re_gent: Git para Agentes de Codificación de IA – Control de Versiones para la Actividad del Agente

✍️ OpenClawRadar📅 Publicado: 8 de mayo de 2026🔗 Source
re_gent: Git para Agentes de Codificación de IA – Control de Versiones para la Actividad del Agente
Ad

re_gent es un sistema de control de versiones de código abierto diseñado específicamente para agentes de codificación de IA. Captura automáticamente cada llamada a herramienta que realiza un agente — ediciones de archivos, comandos de shell, etc. — junto con el contexto de la conversación que las desencadenó. Piense en ello como Git para las acciones de su agente.

Características principales

  • Seguimiento automático: Sin confirmaciones manuales. Cada llamada a herramienta se captura como un Paso (hash padre, instantánea del espacio de trabajo, delta de conversación, nombre y argumentos de la herramienta, ID de sesión, marca de tiempo).
  • rgt log: Vea lo que hizo el agente — cambios en archivos, recuentos de líneas, marcas de tiempo y la indicación causante.
  • rgt blame <archivo>:<línea>: Identifique qué indicación escribió una línea específica, qué sesión y qué herramienta.
  • rgt rewind (próximamente): Restaure el espacio de trabajo a cualquier paso anterior.
  • Conciencia de múltiples sesiones: rgt sessions lista las sesiones activas; rgt log --session <id> filtra por sesión.
  • rgt show <hash-paso>: Contexto completo de un paso — diff, conversación, marca de tiempo.
Ad

Instalación

# Homebrew (macOS/Linux)
brew tap regent-vcs/tap
brew install regent

O mediante Go

go install github.com/regent-vcs/regent/cmd/rgt@latest

Luego inicialice en su directorio del proyecto con rgt init. Se incluyen autocompletados para bash, zsh y fish.

Cómo funciona

La actividad del agente se almacena en .regent/ (como .git/):

  • objects/ — blobs direccionados por contenido (BLAKE3)
  • refs/ — punteros de sesión
  • index.db — Índice de consultas SQLite
  • config.toml

Los pasos forman un grafo acíclico dirigido (DAG). Cada sesión es su propia rama; los ancestros comunes se deduplican. La herramienta actualmente soporta Claude Code — se aceptan contribuciones para otros agentes.

Para la especificación completa, consulte POC.md en el repositorio.

📖 Lea la fuente completa: HN AI Agents

Ad

👀 Ver también

Kit de inicio Next.js de código abierto añade barreras de seguridad e instrucciones para agentes para evitar contenido generado por IA de baja calidad
Herramientas

Kit de inicio Next.js de código abierto añade barreras de seguridad e instrucciones para agentes para evitar contenido generado por IA de baja calidad

Un nuevo boilerplate de Next.js incluye autenticación, base de datos, CI, pruebas e instrucciones para Claude Code listas para usar, dirigido a desarrolladores que usan agentes de codificación de IA para crear aplicaciones de producción más rápido.

OpenClawRadar
Colony: Una Capa de Coordinación Local-Primero que Reduce los Tokens de Transferencia Multi-Agente de 30K a 400
Herramientas

Colony: Una Capa de Coordinación Local-Primero que Reduce los Tokens de Transferencia Multi-Agente de 30K a 400

Colony es un sustrato de coordinación local-first que reduce los costos de transferencia entre agentes de ~30,000 tokens a ~400 al reemplazar la reproducción de contexto con observaciones compactas almacenadas en SQLite.

OpenClawRadar
Servidor MCP conecta a Claude con Room EQ Wizard para análisis de acústica de estudio
Herramientas

Servidor MCP conecta a Claude con Room EQ Wizard para análisis de acústica de estudio

Un servidor MCP de código abierto le da a Claude AI control sobre Room EQ Wizard, permitiendo la calibración automatizada de monitores de estudio y el análisis de acústica de salas. La herramienta incluye 27 herramientas MCP para control de mediciones, generación de señales, medición de SPL y gestión de ecualización.

OpenClawRadar
Revisión del Rendimiento del Modelo OpenClaw: Codex 5.3 Lidera, los Modelos GLM Decepcionan
Herramientas

Revisión del Rendimiento del Modelo OpenClaw: Codex 5.3 Lidera, los Modelos GLM Decepcionan

Un desarrollador probó múltiples modelos de IA con OpenClaw, encontrando que Codex 5.3 rinde mejor con una calificación de 9/10, mientras que GLM 4.7 y GLM 5 obtuvieron 5/10 debido al alto uso de tokens, respuestas lentas y resultados inconsistentes.

OpenClawRadar