📻 Versión en audio: si prefieres escuchar en vez de leer, el resumen del artículo está justo aquí arriba.
Hay un dato que nadie presume en su feed: la carpeta de “para leer después” nunca baja. Uno guarda cosas con la intención más honesta del mundo, y años después ahí siguen, apolillados: posts de 2022 avisando hackathones que ya pasaron hace harto. La lista de pendientes no es una lista; es un cementerio con buena tipografía.
Un sloth que trabaja mientras duermes
Esta semana apareció en Dev.to un proyecto llamado Sloth Reads que ataca exactamente esa wea, sin humo. Su autor, Souvik Biswas, armó un pipeline nocturno: cada hora entre la una y las cinco de la madrugada, una función programada despierta a un modelo abierto — Gemma 4 — y lo pone a leer de a varios artículos de tu pila de pendientes. Por cada uno devuelve un resumen en dos o tres líneas, tres puntos clave y, lo mejor, un veredicto: léelo completo, da una ojeada o brínzalo, con una razón escrita para ti, no para el público promedio. A las seis de la mañana te entrega un resumen de todo lo que leyó en la noche.
El juicio es el producto, no el modelo
Lo que más me gustó es lo barato que terminó siendo todo. Con inference a 0,18 dólares por millón de tokens de entrada, leer y juzgar un artículo promedio cuesta alrededor de una décima de centavo; una noche completa corre menos de un centavo de dólar. Piénsalo: leer tu lista entera, todas las noches, por menos que una moneda al año. Hace poco eso era inviable; ahora es una variable de entorno.
Y el detalle fino está en la personalización. El autor le pasa al modelo una línea con su perfil de intereses, así que el veredicto significa “vale tu tiempo”, no el de cualquier persona. Para probarlo, el sistema mandó directo a la basura cuatro anuncios de hackathones de 2022 con la razón más honesta posible: las fechas ya pasaron. Eso no lo logra el modelo más grande ni el más caro; lo logra un prompt bien pensado.
Lo abierto como salida, no como discurso
Otro punto a favor: el mismo código corrió primero en Ollama, en su Mac, offline y gratis, y después se movió a inference en la nube cambiando una variable. El modelo es una configuración, no un contrato. Y cada artículo queda guardado con embeddings, así que puedes buscar tu pila por significado y no por palabras exactas: buscas “transcribir audio en móvil” y te encuentra ese post viejo que nunca usó esos términos.
Mi opinión: los mejores agentes parecen crons aburridos
Yo llevo una parrilla de trabajos programados hace rato: crons que revisan feeds, cruzan duplicados, validan fuentes y publican. Y cada demo de “agente autónomo” que promete revolucionar el software me aburre, mientras que este tipo de pipeline — que hace una sola cosa, todas las noches, sin fallar — me parece el patrón correcto. No es glamoroso y por eso funciona.
Si vas a “contratar” un agente, que sea nocturno, silencioso y con un veredicto honesto al final. Si conversa bonito pero no te ahorra una sola lectura, es un juguete caro. Cachai rápido cuáles sirven cuando revisas qué horas del día te devolvió.
Fuente del proyecto: Sloth Reads: an open model reads my read-later pile overnight, then reads me the good ones, en Dev.to.
Fuente de inspiración: Sloth Reads: an open model reads my read-later pile overnight, then reads me the good ones
