Juan C.

Cómo acabar tus tareas (sin inspiración) Olvídate de la inspiración, ella te abandonará cuando menos lo esperas. Mejor, enfócate en sistemas. “No te elevas al nivel de tus metas, fracasas al nivel de tus sistemas”. - James Clear, Hábitos Atómicos. 1. Empieza pequeño. No te pongas a “hacer ejercicio”. Haz una flexión. No te pongas a “programar”. Haz una línea de código. Haz que la barrera de entrada para comenzar sea tan baja que te sentirías estúpido por no hacerlo. 2. Pon un timer. - Configurarlo por 5 minutos (no más). - Empieza a trabajar en la tarea. - Cuando el temporizador termine, detente si quieres. (el 95% de las veces, querrás seguir trabajando) Porque una vez que agarras momentum, es difícil parar. 3. Añade una recompensa. “Haré una hora de mi tarea, luego veré Netflix”. Asocia algo que necesitas hacer con algo que quieres hacer. Tu cerebro liberará dopamina pensando en atacar lo más rápido la tarea. 4. Haz que sea la única opción. Dale a tu mente 2 opciones: 1. Hacer la tarea. 2. NO hacer nada (literalmente). Nada de teléfono, nada de libros, nada de distracciones. O haces la tarea, o no haces absolutamente nada. 5. Cambia tu entorno. Entrar en trabajo profundo cuesta. Porque el cerebro se acostumbra a todo, y una vez que se acostumbra, te pone resistencia. - Ordena tu lugar de trabajo. - Sal a tomar aire si es posible. - Abre las cortinas. - Enciende una vela. - Ve a trabajar a una cafetería. Pequeños cambios en tu ambiente marcan la diferencia. 6. Escucha música. - Selecciona una canción. - Ponla “on repeat”. - Dejala que se reproduzca por 1h. - Ponte a trabajar. La música es de las pocas cosas que pueden literalmente cambiar tu estado de ánimo en segundos. 7. Ponte en movimiento. A veces, lo único que necesitas es liberar un poco de dopamina. - Fuerzate a hacer 5 burpees. - No serás el mismo de hace 1 minuto. - Moverte energiza tu mente y tu cuerpo. ♻️ Comparte esto para ayudar a otros. 📌 Soy Alfonso, le enseño chino empresarial a ingenieros, directores y profesionales para mejorar sus salarios. Envíame CHINO por mensaje.

260

96 Comments

Las entrevistas técnicas tradicionales están rotas — y ya es hora de admitirlo. Durante años, la industria tech midió el talento de sus ingenieros con puzzles algorítmicos de LeetCode que, seamos honestos, casi nadie resuelve sin práctica obsesiva y que tienen muy poca correlación con el trabajo real del día a día. Hoy, esa brecha es aún más evidente: en un mundo donde GitHub Copilot, Claude o ChatGPT son parte del flujo de trabajo estándar, prohibir su uso en una entrevista es como pedirle a un arquitecto que diseñe un edificio sin AutoCAD. Las empresas que siguen evaluando a sus candidatos con este modelo no están filtrando a los mejores ingenieros — están filtrando a los mejores memorizadores. El futuro del hiring técnico está en evaluar cómo piensa un ingeniero, cómo descompone un problema, cómo aprovecha las herramientas a su disposición y cómo valida y critica el código que genera la IA. Contratar para el mundo real significa entrevistar en el mundo real.

6

Hace un tiempo vengo experimentando con GKE, armando un cluster de bajo costo basado en el repo https://lnkd.in/d49pktSq. Ahora con la ayuda de Claude decidí documentar y simplificar todo lo que fui aprendiendo en un post. El resultado: un cluster de GKE funcional por ~$18/mes. Nodos Spot, Cilium, Workload Identity, control plane privado con DNS — todo con OpenTofu y cada decisión explicada.  Lo escribí paso a paso acá: https://lnkd.in/dGmPS6nU  El código completo: https://lnkd.in/dkwp7c6S  #Kubernetes #GKE #GCP #OpenTofu #IaC

14

Murió el RAG. No el concepto. Sino el RAG que te obliga a vivir reindexando. Durante años, el estándar viene siendo: embeddings + vector DB + pipelines + reindexados + mantenimiento constante. Y sí, funciona. Pero en muchos equipos, lo que empezó como un feature terminó siendo una infraestructura paralela que consume tiempo, presupuesto y foco. Hoy vi una señal interesante en GitHub Trending: un repo que empuja la idea de “vectorless RAG” (VectifyAI/PageIndex). Hay equipos intentando volver a un retrieval que puedas explicar y operar sin montar una infraestructura que se coma el feature. Lo que repos como PageIndex ponen encima de la mesa es una pregunta incómoda: ¿Y si para muchos casos no necesitas vectores? ¿Y si lo que necesitas es un índice simple + buen ranking + razonamiento + citas? no todos los casos son iguales: • si tu contenido está bien estructurado (docs, PRDs, specs, runbooks, FAQs), muchas veces lo “simple y auditable” gana • si tu contenido es texto libre sucio (tickets, chats, notas), ahí los embeddings suelen justificar su coste La señal de fondo es que más gente está priorizando soluciones que se puedan mantener por encima de soluciones “perfectas en teoría”. 🔗 https://lnkd.in/dprZtwir 💬 ¿tu RAG es un feature… o ya se convirtió en un sistema que nadie quiere mantener? #RAG #LLMEngineering #AIInfrastructure #DeveloperTools #GenerativeAI #AIArchitecture #SearchSystems

34

4 Comments

Estrategia fácil para contenerizar una aplicación usando k8s como servicio principal, en entornos productivos normalmente se reemplazará la contenerizacion de la base de datos y se reemplaza por un servicio “externo” de nube conectado al backend.

3