Slop – este es el término que escuchamos cada vez más cuando hablamos de productos de IA. Algo de baja calidad, difícil de controlar, creado sin parar en cantidades alarmantes con un único objetivo: capturar la atención, matar el tiempo, generar hype. , cuya escala, junto con las consecuencias de su potencial explosión, queda por ver. La burbuja en la industria Todo esto una vez más alimenta el debate sobre la verdadera eficacia y peligros de la IA. El desarrollo de software no es una excepción.La investigación demuestra convincentemente que dominar las herramientas de IA no es fácil, y sin las habilidades adecuadas, el efecto de usarlas puede incluso ser . negativo Sin embargo, la IA puede ser extremadamente útil en el desarrollo de software. Todo lo que requiere es rigor, consistencia, disciplina. 1 – Tome una motivación El desarrollo de software no ha cambiado fundamentalmente en décadas.Hemos refinado metodologías, reinventado lenguajes de programación, métodos de entrega, observabilidad, QA, y así sucesivamente.Pero siempre hemos escrito código línea a línea, como texto, manteniendo el control sobre lo que escribimos a medida que vamos. Esa era es Ya nos guste o no, el código pronto será generado principalmente por modelos de idiomas.Este es un cambio masivo.Necesitamos cambiar muchos de nuestros hábitos - literalmente cambiar nuestra profesión.Eso requiere una motivación seria.Para mí, las razones más convincentes para usar herramientas de IA en el desarrollo todos los días son: sobre 
 
 
 Cada vez que logro hacer que la IA funcione de manera efectiva para mí, me siento verdaderamente feliz.Es la alegría de dominar una nueva herramienta, de aprender y de un trabajo bien hecho. Es inevitable.Un punto bastante duro, pero uno de los más importantes.Tienes que ver la realidad y ser capaz de aceptarla con calma.El desarrollo impulsado por la IA es real ahora y se convertirá en la forma dominante en el futuro. Se está convirtiendo en un requisito de trabajo.Un buen ejemplo es este estándar de contratación de : Zapatero Comprobar si tienes la motivación correcta es sencillo - sólo nota tus emociones cuando salen nuevas versiones de LLM y productos de IA para el desarrollo de software. Si, en lugar de alegría y curiosidad, sientes ansiedad, puede significar que no te has adaptado lo suficiente a las nuevas herramientas. El alivio que sientes cuando esa ansiedad se disuelve se convierte en otra razón poderosa para seguir adelante. productivo 2 El aislamiento A partir de este momento, todos los elementos de la lista de verificación estarán de alguna manera conectados a El enfoque aquí es simple: cuanto más concisa, específica y detallada sea la instrucción que recibe el LLM, mejor será su calidad de salida. Ingeniería de Contexto La especificidad de contexto se logra a través de la organización adecuada de la base de código: descomponer las cosas en módulos independientes y aislados con un alcance limitado de responsabilidad. La forma más fácil de organizar tales módulos es dentro de monorepos. Hoy en día, no se necesita mucho para configurar un repositorio multilingüe completo para todo el proyecto. Comience identificando las entidades principales - aplicaciones desplegables y "paquetes" compartidos con código de utilidad. Las reglas son simples: las aplicaciones deben depender de paquetes, y los paquetes pueden depender unos de otros, pero los paquetes no pueden depender de aplicaciones. Aquí está la estructura de ejemplo que puede usar. Se adapta a la mayoría de los casos: root/
├── applications/
│   ├── website/
│   ├── public-api/
│   ├── admin-dashboard/
│   └── ...
│
├── packages/
│   ├── js/
│   │   ├── ui/
│   │   ├── client/
│   │   ├── validation/
│   │   └── ...
│   │
│   ├── py/
│   │   ├── common-lib/
│   │   ├── models/
│   │   ├── auth/
│   │   └── ...
│   │
│   └── go/
│       ├── common/
│       ├── clients/
│       └── ...
└── Makefile
 Makefile actuará como un punto de entrada para todo lo que permita la orquestación de scripts agnósticos a la tecnología. Python y Go soportan monorepos prácticamente fuera de la caja. Para JS, pnpm ha demostrado ser la mejor opción - hoy lo elegiría sobre npm y hilo. Este tipo de monorepo es una estructura muy conveniente, flexible y extensible. Y funciona muy bien con los agentes de IA. El desarrollo de un paquete es sencillo ya que el código está estrictamente aislado y sirve a una función específica. Al trabajar con código en aplicaciones, puede: 
 
 
 
 Identificar de antemano todos los paquetes externos afectados Hacer cambios paso a paso, modificando primero los paquetes, luego la capa de aplicación real Corregir errores en el aislamiento, paso a paso, dentro de un ciclo de retroalimentación. Instalación de Feedback Loop La calidad del código generado por la IA mejora drásticamente cuando el agente de IA puede ejecutar pruebas, linternas y usar la salida de estas herramientas para ajustar el resultado durante el proceso de trabajo. En un mundo ideal, la mejor solución sería dar a la IA acceso a un entorno de ejecución de código – para proyectos web, es decir, navegadores. . Sin solución preparada Dicho esto, incluso las linternas básicas y las pruebas de unidades son excelentes herramientas para el control de calidad y la reducción de las alucinaciones.Sobre todo porque la configuración de verificaciones de código estático en un monorepo es bastante barata.Y siempre se puede generar pruebas de unidades basadas en el código ya escrito. Mientras que algunas herramientas de IA (como Cursor) ejecutan linternas automáticamente, todavía tiene sentido instruir explícitamente al LLM para ejecutar cheques. Por ejemplo, una prompt podría parecer así: Update packages/js/api-client:

Add getUserProfile(userId) method:
- GET /users/{userId}/profile
- Include tests for success and 404 error

Run `make test-api-client` and fix any failures.
 Creación de un banco de memoria Memory-bank es un marco que describe cómo almacenar y administrar dos tipos de entidades: y . Rules Documentation es bastante sencillo: es tu producto descrito desde diferentes perspectivas: producto, arquitectura y niveles de componentes. Hay muchos artículos en línea sobre la redacción de buena documentación técnica. Lo que importa para nosotros es que cuanto más granular sea la documentación y cuanto más cerca esté del código, más fácil será para un agente acceder a ella. Documentation El punto de entrada estándar para los agentes de IA es el archivo AGENTS.md. Este archivo debe delinear la estructura general y el propósito del proyecto, y proporcionar enlaces a otros archivos de documentación. Aquí está lo que podría parecer una estructura de archivo de banco de memoria: monorepo/
├── memory-bank/                          # Shared across entire repo
│   ├── AGENTS.md                         # Root entry point
│   ├── monorepo-conventions.md           # Overall structure & rules
│   ├── shared-tech-stack.md              # Common technologies used
│   ├── development-workflow.md           # Git, CI/CD, deployment
│   └── architecture-overview.md          # High-level system design
│
├── applications/
│   ├── website/
│   │   ├── memory-bank/
│   │   │   ├── AGENTS.md                 # References root + specific context
│   │   │   ├── product-overview.md       # What this app does
│   │   │   ├── user-journeys.md          # Key user flows
│   │   │   ├── tech-stack.md             # Specific technologies
│   │   │   ├── api-integration.md        # How it connects to APIs
│   │   │   └── tasks.md                  # Current work items
│   │   └── src/
 son un concepto relativamente nuevo y, en mi opinión, una de las ideas más productivas para reutilizar las promesas. Las reglas codifican directrices escritas en lenguaje natural - esencialmente una combinación de y El enfoque del editor de Cursor a las Reglas parece especialmente poderoso, ya que le permite anexar reglas a archivos específicos utilizando patrones globales. Esto "importa" automáticamente las reglas pertinentes en el contexto cuando trabaja con diferentes partes de su repositorio. Puede definir reglas para Acciones TypeScript, Supabase o GitHub una vez, y luego reutilizarlas a través de proyectos. Rules contribution.md .eslintrc Las reglas son siempre globales y universales.La mejor práctica es almacenarlas en el repositorio raíz - eso es lo que los editores de código esperan. El problema de la "página en blanco" para la Documentación y las Reglas es fácil de evitar.La Documentación puede ser generada por IA con un simple prompt y luego editada.Y las reglas para tecnologías específicas son fáciles de encontrar en línea: , de , de . Una dos tres Así que cada sesión con un agente de IA comienza leyendo el banco de memoria y termina actualizándolo.Esto requiere disciplina y atención, pero se paga rápidamente ya que ahorra tiempo al comenzar la próxima sesión. Aprenda la pipeline “Plan → Act” El enfoque Plan → Act es probablemente el mayor cambio en la forma en que trabajamos con los asistentes de IA, y es realmente la única forma fiable de abordar tareas complejas y a gran escala. Muchos asistentes de codificación de IA tienen esto integrado fuera de la caja. Cursor, por ejemplo, planifica automáticamente la ejecución de tareas sin requerir instrucciones adicionales. pero para obtener los mejores resultados, especialmente en tareas más grandes, es mejor dejar de ejecutar Plan → Actar manualmente. El enfoque se basa en el principio 90/10: estar preparado para gastar el 90% de su tiempo de planificación y sólo el 10% en la implementación. El planeamiento produce artefactos específicos — tareas. La mejor práctica es almacenar estas tareas en un banco de memoria a nivel de módulo, en un archivo .md. Cuanto más detalladas, exhaustivas y coherentes sean tus tareas, mejor serán tus resultados. El flujo de trabajo típico Plan → Act se ve así: El Plan 
 
 
 
 
 
 
 Preparación del contexto. Recopilación de documentos necesarios desde el banco de memoria Descripción del contexto de negocio: esencialmente un viaje de usuario para la función Descripción de la especificación técnica - lo que debe ser implementado Descripción del proceso de QA - qué scripts se ejecutan para la prueba, qué pruebas se añaden Crear el archivo tasks.md Iterando a través del archivo tasks.md, aclaraciones, correcciones, refinamientos Actúa 
 
 
 
 
 
 
 Abrir una nueva sesión (chat, tab) Comienzo de la implementación. paso a paso, secuencialmente Verificar los resultados visualmente y con pruebas en cada paso. Refinar el ciclo de retroalimentación, añadiendo cobertura de pruebas Actualización de la documentación Eliminar el archivo tasks.md dos Para utilizar este gasoducto: important tips 
 
 
 Siempre separa Plan y Acto en diferentes sesiones.Es conveniente, además mejora la estabilidad y ahorra en tokens Si el agente produce resultados incorrectos, no complica las cosas con instrucciones adicionales - vuelva a la etapa de Plan, refine su task.md, el banco de memoria y las reglas. Dominar el Plan → Actuar no se trata sólo de la alfabetización de la IA. Es una habilidad de ingeniería importante, incluso crítica. Básicamente, un buen Plan es un documento de diseño acabado – puede discutirlo con su equipo, alinearlo antes de implementarlo en un PR y usarlo como una base para la documentación y su capa de pruebas. Plug-in agente en la nube Hay tantas herramientas diferentes en el mercado, y no quería centrarme en ninguna de ellas específica.Pero vamos a descomponer al menos los dos tipos principales: agentes locales (como Claude Code, Cursor y Codex CLI) y los basados en la nube (como Codex Cloud, Jules, o el recién lanzado ) de Claude Code en la web Ya sea un editor de código alimentado por IA o una herramienta CLI, la mayoría de las tareas de trabajo diarias son simplemente más fáciles y más eficientes de manejar de esa manera. Pero las herramientas basadas en la nube tienen su propio punto dulce. Su principal cosa es que toda la interacción ocurre a través de un navegador - no necesita un entorno de desarrollo o un proyecto desplegado localmente. Es por eso que son perfectos para estos casos de uso: 
 
 
 
 Cualquier análisis de base de código, estimación del tiempo para la implementación, evaluación de las dificultades potenciales o creación de un plan de trabajo (task.md).Este tipo de análisis es una gran ayuda antes de comenzar a trabajar en una tarea grande. Refactoring a gran escala pero repetitivo que no requiere supervisión cercana.Lo principal es preparar las pruebas primero (ver control #3). Cambios dirigidos no críticos, evitando el equipo de desarrollo. En lugar de crear una tarea en el rastreador de tareas, su PO o Diseñador con acceso a Codex puede escribir una solicitud para el agente en la nube. Luego revisa los resultados más adelante. La tarea perfecta es una que se resuelve a sí misma, y aún mejor, un proceso para resolver tareas similares. 7 Compartir Quizás la parte más difícil de la codificación de IA es el trabajo en equipo. ¿Cómo comparte las mejores prácticas? ¿Debería estandarizar los flujos de trabajo entre compañeros de equipo, y todo el mundo necesita usar el mismo conjunto de herramientas? Y esas son solo las preguntas más abstractas.Los asistentes de IA también plantean muchas preguntas muy específicas: ¿cómo gestiona el banco de memoria y quién debería ser responsable de mantenerlo actualizado? ¿Cómo trabaja en PR? ¿Cómo comparte las reglas de IA entre sí? Los proveedores de IA están tratando de abordar esta necesidad de una manera u otra, pero no hay soluciones acabadas.Como sucede a menudo en la ingeniería de software, tendremos que inventar la solución nosotros mismos. Desde mi experiencia, la mejor manera de difundir el conocimiento es a través de foros horizontales abiertos.Si ya tienes reuniones regulares de desarrolladores para compartir prácticas, discutir noticias y compartir experiencia, haz de la adopción de la IA un tema importante en estas reuniones.Si aún no tienes un foro de este tipo, tal vez tenga sentido crear uno, o defender la adopción de la IA en cualquier plataforma disponible.

This story contains new, firsthand information uncovered by the writer.

Read My Stories

Este audio es producido en el idioma original de la historia!

Comience a codificar más inteligentemente con AI

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps