00:00:00Existen muchos editores de código con IA, cada uno con su propio conjunto de herramientas y funciones que lo hacen destacar.
00:00:04Claude Code es posiblemente el mejor, sobre todo con el modelo Opus, pero también es caro.
00:00:09Por otro lado, Cursor es otro de los favoritos entre los desarrolladores que prefieren ver el código junto a las acciones del agente, aunque tiene sus propios inconvenientes.
00:00:16Google también lanzó Anti-Gravity con Gemini 3, que se popularizó rápidamente entre los desarrolladores por su modelo y por ser gratuito.
00:00:23Es más reciente que Claude Code y Cursor, pero ha logrado implementar muchas cosas mejor que Cursor.
00:00:28Desde que la programación con IA empezó a ganar potencia, mucha gente ha empezado a crear sus propios flujos de trabajo con estas herramientas.
00:00:35Pero la clave de cualquier buen flujo de trabajo es su eficiencia a la hora de gestionar el contexto.
00:00:39Anteriormente, Anthropic lanzó un arnés de agentes diseñado para tareas de larga duración, y esta vez, Cursor ha lanzado el suyo propio para mejorar significativamente su uso aprovechando al máximo sus capacidades.
00:00:50Los principios mencionados en el artículo son aplicables a casi todos los agentes, así que voy a trasladarlos a Anti-Gravity de Google.
00:00:57Puede que aún no sea el mejor, pero tiene funciones que lo diferencian de los demás.
00:01:01Tenemos mucho de qué hablar hoy porque, con la incorporación de este arnés, el rendimiento de Anti-Gravity ha mejorado considerablemente.
00:01:28Por último, está la forma en que tú, como usuario, interactúas con él: cómo redactas el prompt y cómo das seguimiento a las respuestas.
00:01:38El arnés es importante porque diferentes modelos responden al mismo prompt de distintas maneras, ya que cada uno tiene sus puntos fuertes y rinde mejor en el entorno para el que fue entrenado.
00:01:48Por ejemplo, un modelo entrenado en un entorno basado en shell podría preferir de forma natural usar GREP antes que una herramienta de búsqueda dedicada.
00:01:54Esto es relevante porque sabemos que algunos modelos, como Claude, destacan con prompts en XML, mientras que otros funcionan mejor con Markdown.
00:02:00Por lo tanto, es fundamental que el arnés que utilicemos esté adaptado al modelo específico con el que estemos trabajando.
00:02:04Planificar antes de implementar es esencial para asegurar que el código cumpla con tus expectativas.
00:02:10Los desarrolladores experimentados suelen planificar antes de generar código porque les obliga a pensar con claridad en lo que están construyendo y le da al agente objetivos concretos.
00:02:18La función de planificación de Anti-Gravity es la que más me gusta, ya que revisar el plan es muy fácil mediante comentarios.
00:02:24Cuando empecé en el modo de planificación, analizó a fondo mis instrucciones y la base de código existente, y luego generó un plan detallado.
00:02:30Aunque leer todo el plan fue tedioso, es vital revisarlo con cuidado para asegurar que la implementación se alinee con la visión, así que asegúrate de leerlo a fondo.
00:02:38Para hacer cambios, solo tuve que comentar en cualquier línea que no encajara con mi objetivo, y el sistema incorporó el cambio en el plan revisado.
00:02:46Es fundamental seguir puliendo el plan hasta que sea perfecto.
00:02:49Una vez terminado, el agente puede implementarlo todo de forma autónoma.
00:02:52Incluso si la implementación no coincide con lo que buscabas, es mejor volver al modo de planificación y editar el plan en lugar de usar prompts de seguimiento.
00:03:00Después de eso, el agente necesita trabajar con el contexto adecuado.
00:03:03Pero antes de continuar, unas palabras de nuestro patrocinador.
00:03:05Luma AI y su nueva herramienta Dream Machine, Ray3 Modify.
00:03:08Si has trabajado con video por IA, conoces la frustración: generas algo genial, pero al intentar cambiar el estilo o la escena, el personaje se deforma, el movimiento falla y te quedas atrapado regenerando.
00:03:18Ray3 Modify soluciona eso.
00:03:20Por primera vez, el video por IA se siente realmente dirigido, no fruto del azar.
00:03:23Puedes tomar un clip existente, incluso una actuación real, y transformar el mundo, la iluminación o el estilo cinematográfico manteniendo intactos la identidad del personaje, el movimiento y la carga emocional.
00:03:33La interpretación se mantiene fija, mientras que el aspecto evoluciona exactamente como deseas.
00:03:36Con referencias de personajes y fotogramas clave modificables, tú controlas qué se mantiene constante y qué cambia entre tomas.
00:03:42Perfecto para flujos de trabajo híbridos, cortometrajes, videos musicales y trabajos conceptuales cinematográficos.
00:03:47Incluso para producciones más pequeñas.
00:03:48Sinceramente, esto se siente como una verdadera postproducción con IA.
00:03:51Deja de adivinar. Empieza a dirigir.
00:03:53Echa un vistazo a Ray3 Modify en el comentario fijado o escanea el código QR para ver de qué es capaz.
00:03:58Una vez perfeccionada la planificación, tu tarea es proporcionar a cada agente el contexto necesario para completar el trabajo.
00:04:04Otro error común es que la gente tiende a etiquetar manualmente cada archivo.
00:04:08No hace falta hacerlo a mano, ya que los agentes tienen potentes herramientas de búsqueda que extraen el contexto bajo demanda.
00:04:13Etiquetar archivos manualmente carga todo en el contexto, aunque no todas las líneas sean necesarias.
00:04:18Los agentes pueden usar grep para cargar solo los segmentos específicos que requieren.
00:04:21Por ejemplo, si quiero cambiar la página de registro, etiquetar el archivo cargaría el componente entero de más de 200 líneas, saturando el contexto innecesariamente.
00:04:30Aunque solo se necesite una función de unas 50 líneas, se incluirían el resto de líneas que son totalmente irrelevantes.
00:04:38En lugar de etiquetar el archivo a mano, confía en la herramienta de búsqueda del agente para que busque por grep la función necesaria.
00:04:43No tienes por qué hacerlo todo en una sola conversación.
00:04:45Inicia una nueva conversación para cada tarea nueva, o cuando el agente empiece a confundirse o a repetir los mismos errores.
00:04:52Básicamente, abre un nuevo chat una vez que hayas completado una unidad lógica de trabajo.
00:04:57Por ejemplo, yo abro una nueva conversación para cada función que quiero implementar y empiezo planificándola desde cero.
00:05:04De esta forma, todas las tareas quedan aisladas y exactamente como las necesito.
00:05:07El único momento en que no hace falta abrir un nuevo chat es cuando sigues en la misma función, necesitas el contexto de la charla o estás depurando algo que el agente acaba de implementar.
00:05:16Fuera de esos casos, es mejor reducir el “ruido” iniciando una nueva conversación.
00:05:21La eficacia de las respuestas del agente es, de hecho, la mejor guía para saber cuándo reiniciar el chat.
00:05:26Si quieres retomar detalles de chats anteriores, puedes hacerlo referenciándolos directamente en el chat, sin tener que guiar al agente por todo el proceso de nuevo.
00:05:35Esto permite que el agente identifique el contexto de forma inteligente, leyendo selectivamente el historial para extraer solo lo que necesita.
00:05:43Las capacidades del agente pueden ampliarse mediante un conjunto de reglas y habilidades (skills).
00:05:47Puedes personalizar su comportamiento definiendo reglas para tu proyecto, que son pautas específicas o buenas prácticas que quieres que el agente siga siempre.
00:05:55Anti-Gravity facilita mucho añadir estas personalizaciones, ya sea a nivel local o global.
00:06:00Para añadir una pauta, simplemente incluye la regla en el alcance del proyecto.
00:06:03Estas reglas se guardan en la carpeta .agent, que contiene una carpeta 'rules' con archivos markdown para las instrucciones.
00:06:09Por ejemplo, añadí una regla en este proyecto para que el front-end cumpla con las normas VCAG.
00:06:13Una vez añadida la regla y asignada la tarea, Anti-Gravity genera un plan que la incorpora, incluyendo etiquetas en los inputs y otros detalles para que toda la página sea accesible según VCAG.
00:06:24Puedes añadir tantas reglas como necesite tu espacio de trabajo para guiar y potenciar al agente.
00:06:29Del mismo modo, se añadieron habilidades de agente en Anti-Gravity siguiendo el estándar abierto de Anthropic, que incluye instrucciones, scripts y conocimientos específicos.
00:06:38Las habilidades se cargan dinámicamente cuando el agente decide que son relevantes, lo que mantiene el contexto bajo control.
00:06:43Todas las habilidades de Anti-Gravity residen en la carpeta .agent.
00:06:47Cada una tiene un archivo .md especializado que incluye el nombre, una descripción de lo que aporta al contexto y detalles sobre cómo usarla.
00:06:55El acceso a otras referencias y scripts se almacena en sus respectivas carpetas.
00:06:59Usar habilidades en Anti-Gravity es tan sencillo como especificar cuál quieres y qué tarea debe realizar.
00:07:05Le pedí a Anti-Gravity que usara la habilidad de especialista en pruebas para escribir casos de test, y se tomó su tiempo para crear un plan de pruebas completo siguiendo las pautas de dicha habilidad.
00:07:14También utilizó todas las librerías mencionadas en las referencias, junto con los scripts y pautas definidas, para completar la tarea.
00:07:21Los modelos analizan cada vez mejor las imágenes, así que deberíamos confiar más en esa capacidad e incluirlas en nuestros prompts para mejorar su comprensión.
00:07:29En lugar de explicar con palabras el diseño que quieres, puedes simplemente tomar una captura de pantalla de la sección a implementar.
00:07:35Ve a Anti-Gravity, pega la captura y pídele que implemente esa sección exactamente como se ve en la imagen.
00:07:41Gracias a su análisis visual, puede entender la imagen por completo y plasmarla en código.
00:07:45Otro uso frecuente que le doy a las imágenes es la depuración de errores, porque es más fácil mostrar fallos de interfaz con una captura que describirlos con palabras.
00:07:54Así que, cuando tengo problemas de UI, tomo una captura, se la doy a Anti-Gravity y él se encarga de arreglarlo.
00:08:00En lugar de lanzarnos a escribir código a ciegas, debemos seguir las mejores prácticas de ingeniería de software también al desarrollar con IA.
00:08:06Hay flujos comunes que funcionan muy bien con agentes. El primero es el desarrollo guiado por pruebas (TDD), donde el agente escribe primero los tests y luego el código que los cumple.
00:08:15TDD funciona bien con agentes de IA porque les da un objetivo claro que optimizar: conocen los criterios de éxito y pueden mejorar progresivamente en esa dirección.
00:08:26Al configurar el backend, sin tener código previo, le pedí al agente que escribiera tests para la ruta de autenticación, describiendo entradas, salidas y comportamientos, indicando explícitamente que no programara la funcionalidad aún.
00:08:40Una vez que el agente escribió los casos de prueba y estuve conforme, le pedí que los ejecutara.
00:08:45Como era de esperar, los tests fallaron al principio porque no había ninguna implementación todavía.
00:08:49Tras completar los tests, los subí a Git para mantener un registro por si el agente intentaba modificarlos más adelante.
00:08:55Luego, le pedí al agente que escribiera el código para el endpoint, instruyéndole específicamente para que no tocara los tests.
00:09:01Fuimos iterando y pidiéndole que verificara repetidamente hasta que todos los tests pasaron con éxito.
00:09:07De este modo, los agentes tienen una meta clara hacia la cual iterar.
00:09:10Cuando empieces a trabajar en un código nuevo con un agente, hazle el mismo tipo de preguntas que le harías a un compañero de equipo.
00:09:16Esto permite que el agente explore el código mediante grep y búsqueda semántica, encuentre respuestas y entienda cómo funciona el proyecto mientras intenta responderte.
00:09:24Suelo preguntar detalles sobre la base de código y las rutas para que el agente capte la estructura y funcionalidad del proyecto.
00:09:30Así, cuando le pido implementar una nueva función, ya conoce la estructura, lo que facilita enormemente el trabajo.
00:09:37Git es fundamental, no solo como control de versiones, sino como base de conocimientos para el agente de programación.
00:09:43Ya hemos recalcado la importancia de usar Git en videos anteriores.
00:09:47Un historial de commits claro ayuda al agente, permite gestionar funciones, rastrear la última versión estable y revertir cambios si el agente modifica algo por error.
00:09:58Para facilitar mi trabajo con Git, utilizo un conjunto de comandos reutilizables que en Anti-Gravity llamamos 'workflows'.
00:10:04Prefiero los commits estructurados, así que me aseguro de que el workflow de commit obligue a seguir ese formato, incluyendo incluso ejemplos para el agente.
00:10:13Antes de confirmar, se realizan comprobaciones de seguridad y revisión de código para que mis commits estén limpios y cumplan con mis estándares.
00:10:20También puedes crear conjuntos de comandos para gestionar pull requests, worktrees, ramas y más, haciendo que todo el flujo de Git sea más coherente y eficiente.
00:10:28Invocar estos flujos es tan sencillo como escribir el nombre del workflow, que ejecuta todos los pasos automáticamente.
00:10:34Puedes usar otros comandos, como 'fix issues' o 'review', para realizar revisiones de código o actualizar dependencias según las necesidades del proyecto.
00:10:43Puede sonar obvio, pero el código generado por IA necesita revisión y no siempre es perfecto.
00:10:48Una práctica importante es observar al agente mientras trabaja.
00:10:51Si ves que va por mal camino, interrúmpelo de inmediato y redirígelo hacia tu objetivo.
00:10:56Una vez que el agente termina, debes realizar una revisión utilizando al propio agente.
00:11:00En mis proyectos, suelo usar un workflow personalizado para revisiones de código que incorpora todas las mejores prácticas con Git.
00:11:06Este flujo resalta problemas según su gravedad, enumera los chequeos necesarios para validar el código y puede incluir linters y tests post-revisión.
00:11:15Esto garantiza que el código sea fiable y de alta calidad.
00:11:18Como casi todos los proyectos se gestionan en plataformas como GitHub, usamos BugBots para análisis avanzados con IA que detectan fallos y sugieren mejoras en cada pull request.
00:11:28Hay muchas herramientas con IA para revisar código, como CodeRabbit, Sentry y otras.
00:11:33Incluso GitHub tiene funciones integradas de revisión de código para cada pull request que ayudan a gestionar el flujo del equipo.
00:11:38Para identificar problemas de arquitectura, podemos pedirle al agente que cree un diagrama Mermaid.
00:11:43Con estos diagramas, podemos analizar visualmente y detectar problemas clave.
00:11:47Son especialmente útiles porque lo visual es más fácil de entender y sirve como documentación clara de la arquitectura del proyecto.
00:11:54Ejecutar agentes en paralelo es muy importante: no solo mejora el rendimiento de los modelos de IA, sino que ahorra mucho tiempo al no tener que esperar a que un solo agente termine todo.
00:12:05Este enfoque puede mejorar significativamente los resultados finales.
00:12:07A menudo uso varios agentes trabajando a la vez, asignando a cada uno una tarea distinta, y también empleo diferentes modelos, ya que cada uno destaca en tareas específicas.
00:12:16Los agentes trabajan de forma independiente y te avisan solo si necesitan tu intervención, lo que les permite operar simultáneamente.
00:12:22Dado que los agentes de Anti-Gravity comparten el mismo espacio de trabajo y no están aislados, dejo que trabajen en ramas separadas.
00:12:28Una vez que completan sus tareas y pasan los chequeos definidos, fusiono sus funciones en la rama principal.
00:12:34A veces nos topamos con errores que no sabemos cómo solucionar.
00:12:38En esos casos, el modo depuración (debug mode) es la mejor solución.
00:12:40En lugar de adivinar soluciones, el modo depuración intenta entender qué falla y genera sentencias de log, reduciendo errores y haciendo el proceso más sistemático.
00:12:50Aunque no hay un modo depuración nativo en Anti-Gravity, podemos implementar uno usando una 'debug mode skill'.
00:12:56Esta habilidad contiene todas las instrucciones para depurar comportamientos inesperados en el código.
00:13:00Sigue un enfoque basado en evidencias, genera hipótesis y ofrece un plan detallado en varias fases para abordar y resolver el problema.
00:13:08Se apoya en scripts y referencias específicas para ser más eficaz, haciendo que la depuración sea mucho más fiable.
00:13:14Siempre que encuentro un bug, simplemente activo el modo depuración y dejo que el agente descubra el fallo siguiendo las guías del skill.md, logrando que el proceso sea fluido.
00:13:25Y con esto llegamos al final de este video.
00:13:27Si quieres apoyar el canal y ayudarnos a seguir creando contenido como este, puedes hacerlo a través del botón 'Súper gracias' que verás abajo.
00:13:33Como siempre, gracias por vernos y nos vemos en el próximo video.