Agents Week 2026

La puntuación Preparación para agentes puede ayudar a los propietarios de los sitios web a comprender el nivel de compatibilidad de sus sitios con los agentes de IA. Aquí analizamos los nuevos estándares, compartimos datos de Radar y detallamos cómo hemos conseguido que los documentos de Cloudflare sean los más fáciles de usar para los agentes en la web.

La ejecución de LLM grandes en toda la red de Cloudflare nos exige ser más inteligentes y más eficientes con el ancho de banda de la memoria de GPU. Por ese motivo, hemos desarrollado Unweight, un sistema de compresión sin pérdida en tiempo de inferencia que logra una reducción del tamaño del modelo de hasta un 22 %, de modo que podemos ofrecer una inferencia más rápida y barata que nunca.

Las directivas flexibles no evitan que los rastreadores puedan ingerir contenido obsoleto. Redirects for AI Training permite a cualquier usuario en Cloudflare redirigir los rastreadores verificados a páginas canónicas con un solo clic y sin cambios en el origen.

Hoy nos complace presentarte un adelanto de nuestra compatibilidad con los diccionarios de compresión compartidos, mostrarte cómo mejora los tiempos de carga de las páginas y contarte cuándo podrás probar tú mismo la versión beta.

Lanzamos Flagship, un servicio nativo de indicadores de funciones que ofrece Cloudflare, basado en su red global, para eliminar la latencia de los proveedores externos. Gracias al uso de KV y Durable Objects, Flagship facilita la evaluación de los indicadores en menos de un milisegundo.

Cloudflare Agent Memory es un servicio gestionado que proporciona a los agentes de IA memoria permanente, de manera que pueden recordar lo que importa, olvidar lo que no y volverse más inteligentes con el tiempo.

La ejecución de LLM en toda la red de Cloudflare nos exige ser más inteligentes y más eficientes con el ancho de banda de la memoria de GPU. Por ese motivo, hemos desarrollado Unweight, un sistema de compresión sin pérdida en tiempo de inferencia que logra una reducción del tamaño del modelo de hasta un 22 %, de modo que podemos ofrecer una inferencia más rápida y barata que nunca.