de su agente de codificación de IA es fundamental para su rendimiento. Probablemente sea uno de los factores más importantes que determinan cuántas tareas puede realizar con un agente de codificación y su tasa de éxito al hacerlo.
En este artículo, analizaré técnicas específicas que utilizo para mejorar el contexto de mis agentes de IA. Explicaré específicamente cómo lo hago y por qué. Es importante comprender por qué estoy usando estas técnicas, para que pueda comenzar a desarrollar sus propias técnicas en el futuro y realmente optimizar su codificación agente.
Tabla de contenido
¿Por qué optimizar el contexto agente?
El contexto que le proporciona a su agente de codificación es toda la información que tiene para completar una tarea. Por lo tanto, gestionar adecuadamente su contexto es increíblemente importante si desea que su agente de codificación funcione bien.
Mejorar su contexto en un pequeño porcentaje tendrá un impacto enorme en su eficiencia como ingeniero si dedica muchas horas cada día a programar. Por lo tanto, paso mucho tiempo tratando constantemente de optimizar mi programación con mi agente de codificación.
Las cuatro técnicas que presentaré en la siguiente sección son el resultado de haber probado una amplia variedad de técnicas y enfoques diferentes. En este artículo, solo cubriré cuatro de las técnicas más importantes y por qué funcionan tan bien. En el futuro, también podría cubrir algunas técnicas fallidas y reflexionar sobre por qué no funcionaron.
4 técnicas específicas
En esta sección, cubriré cuatro técnicas específicas que utilizo para optimizar el contexto de mis agentes de codificación. He escrito las técnicas sin ningún orden en particular y las considero todas importantes para mí en mi búsqueda por ser un ingeniero lo más eficiente posible.
Actualizar siempre AGENTS.md
Probablemente la técnica más importante que utilizo es actualizar constantemente el archivo AGENTS.md. El aprendizaje continuo sigue siendo un problema sin resolver para los LLM, por lo que debemos encontrar nuestras propias soluciones para que los agentes codificadores recuerden nuestras preferencias.
Escribí un archivo de reglas para mi agente de codificación, que especifica algunas preferencias que tengo:
Siempre escriba la sintaxis de Python 3.13 si usa Python. Nunca use Cualquier tipo. Siempre use tipos y cadenas de documentación para funciones.
Estas son preferencias que tengo en todos los repositorios que toco y que, por lo tanto, siempre quiero que mi agente siga. Recomiendo dedicar tiempo a reflexionar sobre sus propias reglas de codificación y especificárselas a su agente.
Además, cada vez que mi agente de codificación comete un error, lo ayudo a corregirlo y le digo que recuerde la solución en AGENTS.md. Esto garantiza que el agente evite este error en el futuro y simplemente hace que el agente sea más rápido y eficiente.
Si continúa haciendo esto con el tiempo, notará que el agente se vuelve significativamente mejor y más competente en la realización de las tareas que le pide que realice. Esto podría ser:
Implementación de nuevas funciones Corrección de errores Comprobación de registros de producción
Esto funciona muy bien porque le proporcionas a tu agente codificador el contexto necesario que posees, pero que nunca escribiste. Al informar al agente de codificación en AGENTS.md, proporciona el contexto crítico del modelo para la resolución de problemas.
Tenga en cuenta que puede utilizar cualquier archivo Markdown que prefiera. Claude Code usa CLAUDE.md, Warp usa WARP.md y Cursor usa .cursorrules. Sin embargo, encuentro que la mayoría de los agentes de codificación siempre leen AGENTS.md, lo que lo convierte en un buen nombre de archivo para almacenar memoria agente.
Proporcionar enlaces de documentación
Otro consejo es proporcionar enlaces de documentación relevantes al modelo o indicarle explícitamente al modelo que busque documentación en línea mediante una búsqueda web.
A veces encuentro que mi agente de codificación utiliza una sintaxis desactualizada, por ejemplo, cuando interactúa con la API de OpenAI. En estos casos, le proporciono al modelo un enlace a la documentación más reciente de OpenAI y le digo que base su código en esto.
El problema de que los agentes de codificación utilicen código desactualizado generalmente ocurre porque los LLM tienen una fecha límite, que necesariamente debe ser antes de que se entrene el modelo. La fecha límite para cualquier modelo determinado podría ser hace más de un año, en el que ha cambiado mucha documentación API. Por lo tanto, es muy importante asegurarse de que el modelo utilice la documentación más reciente disponible proporcionándole enlaces a estos documentos.
Los agentes codificadores suelen utilizar código obsoleto debido a la falta de conocimiento del modelo. La solución a este problema es proporcionar a los agentes la documentación API más reciente.
Proporcionar pila de IaC como contexto
Otra técnica que utilizo es proporcionar información sobre mi infraestructura como pila de código (IaC) como contexto a mi agente de codificación. Esto es increíblemente útil cuando se utiliza un agente para verificar los registros de producción (lo cual debería hacer).
Comencé a usar esta técnica después de notar que mi agente dedicaba mucho tiempo a buscar información, como los nombres de las tablas de mi base de datos. Por ejemplo, si el agente quería encontrar información en una tabla, primero tenía que enumerar todas las tablas, adivinar qué tabla es relevante y probarla. Si falla, tendría que probar con una tabla diferente.
Esto requiere mucho tiempo y tokens, lo que le cuesta tanto eficiencia como dinero y, por lo tanto, es algo que debe evitar.
Para proporcionarle a mi agente todo el contexto de IaC, le pedí a un agente que revisara todos los repositorios de IaC relevantes y creara un único archivo Markdown que contuviera todo el contexto relevante, por ejemplo, los nombres de todas las tablas de mi base de datos. Luego proporciono este archivo como contexto a mi agente de codificación siempre que sea relevante.
Nuevos hilos en un nuevo contexto.
Otra técnica sencilla que utilizo es iniciar nuevos hilos cada vez que trato con contextos nuevos. Por ejemplo, si acabo de terminar de implementar una nueva función y ahora quiero corregir un error, casi siempre comienzo un nuevo hilo en Cursor.
La razón es que al implementar la nueva característica, el modelo almacena una gran cantidad de contexto que es completamente irrelevante para corregir el error. Esto no sólo llena el contexto del modelo, sino que también puede actuar como ruido, distrayendo al modelo de información más relevante.
Por lo tanto, siempre que puedas, debes asegurarte de iniciar nuevos hilos cada vez que cambies de contexto. Esto podría ocurrir después de que implementaste una nueva función y deseas corregir un error. O después de corregir un error y desea consultar los registros de producción con su agente.
Esto funciona bien porque el contexto importante que debe almacenarse en todos los subprocesos se almacena en AGENTS.md, como mencioné en una sección anterior.
Conclusión
En este artículo, he cubierto cuatro técnicas específicas que utilizo para optimizar el contexto de mis agentes de codificación. Utilizar estas técnicas me convierte en un ingeniero significativamente más eficiente, porque mis agentes de codificación pueden trabajar de manera mucho más eficiente. Recomiendo probar estas técnicas usted mismo para descubrir si funcionan bien para usted. Además, recomiendo experimentar usted mismo con nuevas técnicas y enfoques, que pueden hacerlo más efectivo. Siempre que note que sus agentes de codificación no pueden hacer algo, debe comenzar inmediatamente a idear y pensar en cómo hacer que puedan realizar dichas tareas.
👉 Mis recursos gratuitos
🚀 10 veces su ingeniería con LLM (curso gratuito por correo electrónico de 3 días)
📚 Obtenga mi libro electrónico gratuito sobre Modelos de lenguaje de visión
💻 Mi seminario web sobre modelos de lenguaje de visión
👉 Encuéntrame en las redes sociales:
📩 Suscríbete a mi newsletter
🧑💻 Ponte en contacto
🐦X/Twitter
✍️ Medio