Agentes bajo control: del código de Unreal a los datos de mercado
IA para desarrollar videojuegos, entornos aislados y dos estudios que recuerdan por qué importa cómo se construyen los datos.
Una idea para leer despacio, poner a prueba y volver a pensar.
del código de Unreal a los datos de mercado
Esta semana cruzamos el desarrollo de videojuegos con una pregunta práctica: qué cambia cuando los agentes escriben código y dónde trazamos sus límites. En finanzas cuantitativas, dos estudios recuerdan que un patrón convincente depende también de cómo se definen y evalúan los datos.
Escucha esta edición
La narración completa de esta edición.
Agentes bajo control: del código de Unreal a los datos de mercado
Epic utiliza IA para desarrollar Unreal Engine
Epic utiliza herramientas de IA para desarrollar código y funcionalidades de Unreal Engine, según declaró su vicepresidente de desarrollo, Marcus Wassmer. Entre los ejemplos citó Claude Code y Codex, y afirmó que han ayudado a eliminar casi por completo errores no deterministas del proceso de preparación de recursos.
Es una afirmación de la compañía, no una medición independiente. Wassmer sostiene que los ingenieros siguen guiando la arquitectura y que el trabajo se realiza de forma iterativa.
FIN DEL MOVIMIENTO 01 · CONTINUAR ↗
Claude Code deja ajustar el razonamiento de cada subagente
Claude Code 2.1.316 incorpora CLAUDE_CODE_SUBAGENT_EFFORT: cuando ninguna otra configuración especifica el nivel de razonamiento de un subagente, este utiliza el valor indicado en vez de heredar el de la sesión principal.
Tiene sentido: no necesitas el mismo esfuerzo para revisar una arquitectura que para localizar un archivo. Mandar a todo el equipo de agentes a pensar al máximo es una forma elegante de quemar presupuesto.
FIN DEL MOVIMIENTO 02 · CONTINUAR ↗
Hermes puede trabajar en un ordenador aislado y visible
Hermes Atlas destaca el plugin Cua Spaces: Hermes continúa ejecutándose donde ya estaba, pero sus herramientas de terminal, archivos y código trabajan en una máquina aislada, local o en la nube. La documentación del plugin permite observar el escritorio y tomar el control.
Por defecto, el plugin crea un espacio para cada ejecución y lo elimina al terminar; un espacio nombrado no se elimina automáticamente. El aislamiento ayuda a supervisar el trabajo, pero no sustituye una revisión de permisos y datos expuestos.
FIN DEL MOVIMIENTO 03 · CONTINUAR ↗
El archivo .env no está protegido por .gitignore
Los agentes de programación pueden acceder a archivos con credenciales aunque estén en .gitignore o se les indique que no los lean. Las protecciones disponibles en Claude Code, Cursor y Codex tienen limitaciones.
La separación importante es entre pedirle a una herramienta que no haga algo e impedir que tenga acceso. La recomendación más útil: no guardar claves de producción dentro del directorio de trabajo del agente.
FIN DEL MOVIMIENTO 04 · CONTINUAR ↗
Una vista previa HTML podía comprometer cuentas de ChatGPT
Investigadores de Parameter Labs describieron una cadena de fallos en ChatGPT por la que un enlace compartido malicioso podía permitir leer conversaciones privadas o actuar en una sesión de otro usuario. Según los investigadores, OpenAI corrigió el problema el 26 de octubre.
La lección no es dejar de compartir enlaces, sino recordar que una vista previa aparentemente inocente también forma parte de la superficie de ataque. En seguridad, «solo es HTML» nunca ha sido un argumento tranquilizador.
FIN DEL MOVIMIENTO 05 · CONTINUAR ↗
Agentes que experimentan con el entrenamiento de modelos
ParetoRSI-Gym evalúa agentes que buscan y seleccionan datos, entrenan modelos y revisan resultados en cinco ámbitos. En el experimento, el sistema más eficaz logró una mejora media relativa del 9,2 % frente al modelo inicial en pruebas de generalización, promediada entre tres modelos base y cinco ámbitos.
El propio estudio señala que tanto el modelo como el entorno de ejecución influyen en los resultados. Es una herramienta interesante para estudiar automatización de investigación, no una garantía de que cualquier agente vaya a mejorar cualquier modelo.
FIN DEL MOVIMIENTO 06 · CONTINUAR ↗
Compradores tempranos de tokens: asociación no es estrategia
Un estudio de 200.443 lanzamientos de tokens en pump.fun, observados durante 88,3 horas, identificó grupos de carteras que compran de forma temprana.
Los autores advierten que esas asociaciones no prueban manipulación. Además, seguir las señales detectadas no produjo beneficios fuera de muestra. Es la diferencia entre encontrar un patrón interesante y demostrar que se puede operar con él: el segundo examen es bastante menos indulgente.
FIN DEL MOVIMIENTO 07 · CONTINUAR ↗
El agrupamiento de precios depende de cómo defines un evento
Un estudio con modelos de Hawkes aplicados a cotizaciones estadounidenses encuentra que parte de la aparente agrupación de cambios de precio depende de cómo se construye el flujo de datos. En acciones de tick grande, al exigir que el precio medio persista un milisegundo desaparece un componente ultrarrápido que el modelo interpretaba como excitación.
Importa porque cambiar una regla de preparación puede cambiar la historia que cuenta el modelo. Antes de buscar una explicación sofisticada en la microestructura, merece la pena revisar qué estamos contando como movimiento.
FIN DEL MOVIMIENTO 08 · CONTINUAR ↗
Cierre
La conexión de la semana está en los límites. Los agentes necesitan límites de acceso y de presupuesto; los resultados de investigación necesitan límites de interpretación. Tanto en código como en mercados, una salida convincente no sustituye a saber qué entró en el sistema y bajo qué condiciones funcionó.
Si tu agente puede leer el repositorio y tu backtest puede leer todos los datos, la pregunta es la misma: ¿tienen acceso únicamente a lo que deberían?