De 8 horas a 47 minutos - 12 estrategias comprobadas de codificación con IA

La IA construyó una característica en 47 minutos, lo que habría tomado 8 horas de trabajo hace unos años. Pero aquí está lo que nadie te dice: sin las estrategias correctas, esa misma IA desperdiciará tres horas construyendo lo incorrecto.

Hola, soy Chuck, y he estado escribiendo código durante 30 años. En 2023, me di cuenta de que tenía que abrazar la IA o encontrar una nueva carrera. Elegí abrazarla. Desde entonces, he construido una docena de aplicaciones usando agentes de codificación, y hoy comparto contigo cada estrategia que aprendí.

La IA cambia todo, más notablemente, acelera todo. Lo que tomaba un día ahora toma una hora.

La velocidad significa algunas cosas:

Primero, tu ciclo de retroalimentación es mucho más rápido, los errores y direcciones incorrectas surgen más rápido, y llegar al éxito surge más rápido.

Segundo, mucho código ahora es desechable. Es rentable principalmente escribir y descartar en lugar de escribir y refactorizar.

Tercero, los baches del desarrollo de software que tardaban años en encontrarse ahora surgen en semanas o meses.

Cuarto, sin orientación, la IA rápidamente se sale de los rieles y se cae del acantilado.

En mi tiempo usando agentes de codificación como Cursor, he descubierto 12 estrategias que ayudan a mantener la IA de caerse del acantilado. Estas fueron aprendidas de la manera difícil, por prueba y error.

1. Usa el Agent.md

Una de las muchas cosas que noté sobre los LLM es que todos quieren agregar “respaldos”.

Los respaldos son código condicional que se ejecuta cuando falla la primera condición. Esto es excelente cuando tu código va a Marte, pero la mayoría del código no va a Marte, ciertamente no el mío. Para empeorar las cosas, los respaldos son inherentemente defectuosos y no son necesarios la mayoría de las veces.

Aquí es donde entra el archivo Agent.md. Puedes instruir al LLM para que no use respaldos. De hecho, puedes decirle que haga cualquier cosa. Cualquier cosa que agregarías a un prompt puede agregarse al Agent.md. El archivo se agrega automáticamente a cada nuevo contexto.

En este momento, cada agente de codificación tiene su propio archivo agent.md. Cursor llama al suyo .cursorrules, Claude Code llama al suyo claude.md. Sospecho que en el futuro cercano, los agentes de codificación estandarizarán un nombre común.

En mi Agent.md defino los patrones de software, la estrategia de prueba y la arquitectura que quiero usar. Cualquier cosa que encuentre que el agente hace repetidamente debido a la falta de contexto o dirección, la agrego al archivo.

Aquí hay un enlace a un repositorio de reglas de agentes.

Una vez que tu archivo Agent.md esté configurado, querrás usar la IA sin restricciones.

2. A toda velocidad

Tanto Claude Code como Cursor AI comienzan en un “modo seguro” de fábrica. El modo seguro requiere permiso para cada llamada de herramienta. Después de unos minutos aprobando CADA llamada de herramienta, terminé con el modo seguro.

Afortunadamente, cada agente de codificación te permite optar por no participar en el “modo seguro”. El riesgo es que la IA pueda hacer cosas indeseables, pero en el tiempo que he usado agentes de codificación, nunca ha hecho nada irreversible.

Sí mantengo un ojo en lo que está haciendo el LLM, pero no me siento cómodo dejando al agente de codificación solo todavía.

Honestamente, a menos que le pidas al LLM que trabaje en código de producción en vivo, y no sé por qué querrías el modo seguro.

Ahora que has liberado tu agente de codificación, necesitamos definir el problema.

3. Definiendo tu problema

La IA es literalista. Obtienes lo que pides, lo que significa que los prompts vagos producen resultados vagos.

He encontrado que proporcionar a la IA requisitos detallados y pedir una “evaluación” obtiene los mejores resultados. Esto permite que la IA busque brechas en el diseño y responda con preguntas de seguimiento. Después de un par de intercambios, tendrás un plan sólido.

En versiones recientes, tanto Cursor como Claude Code han agregado “Plan Mode”, que formaliza el proceso anterior.

Lo llevo un paso más allá y hago que otro LLM revise el plan. Por ejemplo, uso ChatGPT para la primera evaluación de IA. Genera un documento markdown con todos los requisitos. Luego le doy ese documento a Claude para comentarios, y la segunda revisión de Claude siempre encuentra brechas perdidas.

Esto es cuestión de gusto, pero la IA tiende a sobre-arquitectar para mí. De nuevo, la IA parece pensar que el código se dirige a Marte.

Una vez que hayas acordado un plan, pídele a la IA que lo guarde en un documento en tu proyecto.

Lo que me lleva al siguiente punto.

4. Crea un plan por fases

Dividir características grandes en fases y tareas manejables

Después de haber creado un plan, pídele a la IA que divida el trabajo en fases. Quieres unidades de trabajo pequeñas; cuanto más pequeñas, mejor. Cuanto más pequeña sea la unidad, mayor será la probabilidad de éxito.

Algunos agentes de codificación hacen esto de fábrica, pero si no lo hacen, pídelo.

El mejor plan seguirá fallando si no puedes rastrear el progreso. Aquí es donde entran las listas de verificación.

5. Pide una lista de verificación

Pídele a la IA una lista de verificación y dile que necesitas una para rastrear el progreso. Muchos de los agentes de codificación han agregado la lista de verificación al prompt del agente y la interfaz de usuario, pero a veces todavía necesito una lista de verificación para rastrear el progreso o rastrear trabajo de larga duración.

La lista de verificación también le da a la IA algo contra lo que medirse, para que sepa cuándo ha terminado.

Las listas de verificación son excelentes, pero ¿cómo abarcamos contextos con listas de verificación? Aquí es donde entra nuestro documento de entrega.

6. Crea un documento de entrega

¿Qué es un documento de entrega?

Un documento de entrega es una descripción de alto nivel de la aplicación. Su propósito es poner un contexto vacío al día sobre el dominio, código y arquitectura de tu aplicación.

Idealmente, el agente continúa sin problemas, donde el contexto anterior se quedó.

En mi Agents.MD, instruyo al agente para que actualice mi documento de entrega con cambios de alto nivel. Lo que no queremos es cada detalle en el documento; necesito un resumen de alto nivel, y dejo que la IA determine cuál es.

Mi flujo de trabajo va un poco así:

Cada vez que comencé un nuevo contexto, incluí mi documento de entrega e instruí a la IA sobre la nueva característica. La IA recoge la tarea y comienza a trabajar como si hubiera estado en el proyecto durante 6 meses.

El documento de entrega es excelente para aplicaciones más pequeñas, pero en aplicaciones más grandes, consume demasiados tokens y no es práctico. Estoy considerando otras opciones, como una base de datos vectorial o una base de datos de gráficos.

Pero todavía estoy experimentando.

Me encantaría saber cómo estás abordando este problema. Deja un comentario abajo.

Incluso con listas de verificación y un documento de entrega, la IA comete errores. Aquí es donde entran los commits.

7. Verifica a menudo

Haz commits pequeños. Los commits pequeños te permiten revertir a un estado conocido y bueno. He encontrado que a veces la IA se va por la madriguera del conejo, y no hay recuperación.

Solo reinicia.

8. Reinicia el contexto

Sé despiadado al reiniciar el contexto.

A veces la IA toma el camino equivocado o comete un error, eyecta y comienza de nuevo. Cuando todos tus documentos están en orden, es muy fácil comenzar un nuevo contexto. Esta es la brillantez del documento de entrega.

Pero seré honesto, cuando trabajo con IA – humanizo la IA porque se siente como si estuviera trabajando con otro humano, y presionar ese botón de reinicio a veces tira de mi humanidad.

Una forma de limitar las madrigueras del conejo es a través de las pruebas.

9. Pruebas

Cuando era ingeniero de software, las pruebas apestaban. Escribir código de prueba es uno de los trabajos más mundanos para un ingeniero de software.

Con la IA, no hay razón por la que no deberías probar tu código. La IA escribirá todas las pruebas para ti. De hecho, puedes especificar una cobertura de prueba del 80% en el agent.md, y el agente de codificación agrega mágicamente las pruebas.

He encontrado que las pruebas son beneficiosas; más allá del componente de calidad, le da a la IA una estructura para validar su trabajo. Esto conduce a código de mayor calidad y mejor uso de la IA.

Una palabra de precaución, a menudo tengo que la IA haga cambios de código sin actualizar las pruebas. Después de que el código funciona, le pido a la IA que actualice las pruebas. A veces la IA se toma las pruebas demasiado en serio y cambia el código de producción para que coincida con las pruebas, deshaciendo todos los cambios que acabamos de hacer.

Otra forma en que he encontrado para mejorar la calidad es a través de la automatización.

10. Automatiza, automatiza, automatiza

Haz las cosas lo más fácil posible.

Antes de la IA, a menudo había escuchado: “Implementaciones de un solo toque, eso sería genial, pero no tenemos tiempo”. Ahora no hay excusa, la IA automatizará todo para ti.

Mi objetivo es que cada acción sea un único comando. Por ejemplo:

• ¿Si quiero iniciar la aplicación? ./start.sh.
• Quiero ejecutar las pruebas. ./test.sh.
• ¿Implementar la aplicación? Lo adivinaste ./deploy.sh

La automatización sirve dos propósitos:

• Primero, te ahorra tiempo.
• Segundo, elimina el error humano del proceso.

En cualquier lugar donde haya fricción y múltiples pasos, quiero automatizarlo. Pero para resolver problemas más complejos, a veces necesito LLM más capaces.

11. Usa el mejor LLM

No escatimes en el rendimiento del modelo. Los últimos modelos son costosos, pero en un esfuerzo por ahorrar dinero, podrían terminar costándote.

Ocasionalmente, Cursor recomienda usar el modo Auto para ahorrar tokens. Ok, eso suena bien, ¿qué podría salir mal? Siempre estoy abierto a ahorrar dinero. Así que lo activé e implementé una característica. Se convirtió en un desastre. Pasé las siguientes 3 horas deshaciéndome del desorden usando los últimos modelos, y costó el doble de lo que habría pagado si no hubiera usado el modo auto. Mi punto no es que el modo auto sea malo; es que trabajar en problemas complejos requiere los mejores modelos.

Pero a veces, incluso los mejores modelos no son suficientes; necesitas las herramientas correctas.

12. Herramientas

Piensa en la IA como el cerebro; piensa, pero no puede hacer nada. Este es el poder de una herramienta. Le da a la IA la capacidad de actuar.

Pongo las herramientas del agente de codificación en dos clases:

Dos clases de herramientas que mejoran los agentes de codificación de IA

Primero están las herramientas diseñadas para mejorar el desarrollo de software. Piensa en el MCP de GitHub o el Sequential Thinking MCP de Anthropic; estas herramientas generalmente hacen que los agentes de codificación sean más capaces.

Segundo están las herramientas que interactúan con el proyecto. Por ejemplo, un MCP de base de datos o una herramienta de línea de comandos. Estas herramientas le dan a los agentes de codificación la capacidad de escribir código, ejecutarlo y probar los resultados, completando un ciclo de retroalimentación completo.

Lo brillante de la IA es que si necesitas una herramienta y no existe una, la IA puede crearla para ti.

Aquí están las herramientas que uso con Cursor:

La primera herramienta se llama Serena. Serena intenta descargar tareas como leer archivos y guardar datos en la memoria que normalmente tendrían que la IA genere comandos para ejecutar la operación. El objetivo de este proyecto es reducir el número de tokens utilizados y mantener las operaciones comunes locales.

La siguiente herramienta que uso se llama Sequential Thinking de Anthropic. Si es de Anthropic, casi se garantiza que sea bueno. Lo que hace esta herramienta es dividir problemas complejos en pasos manejables. Agrega resolución de problemas dinámica y reflexiva a través de un proceso de pensamiento estructurado.

Pruébalo, he puesto el enlace en la descripción.

La última herramienta que uso es específica del proyecto; se llama Neo4j MCP, y la IA la creó. Ha sido invaluable trabajar con Neo4j. Antes, la IA me pedía que ejecutara consultas y luego pegara los resultados en el chat. Esto se volvió engorroso muy rápidamente. Con la herramienta, la IA ejecuta sus propias consultas, y no se necesita intervención humana.

Es hermoso, y es más rápido. Si encuentras fricción en tu proceso de desarrollo, pídele ayuda a la IA; podrías sorprenderte de lo que surge.

En conclusión

Seamos honestos aquí, trabajar con agentes de codificación se siente mucho como emparejar con un programador junior brillante que ocasionalmente olvida todo lo que acabamos de decirle. Estas 12 estrategias son cómo manejo esta relación. Y podrían no funcionar para todos, o para ti, y está bien. Encuentra lo que funciona para ti. Entonces mi pregunta para ti es: ¿Qué está funcionando para ti? Deja un comentario abajo y hazme saber.