en Claude Cowork 28:49 - Conectores de Claude Cowork

Un tipo montó un sistema de búsqueda de empleo con IA para Claude Code que llegó a mandar más de 700 candidaturas… y acabó consiguiéndole trabajo. Y lo mejor: ahora es open source. Automatiza todo el proceso: revisa páginas de empleo de distintas empresas, adapta tu CV para cada oferta e incluso completa formularios por ti. El repo incluye: 14 modos distintos (evaluación, scraping, PDFs, etc.) Un dashboard en terminal hecho en Go Generación de CVs en PDF optimizados para ATS usando Playwright Más de 45 empresas ya configuradas (Anthropic, OpenAI, ElevenLabs, Stripe…) REPO en comments 🫡

En tres semanas, las tres empresas que definen cómo escribimos código movieron sus herramientas fuera del editor. Google: mató Gemini CLI, convirtió Antigravity de IDE en sistema agéntico. Cursor: rediseñó y su editor ya no parece un editor. GitHub: sacó la Copilot app. Una app de desarrollo que corre fuera de VS Code. El dueño del IDE más usado del mundo construyendo algo que no es un IDE. Mirá la forma, no los nombres. El editor era un lugar donde vos escribías código. Lo que lo reemplaza es un lugar donde vos dirigís y los agentes escriben, en paralelo. La herramienta misma te está cambiando el rol: de autor a orquestador. Y GitHub lo dijo sin filtro: están armando "Agent HQ", un panel para orquestar agentes de Anthropic, OpenAI y Google bajo una misma suscripción. El futuro que venden no es un mejor editor. Es vos dirigiendo agentes. Acá está el problema. Si tu forma de trabajar está pegada a una herramienta, cada rediseño te resetea. Aprendiste Cursor, lo cambian. Te acostumbraste a Gemini CLI, lo matan. La salida no es elegir mejor herramienta. Es tener un sistema propio que ninguna herramienta te pueda mover: tu proceso, tu contexto, tu criterio de qué delegás y qué no. Eso es lo que armamos en el workshop. En dos días, 22 y 23 de mayo, con @domini_code [link abajo]

El 19 de mayo Anthropic celebró una gran conferencia en Londres. 6 ingenieros que crearon Claude compartieron lo que va a cambiar tu forma de construir para siempre. Guarda esto, te será muy útil. Y nadie habla de ello todavía: → Agentes que se coordinan entre sí (Orquestación Multiagente) → Un Claude que recuerda tus sesiones pasadas (Soñar) → Criterios de éxito que tú defines tú mismo (Resultados) → Una ventana de contexto que tiende al infinito Pero el detalle que todo el mundo pasó por alto El Director de Producto lo dijo claramente: "El código que escribes para compensar las limitaciones de Claude... será inútil en 6 meses." El código que conecta Claude a tu mundo, en cambio, va a ganar valor. Mira la keynote antes de construir cualquier cosa.

Que pena, la presidenta @Claudiashein mandando grupos de choque, para retirar a ciudadanos libres que muestran una lona donde le señalan a los causantes de su fracasado gobierno “los narcos del bienestar”. La libertad de expresión y asociación, vulneradas desde Palacio Nacional x.com/IrvingPineda/s…

Para compreender a diferença.

GitHub acaba de lanzar algo alucinante. Un sistema que obliga a los agentes de IA a escribir especificaciones completas antes de tocar una sola línea de código. 95.000 estrellas en días. La idea es simple pero brutal: Sin especificación → sin código. La IA tiene que planificar toda la arquitectura, definir todos los requisitos y documentar casos límite ANTES de que se le permita construir algo. Esto da la vuelta a cómo la mayoría de los desarrolladores usan los agentes de IA hoy en día. La mayoría de la gente solo da un prompt y reza. Esto hace que el agente piense como un ingeniero senior primero. ¿El resultado? Menos código alucinado. Menos reescrituras. Agentes que realmente entregan lo que pediste. Este es el cambio que todos veían venir pero nadie había construido hasta ahora. El desarrollo de IA con especificaciones primero está a punto de convertirse en el nuevo estándar. ¿Y las 95K estrellas en 72 horas? El mercado acaba de decirte lo que piensa.

🚨 ¡NOTICIA URGENTE: NotebookLM ahora puede enseñarte como un tutor privado de cualquier universidad prestigiosa!! Totalmente gratis Aquí tienes 8 prompts (órdenes) que reemplazan horas de lecciones pagadas: (Guarda esto antes de que se te escape) Hilo:

𝗔𝗜 𝗔𝗴𝗲𝗻𝘁’𝘀 𝗠𝗲𝗺𝗼𝗿𝘆 is the most important piece of 𝗖𝗼𝗻𝘁𝗲𝘅𝘁 𝗘𝗻𝗴𝗶𝗻𝗲𝗲𝗿𝗶𝗻𝗴, this is how we define it 👇 In general, the memory for an agent is something that we provide via context in the prompt passed to LLM that helps the agent to better plan and react given past interactions or data not immediately available. It is useful to group the memory into four types: 𝟭. 𝗘𝗽𝗶𝘀𝗼𝗱𝗶𝗰 - This type of memory contains past interactions and actions performed by the agent. After an action is taken, the application controlling the agent would store the action in some kind of persistent storage so that it can be retrieved later if needed. A good example would be using a vector Database to store semantic meaning of the interactions. 𝟮. 𝗦𝗲𝗺𝗮𝗻𝘁𝗶𝗰 - Any external information that is available to the agent and any knowledge the agent should have about itself. You can think of this as a context similar to one used in RAG applications. It can be internal knowledge only available to the agent or a grounding context to isolate part of the internet scale data for more accurate answers. 𝟯. 𝗣𝗿𝗼𝗰𝗲𝗱𝘂𝗿𝗮𝗹 - This is systemic information like the structure of the System Prompt, available tools, guardrails etc. It will usually be stored in Git, Prompt and Tool Registries. 𝟰. Occasionally, the agent application would pull information from long-term memory and store it locally if it is needed for the task at hand. 𝟱. All of the information pulled together from the long-term or stored in local memory is called short-term or working memory. Compiling all of it into a prompt will produce the prompt to be passed to the LLM and it will provide further actions to be taken by the system. We usually label 1. - 3. as Long-Term memory and 5. as Short-Term memory. And that is it! The rest is all about how you architect the topology of your Agentic Systems. Any war stories you have while managing Agent’s memory? Let me know in the comments 👇

Una Skill es una forma de enseñarle a Claude cómo querés que haga una tarea. Por ejemplo: > subir un PDF y que te devuelva siempre un resumen corto con los puntos importantes > pasarle ideas desordenadas y que las convierta en un documento prolijo > escribir mails de trabajo con el mismo tono y estructura Vos le explicás cómo hacerlo una vez y después Claude lo repite siempre de la misma manera. Lo que ganás es no repetir instrucciones todo el tiempo y obtener resultados mucho más consistentes. Así de fácil es crear y agregar una Skill en Claude 👇

Microsoft Senior AI developer just showed how they build AI agents with Claude at Microsoft. 34-minutes. free. By Microsoft team Opus 4.7 + 1,400+ pre-built MCP tools plug Claude into agent → give it tools → ship to production worth more than any $500 vibe-coding course.

Anthropic acaba de resolver el problema que frenaba a las empresas grandes con IA agéntica: Antes: tu agente necesitaba acceso a tu MCP server → tenías que exponerlo a internet público → área legal decía no Ahora: MCP tunnel crea un canal seguro vía tunnel .anthropic.com → el agente llega a tu servidor interno sin que salga nada a la red pública Tu firewall, tus políticas, tu perimeter. El agente opera adentro. Self-hosted sandboxes (beta pública) + MCP tunnels (research preview) = Claude Managed Agents corre en tu infraestructura

RAGs vs Agents Ask an LLM about your company's data and it will guess. The two patterns that fix this are RAG and agents, and they solve different problems. RAGs: RAGs combine LLMs with retrieval to ground answers in 4 steps. Step 1: The user query is embedded and sent to a retrieval step. Step 2: Retrieval pulls the most relevant chunks from a knowledge base (PDFs, wikis, etc.) Step 3: Those chunks are pasted into the prompt as context. Step 4: The LLM writes the answer, grounded in the retrieved text. One retrieval. One generation. Cheap, predictable, and easy to debug. Agents: Agents wrap LLMs in a reasoning loop with tools to take action. Step 1: The user query goes into the agent runtime. A reasoning loop wrapped around an LLM. Step 2: The LLM reads the goal and picks a tool (Read, Write, Edit, Bash, etc.) Step 3: The runtime executes the tool and feeds the result back to the LLM. Step 4: The LLM reasons again, picks the next tool, and loops until the task is done. More flexible. More tokens. Harder to debug because errors drift across steps. The rule of thumb: Use RAG when the answer lives in your documents. Use an agent when the answer requires action on other systems. Over to you: When do you prefer RAG over agent?

MCP vs Tool Calling vs Skills 3 ways to extend an LLM — not interchangeable. Tool Calling = Function → Model triggers APIs/code Best: small, controlled setups MCP = Protocol → Connect models to tools dynamically Best: cross-app, scalable systems Skills = Playbook → Instructions + workflows bundled Best: complex, repeatable tasks Mental model: Tool → what MCP → where Skill → how They’re not competitors. They’re layers. The mistake? Forcing one to solve everything. #AI #LLM #AIAgents

🚨 New AI guides drop every single day, yet these 9 official guides from OpenAI, Google, and Anthropic are still the definitive foundation you need. Bookmark these: 🧵 ↓