Una colección de recursos comprobada a mano para Prompt Engineering and Context Engineering — que abarca documentos, herramientas, modelos, APIs, parámetros, cursos y comunidades para trabajar con modelos de lenguajes grandes.
https://promptslab.github.io
Master Prompt Engineering. Join the Course at https://promptslab.github.io
OPRO: Grandes modelos de lenguaje como optimizadores [2023, NeurIPS 2024] — Utiliza LLMs como optimizadores a través de meta-prompts; optimización de los impulsos desvalorizados humanos en hasta un 50% en BBH.
EvoPrompt [2023, ACL 2024] — Enfoque del algoritmo evolutivo para optimizar automáticamente las indicaciones discretas.
Meta Prompting for AI Systems [2023, Taller ICLR 2024] — Plantillas estructurales Ejemplo-agnósticas formalizadas usando la teoría de la categoría.
Prompt Engineering a Prompt Engineer (PE2) [2024, ACL Findings] — Utiliza LLMs para metapromptarse, refinando los impulsos con plantillas paso a paso para mejorar significativamente el razonamiento.
s1: Escalada de tiempo de prueba simple [2025] — SFT en solo 1.000 ejemplos crea un modelo competitivo de razonamiento a través de “forzamiento presupuestario”.
Modelos de lenguaje grande: una encuesta [2025] — Encuesta completa organizando LLMs agentes mediante el razonamiento, la actuación y la interacción de capacidades.
Jailbreak de muchos disparos [2024] — La escalada de ejemplos dañinos en ventanas de largo contexto permite la ruptura de la cárcel (Informe Técnico Antrópico).
Solve NLP Problemas con LLM’s ” Genera fácilmente diferentes impulsos de tareas NLP para modelos generativos populares como GPT, PaLM, y más con Promptify
Plataforma autoanfitriona para la gestión de archivos de configuración IDE AI (.cursorrules, CLAUDE.md, copilot-instructions.md). Web UI, REST API, CLI y mercado de planos federados para 30+ auxiliares de codificación AI.
Generador de impulsos Visual AI que se descompone en 12 bloques semánticos (role, context, constraints, examples, etc.) y los compila en XML optimizado. Extensión del navegador para ChatGPT/Claude/Gemini, y servidor MCP para agentes de Claude Code. Libre, de código abierto.
MCP es un estándar abierto desarrollado por Anthropic (Nov 2024, donado a la Fundación Linux Dec 2025) para conectar auxiliares de IA a fuentes e instrumentos de datos externos a través de una interfaz estandarizada. Tiene 97M+ descargas mensuales de SDK y ha sido adoptado por GitHub, Google, y la mayoría de los principales proveedores de IA.
Nombre
Descripción
Enlace
MCP Specification
La especificación del protocolo central y SDKs. ~15K+ ⭐
Medio ambiente devoto agente de código abierto (YC W26) para ejecutar múltiples agentes de codificación en paralelo en árboles de trabajo aislados de Git.
Agente web dev impulsado por AI; rápido, ejecutar, editar e implementar aplicaciones de personal completo directamente en el navegador a través de WebContainers. ~15K+ ⭐
Programador de pares de código abierto agente SWE con escritura de código, planificación e investigación; admite Claude, GPT-4, Llama, Ollama. ~3.5K+ ⭐
Herramienta CLInpx pawmode) que convierte el Código Claude en un asistente personal generando impulsos del sistema (CLAUDE.md + SOUL.md) con personalidad, memoria y 38 routers de habilidad.
CLI de código abierto que inyecta permanentemente 10 marcos de decisión estructurados (MECE, Árboles de Edición, Pre-Mortems) y 12 detectores de sesgos cognitivos en impulsos auxiliares de IA. Vamos, MIT.
Características clave: Pensamiento extendido con uso de herramientas, Uso de ordenadores, MCP (originado aquí), caché rápido, Código Claude CLI, disponible en AWS Bedrock y Google Vertex AI. API Docs
Más inteligente modelo de Google, desplegado en 2B+ Usuarios de búsqueda
Gemini 2.5 Pro
1M
$1.25 / $10
Mejor para tareas de codificación/agenéticas, modelo de pensamiento
Gemini 2.5 Flash / Flash-Lite
1M
$0.30/$1.50 · $0.10/$0.40
Líderes de rendimiento de precios
Características clave: Pensamiento (todos los modelos 2.5+), Google Search grounding, code execution, Live API (real-time audio/video), context caching. Google AI Studio
Desarrollado pero aún experimental a partir de 2025. La investigación muestra preocupaciones de fragilidad.
Experimental
Importante caveat: Ningún detector reclama una precisión del 100%. El texto mixto humano/AI sigue siendo más difícil de detectar (50–70% de precisión). La robustez adversarial varía ampliamente. Se prevé que el mercado de detección de IA crezca de ~$2.3B (2025) a $15B para 2035.
OpenAI Prompt Engineering Guide — Amplio, que abarca GPT-4.1/5, impulso, modelos de razonamiento, productos estructurados, flujos de trabajo agentes. Actualizado continuamente.
OpenAI GPT-4.1 [2025] — Diseño rápido estructurado como agente: persistencia de objetivos, integración de herramientas, procesamiento de largo contexto.
Antrópico Prompt Engineering Overview — Diseño de impulso iterativo, etiquetas XML, cadena de pensamiento, asignación de roles. Incluye generador rápido.
kayba-ai/recursive-improve — Marco de auto-mejoramiento Recursivo donde los agentes capturan rastros de ejecución, analizan patrones de falla y aplican correcciones específicas con evaluación de mantenimiento o devolución.
vukrosic/auto-research — Plan de control solo para un laboratorio de investigación AI autónomo abierto — modelo operativo basado en archivos para dirección humana y ejecución de agentes.
uditgoenka/autoresearch — Claude Code habilidad que generaliza la investigación automática en un bucle reutilizable para software, docs, seguridad, envío, depuración y otros objetivos mensurables.
leo-lilinxiao/codex-autoresearch — Habilidad de investigación autóctona de Codex con soporte de reanudación de la actividad, lecciones a través de las carreras, experimentos paralelos opcionales y flujos de trabajo específicos para el modo.
junjunbong/research-loop — Habilidad de Agente de Autobúsqueda para Codex y Claude Code con un corredor determinista, aprobación de plan-hash, árboles de trabajo aislados de Git, evaluación métrica autorizada, y un libro de experimentos sólo de apéndice.
xieyulai/steer — Marco de experimentos mejorado donde los agentes de codificación editan código de entrenamiento y ejecutan rondas mientras la tarea, marcador y evidencia permanecen fijos.
SeeleAI/Thoth — Dashboard-first Claude Code and Codex runtime for autoresearch, with durable runs, locked work items, visible ledgers, and reviewable verdicts.
supratikpm/gemini-autoresearch — Gemini CLI habilidad que generaliza la auto investigación a cualquier meta mensurable. Gemini-native: utiliza Google Search grounding como una fuente de verificación en vivo dentro del bucle, verdadero modo sin cabeza a través de —yolo —prompt, y 1M token context. También trabaja en Antigravity IDE vía .agents/skills/.
davebcn87/pi-autoresearch — pi extension plus dashboard for persistent experiment loops, live metrics, confidence tracking, and resumable autoresearch sessions.
drivelineresearch/autoresearch-claude-code — Claude Code plugin/skill port of pi-autoresearch, con un flujo de trabajo de laboratorio limpio y un estudio de caso biomecánico concreto.
grishaven-ai/autocontext — Plano de control cerrado para la mejora reiterada del agente, con evaluación, conocimiento persistente, validación escalonada y destilación opcional en tiempos de ejecución locales más baratos.
Necmtn/ax — Loop retro local para agentes de codificación AI: captura trazas de sesión, convierte la fricción repetida en propuestas, y pistas aceptadas fijaciones como experimentos.
jmilinovich/goal-md — Generaliza la investigación automática en un GOAL.md patrón para repos donde el agente debe construir primero una función de fitness medible antes de que pueda optimizar.
james-s-tayler/lazy-developer — Claude Code habilidad que orquesta autobúsqueda a través de una secuencia priorizada de objetivos de optimización (cubrimiento, velocidad de prueba, velocidad de construcción, complejidad, LOC, rendimiento) utilizando GOAL.md como motor. Soporta la ejecución independiente y la multi-instance Ralph Mode.
mutable-state-inc/autoresearch-at-home — Tinta colaborativa de autoescuchación aguas arriba que añade experimentos reclamando, sincronización compartida de los mejores contactos, intercambio de hipótesis y coordinación de estilo enano entre muchos agentes de una sola GPU.
zkarimi22/autoresearch-anything - Generaliza la investigación automática cualquier métrica mensurable — avisos de sistema, rendimiento de API, landing pages, test suites, configuración de configuración, consultas SQL. “Si puedes medirlo, puedes optimizarlo”.
Entrpi/autoresearch-everywhere — Ampliación multiplataforma que auto-detectos config hardware y comienza el bucle. La mitad de la investigación “glutina y generalización”.
ShengranHu/ADAS — Diseño Automatizado de Sistemas Agentes - ICLR 2025. Meta-agentes que inventan arquitecturas de agentes novedosos mediante la programación de ellos en código.
MaximeRobeyns/self_mejora_codificación_Agente — SICA: Codificación de autoimproducción Agente que edita su propia base de código. ICLR 2025 Workshop paper demonstrating scaffold-level self-improvement on coding benchmarks.
peterskoett/self-improving-agent — Arquitectura alternativa de autoproducción de agentes con ciclos de reflexión y meta-aprendizaje.
metauto-ai/HGM — Máquina Huxley-Gödel para los agentes de codificación - aplica auto-mejoramiento al rendimiento SWE-bench a través de la optimización meta-nivel.
gepa-ai/gepa — GEPA (Genetic-Pareto) - ICLR 2026 Oral. Evolución rápida reflectante que supera RL (GRPO) en parámetros de referencia. Optimiza cualquier parámetro textual contra cualquier métrica utilizando la reflexión del lenguaje natural.
sentient-agi/EvoSkill — Automatizado descubrimiento de habilidades para los agentes de codificación: evoluciona habilidades reutilizables y los impulsos de trayectorias fallidas contra puntos de referencia, con el apoyo de Claude Code, Codex CLI, OpenCode, OpenHands y Goose.
MrTsepa/autoevolve — Autobús de auto-jugación inspirado en GEPA: mutar estrategias de código, evaluar cabeza a cabeza, velocidad con Elo/Bradley-Terry, rama del frente de Pareto. El agente lee rastros de coincidencias para apuntar mutaciones. Funciona como una habilidad del Código de Claude.
HKUDS/ClawTeam — Inteligencia enjambre del agente para la investigación de automóviles — genera direcciones de investigación paralelas de GPU, distribuye trabajo a través de agentes, resultados agregados.
Orchestra-Research/AI-Research-SKILLs — Biblioteca completa de habilidades que incluye orquestación de autobuses con arquitectura de dos opciones ( optimización interna + síntesis externa).
WecoAI/aideml — AIDE: Tree-search ML engineering agent que mejora autónomamente el rendimiento del modelo a través de la generación y evaluación de códigos iterativos.
weco.ai — Weco: Plataforma Nube para AIDE con observabilidad, seguimiento de experimentos y carreras gestionadas, trae el bucle de autobúsqueda a la producción.
aiming-lab/AutoResearchClaw — Fin a fin de tubería de investigación que convierte un tema en revisión de la literatura, experimentos, análisis, revisión por pares y borradores de papel; más amplio que la investigación automática, pero claramente en el mismo linaje.
OpenLAIR/dr-claw — Espacio de trabajo de investigación de código abierto con tuberías secuenciales de ideas a papel y paquetes de herramientas de investigación integrada.
OpenRaiser/NanoInvestigación — Motor de investigación autónomo de fin a fin que planifica experimentos, genera código, ejecuta trabajos localmente o en SLURM, analiza resultados reales, y escribe documentos basados en esos productos.
kaust-ark/ARK — ARK (Kit de investigación automática): idea + lugar → oleoducto de papel orquestando 6 agentes — análisis de propuestas, búsqueda de literatura, experimentos de Slurm, redacción de LaTeX, revisión iterativa de pares. Controlado a través de CLI, panel web o Telegram.
wanshuiyin/Auto-claude-code-research-in-sleep — Primeros flujos de trabajo de investigación para Claude Code y otros agentes, centrados en revisión bibliográfica autónoma, experimentos, iteración de papel y crítica cruzada.
skyllwt/AutoSci — Plataforma de investigación de ciclo completo centrada en Wiki construida en el Código de Claude, realizando la visión LLM-Wiki de Karpathy. 20+ habilidades cubren el bucle completo: ingert → ideate → novedoso cheque → diseño del experimento / run / eval → escritura de papel. El estado de investigación vive en un wiki de conocimiento estructurado con un gráfico interactivo.
Sibyl-Research-Team/AutoResearch-SibylSystem — Plenamente autónomo científico de IA construido en el Código Claude, con lineamiento explícito de AutoResearch, iteración de investigación multiagente, ejecución de experimentos GPU y un bucle exterior autoevolucionante.
wjc2830/Easy-AutoResearch-for-DeepLearning — Claude Code habilidad que dirige un bucle de aprendizaje profundo de estilo autoescuchado y humano a través de seis roles, experimentos versionados y finalización comprobada por pruebas.
eimenhmdt/autoresearcher — Paquete de código abierto temprano para automatizar los flujos de trabajo científicos, actualmente centrado en la generación de revisión de la literatura con una ambición hacia una investigación autónoma más amplia.
hiperespacioai/agi — Red de investigación distribuida, entre pares, donde agentes autónomos ejecutan experimentos, hallazgos de chismes, mantienen las tablas directivas de CRDT y resultados de archivo a GitHub en múltiples ámbitos de investigación.
Human-Agent-Society/CORAL — CORAL: Evolución multiagente autónoma para el descubrimiento abierto (arXiv:2604.01658). Agentes de larga duración con memoria persistente compartida, ejecución asincrónica y intervenciones basadas en latidos cardíacos; SOTA en 10 tareas de matemáticas/algorítmica/sistemas.
SakanaAI/AI-Scientist — The AI Scientist: Primer sistema completo para el descubrimiento científico totalmente automático. De generación de ideas a escritura de papel con mínima supervisión humana.
SakanaAI/AI-Scientist-v2 — Taller de descubrimiento científico automatizado a través de la búsqueda de árboles. Elimina la dependencia de plantilla de v1, generaliza a través de dominios de investigación.
AweAI-Team/AiScientist — AiScientist: laboratorio de investigación ML de larga duración con orquestación jerárquica y coordinación File-as-Bus — los archivos del espacio de trabajo actúan como el sistema duradero de registro. Conduce la reproducción autónoma del papel (PaperBench) y los bucles de iteración MLE-Bench estilo competencia bajo presupuestos fijos de computación/tiempo. (arXiv 2604.13018)
HKUDS/AI-Researcher - Papel NeurIPS 2025. Automatización completa de investigación de extremo a extremo: hipótesis → experimentos → manuscrito → revisión de pares. Versión de producción en novix.ciencia.
openags/Auto-Research — OpenAGS: Orquesta un equipo de agentes de IA en todo el ciclo de vida de investigación — revisión encendida, generación de hipótesis, experimentos, escritura de manuscritos y revisión de pares.
SamuelSchmidgall/AgentLaboratory — Flujo de trabajo de investigación autónomo final a fin: idea → revisión de la literatura → experimentos → informe. Soporta modos autónomos y copilotos.
Agente Rxiv — Marco de investigación autónomo colaborativo donde los laboratorios de agentes comparten un servidor de preimpresión para construirse en forma iterativa.
JinheonBaek/ResearchAgent — Generación de ideas de investigación iterativa sobre literatura científica con LLMs. Exámenes de revisión y retroalimentación múltiples.
du-nlp-lab/MLR-Copilot — Marco de investigación autónomo de ML — genera ideas, implementa experimentos, analiza resultados.
MASWorks/ML-Agent — Reforzando agentes de LLM para la ingeniería ML autónoma. Aprende de prueba y error para mejorar el rendimiento del modelo.
PouriaRouzrokh/LatteReview — Paquete de pitón de código bajo para revisiones sistemáticas automatizadas de la literatura a través de agentes de IA.
LitLLM/LitLLM — Asistente de revisión de la literatura impulsada por AI utilizando RAG para secciones de trabajo relacionados precisas y bien estructuradas en escritura académica.
Agente Laboratorio — Oleoducto de investigación en tres fases: Revisión de literatura → Experimentación → Redacción de informes, con agentes especializados para cada fase.
Happyhappy-jun/write-driven-autoresearch — Arnés de estilo autobús de búsqueda que mantiene un papel presentado desde el primer minuto y conduce cada experimento de las afirmaciones en ese borrador, bucle modifica → medida → verificar → revisión. Primer lugar en el Ralphthon@ICML 2026 hackathon de investigación autónoma.
AutoResearch-Factory/Agon — Orquestador de investigación final a extremo construido sobre un principio de piedra angular, Prompt Economy (lazos reutilizables, no la única salida), más cinco reglas de apoyo; corre círculos científicos/codificadores/audidores a través de 10+ disciplinas, el mismo linaje reutilizable-laop como autoescucha pero escalado a programas de investigación completos.
gianfrancopiana/openclaw-autoresearch — Puerto OpenClaw de pi-autoresearch; bucle de experimento autónomo para cualquier objetivo de optimización con puntuación de confianza estadística.
miolini/autoresearch-macos — Tinta macOS ampliamente adoptada que adapta la investigación preliminar de automóviles para Apple Silicon / MPS mientras preserva la forma original del lazo.
trevin-creator/autoresearch-mlx — Puerto de silicona MLX nativo de Apple que mantiene el presupuesto fijo val_bpb bucle mientras elimina la dependencia PyTorch/CUDA por completo.
jsegov/autoresearch-win-rtx — Tinta RTX nativa de Windows centrada en las GPUs NVIDIA de consumo, con suelos VRAM explícitos y una ruta práctica de configuración de escritorio.
iii-hq/n-autoresearch — Multi-GPU infraestructura de autobuses con seguimiento de experimentos estructurados, estrategia de búsqueda adaptativa, recuperación de fallos y orquestación deseable en torno al clásico train.py bucle.
lucasgelfond/autoresearch-webgpu — Puerto Navegador/WebGPU que permite a los agentes generar código de entrenamiento, ejecutar experimentos en-browser y alimentar resultados de nuevo en el bucle sin una configuración de Python.
tonitangpotato/autoresearch-engram - Fork with memoria cognitiva persistente — recuperación ponderada con frecuencia de conocimientos cruzados para mejorar la continuidad del experimento.
Puerto Colab/Kaggle T4 — Adapta la búsqueda automática de GPUs T4 gratuitos (Google Colab / Kaggle) con cero costo y cero configuración local. Cambios clave: Atención Flash 3 → PyTorch SDPA, elimina la dependencia del núcleo sólo H100.
ArmanJR-Lab/autoautoresearch — puerto Jetson AGX Orin con director — un binario Go que actúa como un “director creativo” inyectando novedad (arxiv papers + DeepSeek Reasoner) en el bucle para escapar de la minima local. Incluye la comparación multiexperiment (baseline vs director-guía) con el análisis detallado de los puestos.
mattprusak/autoresearch-genealogy — Aplica el patrón de autobuses a la genealogía, utilizando indicaciones estructuradas, guías de archivos, cheques de fuentes y flujos de trabajo de bóveda para expandir y verificar iterativamente la investigación de historia familiar.
ArchishmanSengupta/autovoiceevals — Usa calentadores adversarios y ediciones rápidas para endurecer los agentes de voz AI a través de Vapi, AI más pequeña y ElevenLabs.
chrisworsey55/atlas-gic — Aplica el bucle de retención de autoescritura o revertir a los agentes comerciales, optimizando los impulsos y orquestación de portafolios contra la relación de cuerda en lugar de pérdida de modelos.
RightNow-AI/autokernel — Aplica el bucle de autoescucha a la optimización del núcleo GPU: cuellos de perfil, edición de un núcleo, parámetro de referencia, mantenimiento o reversión, repetición.
ElliotXie/autozyme — Marco multiagente que aplica el bucle de retención o revertir de autobuses al software científico de CPU: perfilar una función de destino, generar un candidato de optimización, punto de referencia para la velocidad preservando al mismo tiempo los productos originales, mantener o revertir, repetir.
Agente-Analytics/autoresearch-growth — Aplica autoescucha para posicionamiento de landing-page y candidatos de prueba A/B, usando instantáneas analíticas y resultados de experimentos medidos para semillas posteriores.
Rkcr7/autoresearch-sudoku — Aumenta el flujo de trabajo de autoescuchas donde un agente de IA reescribe iterativamente y hace referencias a un solucionador de sudoku de Rust, golpeando finalmente a los principales solvers humanos construidos en conjuntos de puntos de referencia duros.
jeongph/autospec — Lee las reglas del negocio en lengua natural y construye autónomamente un servicio de arranque de primavera con pruebas a través del bucle de mantenimiento o devolución. Evalua con Gradle build + JUnit XML. Esqueleto de 119 líneas a 950 líneas en 5 ciclos.
vlasenkoalexey/tpu_rendimiento_autobús_wiki — Aplica el bucle de retención o devolución de autobuses para el rendimiento del modelo TPU (MFU / tokens-per-sec) en el hardware v6e: perfiles cada uno corre a través de un servidor XProf MCP, hace un cambio de código de modelo por experimento, y mantiene o revierte contra MFU medida. Combina el bucle con un wiki LLM de estilo Karpathy para conocimientos de dominio y rastros de optimización de experiencia; incluye estudios de casos Llama3-8B y Qwen3-8B en JAX y carriles de antorcha.
VoltAgent/awesome-ai-agent-papers — Documentos de agentes de IA curados de 2026 — ingeniería de agentes, memoria, evaluación, flujos de trabajo y sistemas autónomos.
masamasa59/ai-agent-papers — Documentos de investigación de agentes de inteligencia artificial actualizados bisemanalmente mediante búsqueda automatizada de arxiv con selección curada.
tmgthb/Autonomous-Agents — Documentos de investigación de agentes autónomos, actualizados diariamente.
agenteicscience.github.io — Encuesta: “De la AI para la Ciencia a la Ciencia Agentic: Una encuesta sobre el descubrimiento científico autónomo”.
dspy.ai/GEPA — DSPy integration of GEPA reflective prompt optimizer for compound AI systems.
OpenAI Cookbook: Agentes autónomos — Cookbook para la reeducación de agentes autónomos utilizando la evolución reflexiva de estilo GEPA.
WecoAI/awesome-autoresearch — Lista curada de casos de AutoResearch utilizan trazas verificables y gráficos de progreso, organizados por dominio (entrenamiento LLM, núcleos GPU, agentes de voz, comercio, etc.).
¡Agradecemos las contribuciones a esta lista! Antes de contribuir, por favor tome un momento para revisar nuestro Directrices de contribuciónEstas directrices ayudarán a asegurar que sus contribuciones se ajusten a nuestros objetivos y cumplan con nuestros estándares de calidad y relevancia.
Lo que estamos buscando:
Nuevos documentos de alta calidad, herramientas o recursos con una breve descripción de por qué importan
Actualizaciones a las entradas existentes (enlaces rotos, información obsoleta)
Corrección a cuenta de estrellas, precios o detalles del modelo
Traducciones y mejoras de accesibilidad
Normas de calidad:
Todos los instrumentos deben mantenerse activamente (actualizados en los últimos 6 meses)
Los documentos deben provenir de lugares examinados por pares o tener una adopción comunitaria significativa
Los conjuntos de datos deben ser accesibles públicamente
Por favor incluya una descripción de una sola línea que explica por qué el recurso es valioso
¡Gracias por su interés en contribuir a este proyecto!
HagiCode es un espacio de programación con agentes. Las interacciones de interfaz, ricas y cómodas, hacen que planificar, ejecutar agentes y trabajar en proyectos sea accesible y fácil de seguir, para una experiencia de desarrollo atractiva.
Una experiencia de desarrollo atractiva gracias a interacciones de interfaz ricas y cómodas.
InteligenteLos flujos de trabajo de OpenSpec convierten la intención en un itinerario ejecutable, de la propuesta al diseño, las tareas y la entrega.
EficienteLa ejecución multiagente avanza en paralelo con la investigación, la implementación y la revisión, en varios repositorios y con los Agent CLI que ya usas.
InteresanteLas interacciones de interfaz, ricas y cómodas, hacen que planificar, ejecutar agentes y trabajar en proyectos sea accesible y fácil de seguir.
HagiCode hace que la planificación, la ejecución de agentes y el trabajo en proyectos sean accesibles mediante interacciones de interfaz ricas y cómodas: https://www.hagicode.com/
Convierte ideas en software entregado.
HagiCode es un espacio de trabajo de programación con agentes: los flujos de trabajo de OpenSpec planifican el cambio, la ejecución multiagente lo lleva a cabo y Hero Scenario hace visible el largo recorrido, para convertir ideas en software entregado.
La reproducción de sesiones (cuando un proveedor graba sesiones) forma parte del análisis. Ningún proveedor graba la pantalla. (Google Analytics, 51LA, PostHog)
