Kelet: Análisis Automatizado de Causa Raíz para Agentes de IA

Qué hace Kelet
Kelet es un servicio que monitorea continuamente agentes de IA y aplicaciones LLM en producción para identificar automáticamente por qué fallan. En lugar de que los agentes fallen con errores claros, a menudo dan respuestas incorrectas silenciosamente, lo que requiere análisis manual de trazas. Kelet automatiza esta investigación agrupando patrones de fallos entre miles de sesiones.
Cómo funciona
- Conectas tus trazas y señales (retroalimentación de usuarios, ediciones, clics, sentimiento, LLM-como-juez, etc.)
- Kelet procesa esas señales y extrae hechos sobre cada sesión
- Formula hipótesis sobre qué salió mal en cada caso
- Agrupa hipótesis similares entre sesiones y las investiga conjuntamente
- Expone una causa raíz con una solución sugerida que puedes revisar y aplicar
La idea clave: los fallos individuales de sesión parecen aleatorios, pero cuando agrupas las hipótesis, emergen patrones de fallo.
Opciones de integración
Tres formas de integrar:
- Habilidad Kelet para agentes de programación: Escanea tu base de código, descubre dónde deben recopilarse señales y configura todo automáticamente
- SDK de Python:
pip install kelet - SDK de TypeScript:
npm install kelet
La configuración manual requiere agregar dos líneas a tu código de agente. Kelet es completamente compatible con OpenTelemetry, por lo que cualquier agente instrumentado con OTEL funciona inmediatamente.
Plataformas y frameworks compatibles
Funciona con: OpenTelemetry, Langfuse, Mixpanel, OpenAI, Anthropic, LangChain, pydantic AI SDK, CrewAI, Strands, Agno, Mastra, PostHog, LangGraph, AutoGen, LlamaIndex, Haystack, Semantic Kernel y APIs de Gemini.
Funciona con cualquier agente o aplicación LLM donde tengas el código: bucles agenticos, flujos de trabajo de múltiples pasos, pipelines RAG, chatbots, agentes autónomos.
Dos situaciones donde Kelet no es adecuado:
- Si usas herramientas de IA creadas por otros (Cursor, Claude Code, Copilot como desarrollador)
- Si estás construyendo una habilidad o plugin dentro de una plataforma agentica existente
Detalles técnicos
- Se ejecuta en servidores de Kelet (certificado SOC 2)
- Ingiere trazas continuamente 24/7
- Los tokens LLM para análisis están cubiertos por Kelet (no afecta tu factura de API del modelo)
- Precios basados en uso (ver kelet.ai/pricing)
- Actualmente gratuito durante la beta (no se requiere tarjeta de crédito)
Métricas de rendimiento
De datos de cohorte piloto:
- 73% de los equipos tenían fallos que nadie notó (Kelet los encontró)
- 14.3 minutos tiempo mediano desde ingesta de traza hasta parche de prompt
- 33K+ sesiones analizadas en despliegues de socios de diseño
📖 Read the full source: HN AI Agents
👀 Ver también

X-MCP 2.0: Servidor MCP para Acceso a la API de X/Twitter desde Claude
X-MCP 2.0 es un servidor MCP que conecta Claude Desktop y Claude Code con la API v2 de X/Twitter mediante autenticación OAuth 2.0 PKCE, proporcionando 10 herramientas para publicar tweets, buscar, obtener cronologías, dar me gusta, retwittear, responder y ver perfiles.

Una Capa de Gobernanza de 7 Archivos para Prevenir la Deriva de Sesión en LLM
Un desarrollador creó una capa de gobernanza con siete archivos para evitar que Claude deshaga silenciosamente decisiones arquitectónicas entre sesiones. El sistema incluye archivos active_context.md, contracts.md y decisions.md con un bucle de ejecución estricto.

PocketBot: Un piloto automático de IA local para iOS que utiliza App Intents e inferencia en el dispositivo
PocketBot es una aplicación iOS que ejecuta un modelo Llama 3B cuantizado localmente en el Neural Engine del iPhone mediante Metal, utilizando los frameworks AppIntents y CoreLocation de Apple para crear automatizaciones basadas en eventos sin transmisión de datos a la nube.

Flash-MoE: Ejecutando el Modelo Qwen de 397B Parámetros en MacBook Pro con C/Metal Puro
Flash-MoE es un motor de inferencia puro en C/Metal que ejecuta Qwen3.5-397B-A17B, un modelo Mixture-of-Experts de 397 mil millones de parámetros, en una MacBook Pro con 48 GB de RAM a 4.4+ tokens/segundo. El modelo de 209 GB se transmite desde el SSD a través de sombreadores de computación Metal personalizados, sin Python ni frameworks.