Rudel: Analíticas de código abierto para sesiones de Claude Code
Rudel es una capa de análisis de código abierto para sesiones de Claude Code que proporciona visibilidad sobre cómo los desarrolladores realmente utilizan los agentes de codificación con IA. El equipo lo construyó después de darse cuenta de que no tenían información sobre sus propios patrones de uso de Claude Code.
Hallazgos clave de 1.573 sesiones reales
El equipo analizó 1.573 sesiones de Claude Code que contenían más de 15 millones de tokens y más de 270.000 interacciones. Algunos hallazgos notables:
- Las habilidades solo se utilizaron en el 4% de las sesiones
- El 26% de las sesiones se abandonan, la mayoría dentro de los primeros 60 segundos
- La tasa de éxito de las sesiones varía significativamente según el tipo de tarea (la documentación obtiene la puntuación más alta, la refactorización la más baja)
- Los patrones de cascada de errores aparecen en los primeros 2 minutos y predicen el abandono con una precisión razonable
- No existe un punto de referencia significativo para el rendimiento 'bueno' de las sesiones agentivas
Cómo funciona Rudel
La herramienta consta de una CLI y un panel de control. Para comenzar:
npm install -g rudel
rudel login # autenticarse a través de su navegador
rudel enable # carga automática de sesiones cuando Claude Code finalizaPara carga por lotes de sesiones existentes:
rudel upload # selector interactivo para carga por lotesImplementación técnica
Cuando ejecutas rudel enable, registra un gancho de Claude Code que se ejecuta cuando finaliza una sesión. El gancho carga la transcripción de la sesión a Rudel. Las transcripciones se almacenan en ClickHouse y se procesan en análisis.
Datos recopilados
Cada sesión cargada incluye:
- ID de sesión y marcas de tiempo (inicio, última interacción)
- ID de usuario e ID de organización
- Ruta del proyecto y nombre del paquete
- Contexto de Git (repositorio, rama, SHA, remoto)
- Transcripción de la sesión (contenido completo de solicitudes y respuestas)
- Uso de subagentes
Consideraciones de seguridad
Rudel ingiere datos completos de sesiones de agentes de codificación, que pueden contener material sensible incluyendo código fuente, solicitudes, salida de herramientas, contenido de archivos, salida de comandos, URLs y secretos. El equipo enfatiza habilitar Rudel solo en proyectos y entornos donde te sientas cómodo cargando esos datos. Para el servicio alojado en app.rudel.ai, afirman que no tienen acceso a datos personales contenidos en las transcripciones cargadas.
Desarrollo y autoalojamiento
El proyecto tiene licencia MIT e incluye documentación para desarrollo local y autoalojamiento. Consulta CONTRIBUTING.md para configuración local y docs/self-hosting.md para ejecutar tu propia instancia.
Este tipo de herramienta es particularmente útil para equipos que desean comprender cómo sus desarrolladores interactúan con los asistentes de codificación con IA, identificar patrones en sesiones exitosas versus abandonadas, y potencialmente mejorar sus flujos de trabajo basándose en datos en lugar de anécdotas.
📖 Read the full source: HN AI Agents
👀 Ver también
Construyendo un Agente de Voz de Menos de 500ms: Arquitectura y Perspectivas de Rendimiento
Un desarrollador construyó un agente de voz desde cero logrando una latencia de extremo a extremo de ~400ms con transmisión completa STT → LLM → TTS. Las ideas clave incluyen tratar la voz como un problema de toma de turnos, usar detección semántica de fin de turno y colocar todos los componentes para una latencia mínima.
Project Headroom: La herramienta de código abierto de un ingeniero de Netflix reduce los costos de tokens de IA en un 90%
Tejas Chopra, ingeniero senior de Netflix, creó Project Headroom, un proxy de código abierto que comprime la entrada de contexto de IA hasta en un 90%, ahorrando aproximadamente $700,000 entre usuarios desde enero de 2026. Se ejecuta localmente en el puerto 8787 y envuelve cualquier CLI de LLM.
La Ruta Rápida de Búsqueda de Memoria QMD de OpenClaw Tenía Errores Silenciosos
La búsqueda de memoria integrada de OpenClaw utiliza coincidencia básica de palabras clave, pero los usuarios pueden cambiar a QMD para búsqueda semántica en los archivos markdown del espacio de trabajo. Una ruta rápida a través de MCPorter estaba rota con tres errores que hacían que cada llamada fallara silenciosamente y recurriera a la ejecución CLI más lenta.
El modelo Qwen3-0.6B ajustado supera al maestro de 120B en llamadas a funciones estructuradas.
Distil Labs publicó una canalización integral que ajusta un modelo Qwen3-0.6B para lograr un 79.5% de coincidencia exacta en la llamada a funciones de hogares inteligentes IoT, superando a un modelo maestro de 120B por 29 puntos. La canalización utiliza trazas de producción para generar datos de entrenamiento sintéticos sin anotación manual.