practical-ai-776095061

Resumen ejecutivo

La durabilidad y la gestión del estado son los principales desafíos técnicos que deben resolverse para que los agentes de IA puedan escalar de entornos locales a infraestructuras empresariales robustas y confiables.

Contexto y Origen (02:12 – 03:41): Hamza Tahir, cofundador de ZenML, explica que su experiencia previa en MLOps (gestión de pipelines de ML) le llevó a identificar que los principios de ingeniería de software para código no determinista son fundamentales, aunque ahora se están redescubriendo en el contexto de los agentes de IA.
De DAGs Estáticos a Grafos Dinámicos (04:31 – 07:22): A diferencia de los flujos de trabajo tradicionales basados en grafos acíclicos dirigidos (DAGs) predecibles, los agentes operan mediante grafos dinámicos y cíclicos que se definen en tiempo real, lo que obliga a reinventar las abstracciones de orquestación para manejar bucles y ramificaciones condicionales.
El Concepto de "Harness" (13:35 – 15:36): Tahir define el "harness" como el software que actúa como el "cuerpo" del agente, traduciendo los tokens generados por el modelo (el "cerebro") en acciones ejecutables; la combinación de ambos constituye el agente completo, un concepto que ha evolucionado desde simples llamadas de herramientas hasta sistemas complejos de gestión de memoria.
Tensión entre Harnesses Cerrados y Abiertos (17:07 – 18:32): Existe una disputa en la industria entre harnesses propietarios (como Claude Code, optimizados mediante RL con modelos específicos) y harnesses de código abierto (como LangGraph o OpenClaw), donde los segundos buscan evitar la dependencia exclusiva de un proveedor de modelos para garantizar la interoperabilidad empresarial.
Escalabilidad y Fragilidad (22:32 – 26:00): Al migrar agentes de portátiles locales a la nube empresarial, surgen problemas de escalabilidad masiva; la arquitectura debe pasar de llamadas REST simples a sistemas de colas de mensajes y trabajadores distribuidos para manejar procesos de larga duración y alto estado.
Complejidad Operativa y Observabilidad (28:13 – 31:19): La orquestación de agentes introduce desafíos como la idempotencia, la gestión de versiones de código durante ejecuciones largas y la capacidad de revertir o evaluar experimentos, ya que la naturaleza no determinista hace que sea difícil predecir cómo un pequeño cambio afectará al sistema.
Solución con Kitteru: Checkpoints y Replays (34:45 – 37:36): Kitteru, el nuevo proyecto de ZenML, se centra en capturar puntos de control (checkpoints) del estado del agente durante su ejecución, permitiendo reintentos, simulaciones y la capacidad de "replay" (repetición) de trazas para analizar fallos o probar diferentes modelos sin perder el contexto.
Visión de Futuro: Agentes Auto-Optimizables (39:45 – 41:09): La meta a largo plazo es automatizar la optimización mediante "agentes acompañantes" que monitoreen constantemente el rendimiento, ejecuten experimentos de replay en segundo plano y ajusten los parámetros del agente principal para mejorar la eficiencia y reducir costes.
Optimismo en Modelos Abiertos (42:30 – 44:57): Tahir muestra optimismo ante la mejora de modelos de código abierto (como GLM o Kimi) que rivalizan en rendimiento con los líderes del mercado, lo que fomentará la inversión en infraestructuras internas y harnesses abiertos, convirtiendo a los tokens en una commodity similar a la electricidad.

Modelos locales y self-hosting

No se trata en este episodio.

Aplicaciones practicas

No se trata en este episodio.

Relevancia

El episodio no menciona la gestión de aparcamiento urbano ni la movilidad. La discusión se centra exclusivamente en la arquitectura de software, la durabilidad de agentes de IA, la orquestación de flujos de trabajo (MLOps/LLMOps) y la infraestructura en la nube. Cualquier afirmación sobre el tráfico o el estacionamiento sería una invención ajena a la transcripción proporcionada.

Mencionado en el audio

Aquí tienes la lista de herramientas, papers, empresas, personas y productos citados, con su primera mención y contexto:

Practical AI Podcast: [00:00] "Welcome to the Practical AI Podcast, where we break down the real-world applications…"
Daniel Whitenack: [00:41] "This is Daniel Whitenack. I am CEO at Prediction Guard."
Prediction Guard: [00:41] "This is Daniel Whitenack. I am CEO at Prediction Guard."
Hamza Tahir: [01:00] "I have with us today Hamza Tahir, who is co-founder at ZenML."
ZenML: [01:00] "I have with us today Hamza Tahir, who is co-founder at ZenML."
Kitteru: [01:00] "And they have a new product, a new project out, Kitteru, which is focused on agents…"
AI Engineers World's Fair: [01:00] "I think you are out at the AI Engineers World's Fair, right?"
San Francisco: [01:24] "So it's just fantastic to be in San Francisco when the energy is so high."
Swix: [01:24] "Always inspiring and really cool to see also growth in that from Swix and others…"
Jeffrey: [05:12] "I remember having Jeffrey from News Research on the show."
News Research: [05:12] "I remember having Jeffrey from News Research on the show."
Hermes agent: [05:12] "And he's like, well, with like their Hermes agent or whatever…"
N8N: [04:31] "And there was this very much workflow focus for some time with things like N8N or whatever."
Cloud Code: [13:35] "So the definition I cling on to in July 2026 is basically… Cloud Code, which started doing more things…"
Anthropic: [23:30] "whether that's using the model providers like Anthropic has Anthropic managed agents."
Uber: [24:24] "Like, similar to MLOps, where the people who build the best MLOps platforms like Uber…"
AWS: [26:00] "probably you have other applications running, so probably you use the same thing, whether that's ECS on AWS…"
FastAPI: [26:42] "So let's say you have a fast API application, you have a post REST call that kicks off an agent."
E2B: [31:59] "so the sandbox providers like E2B, Daytona, Modal are so popular nowadays…"
Daytona: [31:59] "so the sandbox providers like E2B, Daytona, Modal are so popular nowadays…"
Modal: [31:59] "so the sandbox providers like E2B, Daytona, Modal are so popular nowadays…"
GLM: [32:40] "maybe I wanted a different tool call. Maybe I should have given it so many tool calls… experiment of using GLM maybe instead of GPD?"
Kitaru: [34:45] "So yeah, Kitaru comes from this concept of, you know, so it still uses ZenML."
Anthropic Agents SDK: [36:09] "the best world-class adapters for all the popular harnesses, like Anthropic Agents SDK…"
OpenAI Agents SDK: [36:09] "Anthropic Agents SDK, OpenAI Agents SDK, that you can just drop Kitaru as a runtime in."
MCP CLI: [40:26] "So I think our goal really in the future is how can we close the loop… We shipped an MCP CLI day one of Kitaru…"
Chip Huyn: [42:30] "So I think we're at this fever pitch of like we have an MLOps in 2021 when Chip Huyn…"
Minimax: [44:06] "We have amazing open efforts with open source models take Minimax or like take the Kimi models…"
Kimi: [44:06] "take Minimax or like take the Kimi models or or take something like GLM coming out of like China…"
GLM: [44:06] "take something like GLM coming out of like China right now."
Mistral: [44:06] "hopefully also the US and Europe with Mistral that that have made it very economically viable…"
Opus 4.8: [44:06] "The GLM is as basically 95 percent of Opus 4.8, which is just phenomenal."
Pi: [44:57] "And then open harnesses will be a huge thing, in my opinion, because a thing like Pi or a thing like open code…"
OpenClaw: [44:57]

Generado 2026-09-16 23:21 sobre transcripcion automatica — verifica antes de citar.