Todo Lo Que Sabía Sobre Programación Con IA Estaba Equivocado

El video presenta frameworks de codificación con IA como Beemad y Speckit, explicando que aunque existen cientos de flujos de trabajo disponibles, frecuentemente no cumplen sus promesas. El problema fundamental no radica en la calidad de los métodos, sino en que no se ajustan a casos de uso específicos de cada usuario. Al construir aplicaciones, es necesario crear flujos de trabajo personalizados en lugar de depender de los predefinidos, ya que deben alinearse con el proyecto específico que se está desarrollando. Para construir estos flujos de trabajo personalizados, es esencial conocer ciertos principios fundamentales que todos los frameworks utilizan de una forma u otra.

Se explica que la ventana de contexto es la cantidad de información que el modelo puede recordar simultáneamente, y gestionar este contexto es básicamente lo que hacen los frameworks. Los modelos tienen ventanas limitadas: Anthropic ofrece 200k tokens y Gemini 1 millón. Aunque estos números parecen grandes, en realidad no lo son tanto porque la ventana no solo incluye el prompt del sistema y mensajes del usuario, sino también mensajes anteriores, archivos de memoria, herramientas y llamadas MCP. Cualquier información fuera de esta ventana sale de la memoria de trabajo del modelo sin posibilidad de recuperación. Es crucial aprender a aprovechar al máximo este espacio de trabajo limitado para que el modelo haga exactamente lo que se necesita al construir flujos de trabajo personalizados.

La revelación progresiva es el principio más importante en el diseño de flujos de trabajo, consistiendo en revelar al modelo solo lo que importa y mantener su atención enfocada en lo necesario ahora, no en todo lo que podría necesitar en el futuro. Aunque modelos avanzados como Sonnet 4.5 tienen edición de contexto integrada y usan comandos grep para filtrar información, esto solo no es suficiente. Cuando se dan instrucciones vagas, incluso estos modelos cargan información innecesaria que contamina la ventana. En lugar de pedir arreglar un error general en el backend, es mejor solicitar revisar endpoints uno por uno. Las habilidades (skills) en Claude son de código abierto y representan la encarnación de la revelación progresiva, proporcionando información justa para que la plataforma sepa cuándo usar cada habilidad sin cargar todo en el contexto.

Se advierte sobre un error común: usar MCPs (Model Context Protocol) para todo, cuando en realidad solo deberían usarse cuando se requieran datos externos, reservando las habilidades para todo lo demás. El segundo principio importante establece que la información que no se necesita inmediatamente no debería estar en la ventana de contexto. Para lograr esto, las herramientas utilizan toma de notas estructurada, permitiendo proporcionar archivos externos donde el agente puede documentar decisiones, problemas o deuda técnica. Este enfoque es crucial para mantener contexto crítico que de otra forma se perdería al construir proyectos complejos, especialmente porque permite que el agente recupere información sobre lo que se ha hecho y lo que falta por hacer.

Se introduce el concepto de archivos de contexto estándar como agent.md o claud.md, que los agentes leen antes de iniciar sesiones para entender cómo están estructurados los archivos externos y qué escribir en cada uno. Las herramientas tienen funciones de compactación para gestionar la ventana de contexto, y cuando el contexto se reinicia, el agente puede usar estas notas para obtener contexto en lugar de depender únicamente del resumen de compactación. Este enfoque es particularmente útil para tareas de horizonte largo que son inherentemente complejas. Un problema común es que los agentes se detienen aleatoriamente en medio de tareas largas, lo cual frecuentemente ocurre porque el contexto ha superado el 70% de su límite, introduciendo el concepto de presupuesto de atención.

Cuando el contexto supera el 70% de su capacidad, el modelo debe concentrarse más y aumenta la probabilidad de alucinaciones, impidiendo que los agentes usen herramientas efectivamente y optando por ignorarlas. Para resolver esto, existen varias herramientas integradas disponibles. La compactación permite que el modelo comience de nuevo con un resumen adecuado como prompt inicial y una ventana reducida, pero en lugar de dejar que se llene hasta el 90% y active la auto-compactación, es mejor vigilar la ventana y hacerlo manualmente. Al experimentar, se recomienda usar el retroceso integrado de Claude para eliminar partes innecesarias en lugar de continuar y pedir cambios. También es importante limpiar o iniciar nueva ventana de contexto para cada tarea nueva, evitando que el contexto anterior ralentice el modelo.

Los subagentes derivan del principio de revelación progresiva y pueden ejecutar tareas en segundo plano sin contaminar la ventana de contexto principal. Trabajan en su propia ventana de contexto aislada y solo reportan la salida al agente principal, lo cual es útil para tareas aisladas entre sí. La ventana de contexto principal está protegida de saturarse con llamadas de herramientas y búsquedas que hace el subagente, asegurando que la información permanezca en su zona de trabajo dedicada. Como estos agentes se ejecutan en segundo plano, se puede continuar interactuando con el agente principal mientras trabaja en algo que requiera atención. El presentador menciona usar subagentes cuando necesita investigar algo, como reglas de un nuevo framework, de manera que sus llamadas y búsquedas quedan aisladas y solo devuelven la respuesta al agente principal.

Diferentes formatos de archivo afectan el conteo de tokens y la eficiencia del flujo de trabajo. YAML es el más eficiente en tokens, usado principalmente para esquemas de bases de datos, configuraciones de seguridad y detalles de API, ya que su indentación ayuda a los modelos a estructurar información correctamente. Markdown es mejor para documentación como claud.md porque los niveles de encabezado facilitan la navegación entre secciones. XML está específicamente optimizado para modelos de Claude, ya que Anthropic afirma que sus modelos están ajustados para reconocer etiquetas como contenedores y separadores, útil para secciones distintas como restricciones, resúmenes o detalles visuales. Otros modelos generalmente prefieren Markdown y YAML sobre XML, mientras que JSON es el menos eficiente debido a llaves y comillas adicionales, recomendándose solo para cosas pequeñas como estados de tareas.

Git, una de las herramientas básicas en programación, se ha vuelto tendencia en flujos de trabajo de contexto donde el historial de commits sirve como recordatorio para el modelo del progreso realizado en el proyecto o en tareas individuales. Incluso sin usarlo para almacenar progreso, generalmente se deberían usar flujos de trabajo de ingeniería de contexto en repositorios inicializados con git. Tener un flujo de trabajo de ingeniería de contexto significa no permitir que el modelo haga todo a la vez, sino actuar paso a paso según lo planificado. Si se encuentra un problema en alguna etapa, git permite controlar a qué versión revertir y ayuda a evaluar qué cambio está causando problemas. Además, se ha implementado paralelismo con git worktrees, donde sub-agentes trabajan en worktrees dedicados para trabajo paralelo.

En cualquier flujo de trabajo creado, siempre habrá casos donde se repiten instrucciones para procedimientos comunes, como hacer commits de git o actualizar documentación. Casi todas las herramientas de IA ofrecen formas de reutilizar prompts más repetidos mediante comandos personalizados (custom/commands) que funcionan como guías reutilizables. El presentador usa un comando 'catchup' que contiene instrucciones sobre cómo estructura la memoria fuera de la ventana de contexto, permitiendo que Claude se ponga al día con el proyecto sin leer cada archivo. También son útiles para hacer cumplir estructura: un comando 'commit' asegura que commits y documentación sigan un formato definido, especificando cómo escribir mensajes de commit y qué verificaciones pre-commit hacer antes de confirmar. De esta manera, los comandos mantienen todo estandarizado sin tener que instruir repetidamente a Claude sobre cómo realizar tareas preferidas.

Los MCPs deben usarse siempre que se requieran datos externos de fuentes como Jira, el software de gestión de equipos más utilizado. El MCP de Jira permite acceder a tickets directamente para implementar cambios, mientras que el MCP de Figma proporciona a Claude código con la guía de estilo de la aplicación para construir el diseño. Para tareas donde las capacidades integradas del modelo no son suficientes, los MCPs son esenciales para interactuar con fuentes externas de manera eficiente. Estos MCPs pueden incluirse directamente en comandos personalizados para que se conviertan en parte del flujo de trabajo completo. El video concluye invitando a apoyar el canal mediante el botón de super thanks y agradeciendo a los espectadores por ver el contenido.