Mapa de Fallos de GitHub

Discusión comunitaria

¿Consejos? ¿Frustraciones? Compártelos aquí. Los comentarios útiles incluyen una descripción del problema, la ciudad y el código postal.

Tenga cuidado con los "números de soporte" o las cuentas de "recuperación" que se pueden publicar a continuación. Asegúrate de informar y votar negativamente esos comentarios. Evite publicar su información personal.

Reportes de Fallos de GitHub

Los últimos problemas e interrupciones reportados en social media:

• 
  Hugo Latra (@hugolatra) reportó hace 54 segundos

  @thomasiuz @flasheante Hoy pines un problema en Github, la IA lo lee y lo resuelve, marca como resuelto y sube el nuevo código. Eso ya está pasando.

• 
  Pedro Sorrentino (@PedroSorrentin0) reportó hace 1 minuto

  La verdad incómoda: Si sueltas agentes contra GitHub, npm, una API o tu propio servidor sin tope de reintentos, rate limit ni circuit breaker, estás construyendo el mismo incendio. En chico. Tres reglas mínimas: 1. Backoff y tope de reintentos 2. Un presupuesto de requests por agente 3. Una métrica que mida el cuello real, no la CPU “sana” Guarda el hilo si te ha servido. Y dime: en tu equipo, ¿quién pone ese límite… o todavía pegan hasta que arde?

• 
  Dubzeb_oficial (@D_Ochandiano) reportó hace 3 minutos

  X presume de transparencia total al publicar su algoritmo y lanzar Under the Hood, pero el código en GitHub revela la trampa, la verdadera moderación sigue siendo una caja negra inauditable. La ilusión del código abierto, publicar la fórmula matemática de puntuación, no sirve de nada si las reglas de Visibility Filtering (scarecrow y modelos de lenguaje) que deciden aplicar un DROP o INTERSTITIAL operan fuera del repositorio público. Sabes cómo calcula el ranking, pero no bajo qué criterio exacto te etiquetan para suprimir tu alcance. Transparencia con derecho de admisión, Vender un estándar global de apertura mientras limitas la herramienta de auditoría a cuentas con más de un año y alta actividad en un grupo de prueba aleatorio no es transparencia; es un simulacro para unos pocos seleccionados. El sesgo de predicción vs. interacción: Al basar el feed en probabilidades personalizadas de interacción en lugar de métricas transparentes, cualquier sesgo en los datos de entrenamiento para predecir bloqueos o reportes sepulta el contenido antes de que la audiencia real tenga oportunidad de verlo.Publicar el manual de cómo te penalizan sin abrir los criterios de moderación que te condenan es como darte el plano de la guillotina: ves la hoja caer con precisión matemática, pero sigues sin saber quién dio la orden.¿Es esto transparencia real o solo relaciones públicas para vestir de código abierto un sistema que sigue decidiendo en la sombra?

• 
  K0lateral - IA ? (@K0lateral) reportó hace 5 minutos

  @marcusyul @marcusyul ¡Y yo pensando que ya habías descubierto el fuego! Mira que listo, redescubriendo lo que lleva años en GitHub. Ahora dime, ¿esa comunidad de voluntarios te paga la luz del router? Porque gratis gratis, lo que se dice gratis, ni el café. Pero oye, que si te funciona,...

• 
  Codely ﹤🍍﹥ (@CodelyTV) reportó hace 5 minutos

  No hay semana en que GitHub no se caiga. 93.73% de uptime los últimos 90 días. La buena noticia es que están mejorando. Hace unos meses llegaron a tener un uptime del 84.31%. Eso significa que algunos de sus servicios estaba caído durante el ~15% del tiempo. Eso son 3h y media cada día. Ahora lo han logrado a reducir a 1h y media al día. Ojalá dentro de poco podamos hablar de minutos o ni eso.

• 
  Codely ﹤🍍﹥ (@CodelyTV) reportó hace 12 minutos

  Cursor acaba de lanzar públicamente su alternativa a GitHub. Justo en el día en el que GitHub lleva caído muchas horas.

• 
  𝗖𝗮𝗿𝗹𝗼𝘀 (@jcarlosmez) reportó hace 14 minutos

  pregunta para la gente que organiza su vida mejor que yo: ¿qué usáis para hacer seguimiento de objetivos/proyectos personales? para urbot github me funciona perfecto, pero para cosas más difusas: temas universitarios, deporte, objetivos a medio plazo, ideas... todavía no he encontrado un sistema que me convenza notion? obsidian? linear? una hoja de cálculo? papel? qué os funciona de verdad?

• 
  Pedro Sorrentino (@PedroSorrentin0) reportó hace 15 minutos

  El número que casi nadie está mirando: En abril, GitHub procesaba 1.400 millones de commits al mes. En agosto, 2.900 millones. En 4 meses se duplicó el corazón de la plataforma. Eso no es un pico de humanos. Es otra especie usando GitHub: agentes de IA haciendo commits, PRs y pushes en bucle. GitHub lo dice en el postmortem: no hubo cambio de código ni de configuración. Fue un fallo de capacidad.

• 
  Fernando (@fnandot) reportó hace 17 minutos

  @carlesnunez Yo lo veo justo al revés: no creo que el problema sea que estemos abusando de GitHub, sino que ha cambiado radicalmente lo que significa producir software.

• 
  Carbeno (@Carbeno_) reportó hace 19 minutos

  @marterrz @npm_run_fede @GordoLeyes 1) caes en el 30% entonces 2) y asi y todo lamentablemente muchos deciden subir sus cosas a github, sin dejarte otra opción mas que agarrar la IA y que te pase todo el código para pegar en cmd, que parece facil pero nunca funciona a la primera, siempre algo falta

• 
  Joaquin Cartagena (@Joaquin_888) reportó hace 20 minutos

  @macroman66 @midudev Creo que este problema lo estamos viendo por ahí vi que desarrollaron una alternativa a github con un árbol de decisiones de ia . Sigo sin entender por qué competir con github en vez de integrarlo ahí pero bueno hay que encontrar una solución global

• 
  Disiento con usted (@yodisiento) reportó hace 22 minutos

  @powerhdeleon La forma de trabajar es esencial. Armar siempre planes es clave, incluso para las tareas que presumimos sencillas, para saber si entendió y que quiere hacer, antes de tocar nada. Dialogar lo suficiente hasta cerrar el alcance, antes de tocar nada, es tiempo ganado y renegar menos. Se trata de revisar cada cosa del plan que no se entienda, saber qué quiere hacer y el porqué. Ahí salta mucha sobre-ingeniería que podemos y debemos evitar. Antes de tocar nada. Atomizar las planes, escalonar los cambios, es decir, achicar los problemas para resolver, es una forma adicional de tener resultados controlables. Antes de tocar nada. Luego, una vez aplicados los cambios, revisarlos. En mi caso, con una interfaz amigable como GitHub Desktop. Es esencial para ver que no haya tocado cosas del Core que no autorizamos. Ojo con esto, a veces hace cosas que no dijo que haría, que no están en el plan, y el/la hijoepú las mete, total, después te pide disculpas. Y si algo parece mal, seguí tus entrañas. Es mejor hacer Undo All y hacer todo de nuevo que un Commit que sea un iceberg. Preguntále a Di Caprio si no. Todo esto en un entorno de Desarrollo, porsupu. Si hacés esto en Producción sos vos el ********** malnacido y ojalá te hagan el tratamiento capilar de Luis XVI y María Antonieta. Lo que puedo afirmar con mucha convicción es que, para casos que muchas veces no es tan grande el cambio pero sí es muy grande el análisis, el Auto se queda corto y me hace perder mucho tiempo de análisis y armado del alcance. Y como además observa y rastrea lo justo y necesario, no planifica y entonces cuando mete la mano arregla una y rompe dos. Y tenés que rehacer. Para ese tipo de casos uso los mejores, sin necesidad de exagerar consumo, porque 5.6 Sol Medium me ha dado excelentísimos resultados. Analiza tan bien y no deja cosas en el camino, que no pierdo nada de tiempo adicional. Hasta me sorprende. Es como hablar con alguien que entiende el desafío y me entiende a mí. La diferencia con Auto es demasiado grande y el costo también, pero se paga solo, porque tu paz y tu salud no tienen precio.

• 
  Sergie Code (@sergiecode) reportó hace 22 minutos

  ¿Y si en vez de enseñarle a un agente de IA con prompts, simplemente le mostrás cómo hacer la tarea una vez? Microsoft acaba de publicar Skill Recorder, un proyecto que graba cómo trabajás en tu computadora y usa GitHub Copilot para convertir esa sesión en una serie de pasos que un agente puede reutilizar Grabás → la IA entiende lo que hiciste → revisás los pasos → lo convertís en una Skill o Automation Lo interesante es que no busca repetir clicks como un RPA tradicional, sino entender la intención y generar un procedimiento reutilizable que pueda usar herramientas nativas del agente Por ejemplo: hacés una tarea una sola vez y después el agente puede aprender a repetirla bajo demanda o incluso ejecutarla automáticamente según un trigger Soporta macOS y Windows 11, procesa la grabación localmente y está publicado bajo licencia MIT El repo de Microsoft está en el primer comentario 👇

• 
  Pedro Sorrentino (@PedroSorrentin0) reportó hace 24 minutos

  Automatización con GitHub ​Conectas tu repositorio de GitHub a tu instancia de Coolify. ​A partir de ahí, el flujo es idéntico a Cloud: ​Haces git push a tu rama principal. ​Coolify recibe el webhook, construye el contenedor y despliega sin caída de servicio (zero-downtime). ​Misma experiencia de desarrollo, control total del servidor.

• 
  ronix ⎋ (@ronixtec) reportó hace 28 minutos

  APPLE ACABA DE MOSTRAR CÓMO EJECUTAR 10 AGENTES DE IA LOCALMENTE EN MAC - SIN NUBE, SIN CLAVES DE API, COSTO CERO 00:10 El ingeniero de Apple dice: "tus datos permanecen en tu dispositivo, IA disponible en cualquier lugar en cualquier momento, costo de uso cero" el agente lee tu código, revisa GitHub, encuentra lo que necesita atención y escribe un informe - todo en tu Mac, nada se va a internet 10 agentes trabajan simultáneamente - uno escribe código, otro prueba, el tercero corrige errores - en paralelo sin colas construyó una app completa para iPad desde cero en 2 minutos, corrigió sus propios errores y compiló sin problemas toma 5 minutos para configurar - y nunca pagas de nuevo por un bot que funciona 24/7 guárdalo y sígueme para más → @ronixtec todo está en el articulo fijado↓