9 de julio de 2026
Ghosty Code llegó a la versión 0.0.10 y el titular cabe en una línea: puedes correr GLM-5.2 sin salir de tu terminal. Pegas el token de tu Coding Plan de Z.AI y el modelo responde directo contra api.z.ai. Un comando y listo.
Pero el comando es la parte fácil. Lo que costó trabajo —y lo que a la larga importa más— fue lograr que GLM corra a su máxima inteligencia, no en modo tibio. Eso significó portar un provider entero desde nuestro upstream y perseguir bugs uno por uno hasta que el caché y el razonamiento quedaran a la altura de lo que ya teníamos con DeepSeek. Este post es ese detrás de cámaras.
Lo que puedes hacer hoy mismo
Si solo quieres empezar, son dos caminos.
Por línea de comandos:
O al arrancar Ghosty: el wizard de inicio ahora tiene un paso dedicado a GLM. Pegas tu key ahí mismo y quedas en GLM-5.2 sin más configuración. Cero fricción, cero editar archivos a mano.
Y si prefieres no atarte a un solo proveedor, GLM también entra por OpenRouter. Tres variantes disponibles:
Ese es el uso. Ahora lo interesante.
Portar un provider no es copiar y pegar
Ghosty Code parte de un upstream que ya tenía su forma de hablar con los modelos. Meter GLM directo desde Z.AI no fue agregar una URL nueva y cruzar los dedos: fue tocar cerca de 40 sitios distintos del código donde el provider deja huella —autenticación, formato de mensajes, manejo de streaming, conteo de tokens, la forma en que se arma cada petición.
El criterio durante todo el proceso fue la paridad: que GLM se sintiera tan bien integrado como DeepSeek, sin asteriscos ni "funciona pero...". Y ahí es donde aparece el detalle que separa una integración decente de una buena: el caché.
El caché: por qué un turno arrastra al siguiente
Las APIs de estos modelos cachean el prefijo de la conversación. Si el arranque de tu petición es idéntico al de la anterior, el modelo no vuelve a procesarlo desde cero: reusa lo que ya calculó. Eso se llama prefix-cache, y es la diferencia entre respuestas rápidas y baratas contra respuestas lentas y caras.
El problema es que GLM devuelve su razonamiento en un campo aparte, reasoning_content. Si en el siguiente turno no reconstruyes ese contenido tal cual estaba, el prefijo deja de coincidir y el caché se rompe turno a turno. Pierdes justo la ventaja que hace rendir al modelo.
La solución fue preservar el reasoning_content a lo largo de la conversación mediante clear_thinking, de modo que el prefijo pegue igual que con DeepSeek. Con eso GLM-5.2 corre a su máxima capacidad, no a media máquina.
El pensamiento, en su lugar
Había un bug visible que arrastramos hasta cazarlo: el pensamiento del modelo se derramaba dentro de la respuesta. Veías el razonamiento mezclado con la contestación final, como si el modelo pensara en voz alta encima de lo que te quería decir.
Ya no. En 0.0.10 el razonamiento se muestra como razonamiento —separado, identificable— y la respuesta queda limpia. Y un detalle que se agradece cuando trabajas en español: si tu interfaz está en es-419, el modelo ahora piensa en español. Antes razonaba en inglés aunque le hablaras en español; ahora el pensamiento va en tu idioma.
Los detalles pequeños que se sienten
Dos ajustes que no salen en el titular pero que notas al primer uso:
- Razonamiento en español cuando tu locale es
es-419. Leer el pensamiento del modelo en el mismo idioma en el que programas cambia cómo lo revisas. - Notificaciones apagadas por default. Se acabaron los pings de "Script Editor" sonando en cada turno. Si las quieres, las prendes tú; el silencio ya no es algo que tengas que ir a desactivar.
El punto de fondo: elige tu modelo
Detrás de todo esto hay una postura sobre cómo debe funcionar una herramienta de código con agentes: sin candados. Con Ghosty Code corres DeepSeek, corres GLM-5.2 directo de Z.AI, o entras por OpenRouter y eliges de un catálogo abierto. El día que salga algo mejor, lo enchufas.
Esa flexibilidad es la que justifica el trabajo de portar un provider bien —caché, razonamiento, paridad completa— en lugar de dejarlo a medias. Un modelo mal integrado te ata a él por inercia; uno bien integrado te deja libre para cambiarlo.
Ghosty Code se instala con:
El comando es ghosty, la configuración vive en ~/.ghosty/config.toml, y el código está abierto en github.com/blissito/ghostycode.
En el canal de YouTube mostramos cómo usamos estas herramientas en trabajo real —incluido Ghosty corriendo distintos modelos según la tarea. Si te late el detrás de cámaras, suscríbete.
Abrazo. bliss.
jQuery 4.0 ya está aquí: todo lo que necesitas saber
Checa este otro Post
