Jun-seo Park

Artículos de Jun-seo Park

• DeepSeek V4.1 Flash API: limpiar y etiquetar 10.000 comentarios, y cuánto cuesta

  907 comentarios reales y DeepSeek V4.1 Flash API probado de verdad: la salida es el 78 % del costo del modelo y la hora valle lo deja en la mitad.

• Gemini Enterprise Agent Platform y MCP: un agente de reputación de marca con Agent Registry y Agent Gateway

  El MCP propio de Gemini Enterprise solo admite OAuth o ninguna autenticación. Así se monta con ADK, Agent Registry y Agent Gateway, con datos de DJI.

• GPT-6.1 Sol API con salidas estructuradas: coste estimado de etiquetar reseñas

  Etiquete reseñas con GPT-6.1 Sol, JSON estricto y Batch API. Datos: 412 reseñas reales. Modelo estimado a precio público: unos 0,81 USD por 1.000.

• GPT-6 Intelligent UI para un informe de marcas en Reddit y X: ejemplo de configuración MCP y pruebas con datos reales

  GPT-6 Intelligent UI responde con tablas y gráficos, pero OpenAI no dice que dibuje datos de MCP. Un informe de 3 marcas costó 0,003336 USD en la API.

• GLM 5.3 en Claude Code: un script de opinión para Zhihu y Weibo

  Configura GLM 5.3 en Claude Code con una clave de Zhipu y deja que escriba un script que compara respuestas de Zhihu y comentarios de Weibo, con costes.

• Gemini Deep Research API con un servidor MCP remoto: datos sociales que se pueden verificar

  La Gemini Deep Research API acepta MCP remoto, pero no funciones propias. 7 llamadas reales a datos sociales costaron $0.0046: conexión, precio y citas.

• DeepSeek V4 Claude Code: el coste de limpiar comentarios

  Claude Code con deepseek-flash y el MCP de EveryInfra para 695 comentarios de YouTube, Bilibili y Douyin: en hora punta cuesta 1/10 de Sonnet 5.5, pero más que Haiku 5.5.

• Subagentes de Claude Code: Haiku para cuentas de TikTok

  Una cuenta de marca de TikTok ocupa unos 9700 tokens en bruto; un subagente Haiku 5.5 devuelve un resumen de 95 tokens. 98 llamadas reales, errores 429 y el costo de 50 cuentas.

• Observación del ecosistema (7): puntuación de contenido y filtrado de información, desde ideas de negocio hasta pruebas de múltiples personalidades con Jev

  El segundo gran escenario del ecosistema: usar Jev para puntuar contenido y filtrar flujos de información. Analizamos killmyidea, el experimento puntual de Mike Taylor con 37 textos publicados, el modelo de 61 preguntas de SuperX y la simulación de 10 000 personalidades de Crowdcheck.

• Jev: evaluación de calidad de código: quién ejecuta números reales y quién solo afirma

  Decenas de proyectos en el ecosistema usan Jev para evaluar la calidad del código, pero pocos ejecutan experimentos controlados o publican costos y precisión. Analizamos los cinco experimentos de descubrimiento de agentjournal, las lecciones mecánicas de Supercov y la revisión por etapas de Jev Review para determinar qué escenarios usar y cuáles evitar.

• Observación del ecosistema Jev (5): el combustible de las primitivas de decisión, cómo combinar datos en tiempo real y juicio de calibración

  Cierre de los cinco primeros artículos de la serie. Las entradas de Noul, Choice y Score son estados, y su procedencia determina el límite superior de todo el flujo: la frontera de división entre la capa de datos y la de juicio, tres formas de combinación aplicables, un directorio público ejecutable como punto de partida y qué escenarios no deben combinarse.

• Observación del ecosistema Jev (IV): la capa de infraestructura desarrollada en cuatro días, directorios, clones y adopción de plataforma

  Análisis de quinientos repositorios: unos diez de demostración oficial, quince integraciones de plataforma, cincuenta aplicaciones independientes, noventa herramientas para agentes y trescientos de cola larga de SDK. Economía de directorios, clones compatibles, distribución con puerta de enlace dual y adopción a nivel de plataforma en la historia de la formación de una nueva infraestructura en cuatro días.

• Observación del ecosistema Jev (3): muestras de fallos en cuatro días y cuándo no confiar en él

  Fácil dejarse llevar por los casos de éxito. Una evaluación rigurosa de $1.43, un fallo en el quickstart oficial y varios defectos expuestos por los propios productos trazan el límite de confianza de las primitivas de decisión: alta confianza no equivale a acierto, dividir dimensiones no implica mejora, y las opciones amplias siempre fallan.

• Observación del ecosistema Jev (2): 30 proyectos de guardianes para agentes, qué bloquean y qué permiten

  Supervisar agentes de código es el caso de uso principal en el ecosistema Jev, con más de 30 proyectos homogeneizados en 72 horas. Dividimos estos sistemas en cuatro formas de protección y analizamos principios de diseño reutilizables basados en casos reales con métricas.

• Informe de campo del ecosistema Jev (1): Qué han dado de sí 220 casos en cuatro días

  Cuatro días después del lanzamiento de Jev por TypeSafe AI, hemos recopilado más de 220 casos con fuentes originales mediante diez escaneos completos. Esta primera entrega analiza tres primitivas semánticas, seis patrones frecuentes, lecciones aprendidas y la infraestructura emergente.

• Uso del SDK de OpenAI para Gemini: de la petición de texto mínima a una migración reversible

  Separa los límites de compatibilidad del SDK, la dirección del servicio y los modelos; valida las peticiones de texto sin streaming, los errores y la facturación, y recupera los parámetros por tarea para evitar asumir una compatibilidad total.