SNO significa Sense, Nexus y Outgrowth: comprender tu trabajo, conectar a los agentes y sus conocimientos, y crecer a través de la experiencia. Sno Station reúne a tus agentes de IA en tu propio ordenador, donde pueden compartir memoria, pasarse tareas y revisar el trabajo de los demás. Lo que aprenden puede servir para mejorar su forma de trabajar juntos, y tú decides qué cambios conservar.
En qué creemos
Hace tiempo que dejaste de usar un solo agente. Dos terminales, dos suscripciones, dos modelos de dos empresas. No se hablan. Cuando uno se queda sin cuota, pegas las últimas veinte líneas en el otro y empiezas de nuevo. Cuando uno revisa su propio trabajo, dice «se ve bien». Y mañana cometerá el mismo error que hoy, porque nada se transmitió.
Sno Station parte de una idea sencilla. Los agentes que ya usas deberían trabajar como un solo equipo en tu máquina, y el lugar donde trabajan debería seguir mejorando poco a poco.
Siempre un poco más listo. Autoaprendizaje lee lo que tus agentes hicieron y busca los errores que se repiten. Escribe la corrección en las propias habilidades de los agentes, una regla corta o un paso cambiado, y te la deja para que la apruebes. Nada cambia hasta que dices que sí. Los modelos siguen exactamente como los entregaron los proveedores. Lo que mejora es el entorno de trabajo que los rodea, y mejora a partir de tu propio trabajo, no del benchmark de otro.
Una mente rápida y una lenta. La gente piensa de dos maneras. Está la mirada que te dice que un número está mal, medio segundo, sin esfuerzo. Y está el pensamiento lento que averigua por qué. Daniel Kahneman los llamó Sistema 1 y Sistema 2. Autoaprendizaje funciona igual. Un pequeño modelo de decisión, Jev, lee cada sesión en menos de un segundo y marca las que salieron mal. Luego un modelo grande toma solo esas y averigua qué pasó y qué hay que cambiar. Leerlo todo de la manera lenta costaba demasiado, así que tomábamos unas ocho sesiones de sesenta y nos perdíamos el resto. Ahora no se muestrea nada. En una repetición con 276 de nuestras propias sesiones, la pasada rápida encontró 14 de 19 fallidas, donde el modelo grande solo encontró 6 de 16. Por mucho menos de un centavo por sesión.
Uno desarrolla. El otro revisa. Pide a un agente que compruebe su propio trabajo y volverá al resultado con los mismos supuestos. Dale ese trabajo a otro agente y tendrás un lector distinto. Claude Code y Codex asumen funciones separadas: uno desarrolla y el otro revisa según tus requisitos. Intercambian hallazgos y correcciones a través del contexto compartido. Cualquiera puede desarrollar o revisar. Lo llamamos Dual Brain. Añade más funciones y tendrás un agent squad.
Se hablan entre ellos. Cuando a un agente se le está acabando la cuota, escribe un traspaso: lo que está hecho, lo que está a medias, el commit exacto desde el que continuar. Luego despierta al otro y no suelta hasta que el traspaso se recibe. En nuestra propia máquina eso tomó catorce minutos y cuarenta y un segundos, en la tarea veintiuno de una compilación de veintisiete, con un 2 % de cuota. Nadie estaba despierto. Todo funciona con archivos normales en tu portátil. Sin demonio, sin servidor, nada que mantener encendido.
Una sola memoria, que olvida a propósito. Los dos agentes leen y escriben la misma memoria, así que ninguno empieza de cero. Una buena memoria también sabe soltar. Una preferencia que cancelaste o una fecha límite que se movió debería dejar de guiar a tus agentes el mismo día que cambia. Lo medimos y publicamos los números con su fuente. La memoria es la base de este producto. No es el titular, pero todo se apoya en ella.
Habilidades con las que llegan. El equipo no empieza vacío. Llega con las habilidades que llevamos seis meses usando cada día para dirigir nuestros propios agentes: revisarse entre sí, pasarse el trabajo, convertir una tarea en órdenes claras, informar de cómo van las cosas, mirar atrás a lo que salió mal. Se escribieron primero para programar y están hechas para adaptarse a tu forma de trabajar. También son las habilidades que reescribe Autoaprendizaje, así que las que más usas son las que más mejoran.
Tuyo, y sigue siendo tuyo. La memoria, los mensajes y las habilidades viven en tu portátil. La memoria está cifrada desde el primer uso, con una clave que nunca sale de tu máquina. Apache-2.0, de punta a punta. Autoaprendizaje es la única parte que envía algo afuera: con tu consentimiento, las sesiones que conserva van a nuestros servidores para ser evaluadas, y ves exactamente qué salió. Desactívalo y no sale nada. Si te vas, la memoria y las habilidades de tus agentes se van contigo.
Hacia dónde va esto. Hoy son dos mentes en un portátil. Hacia donde vamos es un equipo entero alrededor de ese equipo. Varias personas pueden verlo trabajar y cambiarle el rumbo, una sola sostiene la batuta a la vez, y las reglas sobre quién decide qué están escritas donde todos pueden leerlas. Esas reglas mejoran igual que las habilidades.
Lo estamos construyendo en público, pieza a pieza. Lo que está aquí funciona. Lo que todavía no está, no lo reclamamos.
Quiénes somos
Un agente escribió el texto de esta página y otro la construyó. Funcionan en entornos distintos, comparten una memoria y revisan el trabajo del otro; uno de nosotros leyó el resultado y dio su aprobación. Así hacemos todo aquí, incluido el producto que te permite hacer lo mismo. Trabajamos con nuestros agentes como queremos que trabajes con los tuyos: más de uno, nunca solos y un poco mejores con cada ejecución. Creemos que los próximos años serán de quienes trabajen con un equipo de agentes en lugar de una ventana de chat. Para ellos estamos construyendo, a la vista de todos y paso a paso, el entorno de trabajo que van a querer. Lo que hay aquí es real y funciona. No afirmamos que exista lo que aún no está listo.
Quién lo empezó
Sno AI lo fundó Larry Hope, que lleva desde 1994 diciéndoles a los ordenadores qué hacer y ahora sobre todo les pregunta si están seguros.
Por entonces escribió los libros sobre POO y C++ más vendidos de Taiwán. Después llegaron las empresas. CICQ, un servicio de mensajería instantánea P2P, alcanzó dos millones de usuarios en su primer año, en 1997. En 1999, coolbid.com, una plataforma de compras con subastas en directo, lideraba su mercado en China y Taiwán. Bala ofrecía música en streaming en China y llegó a tener cuatro millones de usuarios, pero no consiguió que pagaran por el servicio y tuvo que cerrar. Aun así, volvió a empezar. Durante la década de 2010 desarrolló equipos de alta fidelidad en Light Harmonic: primero, DAC reconocidos en los CES Innovation Awards; después, un sistema de audio para el Tesla Model S. Esos años diseñando productos físicos marcaron su forma de entender la calidad: un producto tiene que funcionar cuando llega a manos del cliente. En Sno aplicamos ese mismo criterio. Una tarea está terminada cuando el resultado le sirve a quien la encargó.
Código en los 90, hi-fi en los 2010, otra vez código. Sigue afinando, igual que todos los que trabajan en Sno AI, humanos o no.
Hecho para agentes de IA
Los agentes de IA pueden leer cada página pública de sno.ai como Markdown, encontrar su descripción de API y iniciar por su cuenta el registro de una persona. El Agent Readiness Scanner de Cloudflare puntúa sno.ai con 100 de 100, nivel 5 (Agent-Native).
Cómo contactar con nosotros
Código, incidencias y conversaciones: github.com/sno-ai/sno-station.
Informes de seguridad: security@sno.ai (nunca como incidencia pública).