Los agentes de codificación se pueden utilizar para crear rápidamente nuevas aplicaciones. Sin embargo, el problema cuando creas una nueva aplicación rápidamente es que no puedes mirar el código.
En mi opinión, esto está realmente bien. Por lo general, no es necesario analizar el código a menos que esté creando aplicaciones críticas para la seguridad o similares, considerando que los agentes de codificación se han vuelto tan buenos que esto generalmente no es necesario.
Sin embargo, si no toma ciertas precauciones, experimentará problemas de solidez en los que su aplicación será menos confiable en comparación con si la programara usted mismo, pensando detenidamente en cada fragmento de código. En este artículo, cubriré las tácticas y técnicas específicas que utilizo para hacer que mi código sea lo más sólido posible cuando programo usando Claude Code sin mirar el código yo mismo.
¿Por qué necesitas un código robusto?
Esta es principalmente una pregunta retórica, ya que, por supuesto, desea un código sólido que pueda manejar muchas situaciones diferentes, porque hace que los usuarios experimenten menos errores y, en general, tengan una mejor experiencia con su producto. Otra pregunta que debes hacerte aquí es, por supuesto, ¿no deberías mirar el código tú mismo para hacerlo más sólido?
Tengo dos respuestas principales a este último punto:
Realmente no tienes tiempo para mirar todo el código tú mismo si quieres mantener un ritmo alto y desarrollar un producto rápidamente. Los agentes de codificación se han vuelto tan buenos para detectar problemas y crear código confiable, si se les solicita correctamente, que aumentar la solidez del código se puede hacer automáticamente a través de agentes de codificación y no tiene que ser un trabajo manual.
Por lo tanto, llegamos al punto principal de este artículo, que es cómo puede garantizar la solidez del código automáticamente a través de agentes de codificación para que no tenga que perder tiempo haciéndolo usted mismo. Cubriré esto en las siguientes secciones.
Cómo construir un código inicialmente robusto
La primera sección que cubriré es cómo crear un código sólido inicialmente. Y la siguiente sección cubrirá cómo verificar la solidez del código y corregirlo una vez creado. Veo esto como dos problemas separados y utilizo técnicas distintas para resolverlos, por eso lo dividí en dos secciones.
Uso activo del modo plan.
El modo de planificación es la primera técnica que cubriré y creo que es muy importante si desea aprovechar al máximo los agentes de codificación. El uso del modo de planificación permite a los agentes de codificación dedicar más tiempo a planificar la implementación en lugar de simplemente comenzar con ella de inmediato. Por lo general, esto mejora la capacidad del modelo para ver el panorama general y, por lo tanto, evita errores, por ejemplo causados por actualizaciones de un componente que cambian cosas en otros componentes.
El modo Plan también hace preguntas aclaratorias para aclarar cualquier ambigüedad. Hacer que los agentes de codificación hagan nuevas preguntas en lugar de que usted las haga es una característica increíblemente poderosa que le insto a que la utilice más activamente. Desea dejar que el modelo piense tanto como sea posible y solo regrese a usted cuando necesite aclarar algo o comprender mejor lo que desea implementar.
Es mucho más poderoso que los LLM le hagan preguntas que usted haciendo preguntas a los LLM.
Esto, en la mayoría de los casos, genera menos errores y un modelo más eficiente a la hora de implementar una solución. Si bien, por supuesto, el modo de planificación inicialmente lleva más tiempo ya que hay que planificar con el agente y no iniciar la implementación de inmediato, generalmente vale la pena a largo plazo debido a que experimentará menos errores y tendrá que dedicar menos tiempo a iterar con el agente después de una implementación para asegurarse de obtener la implementación exacta que desea.
Mantener archivos de habilidades
La segunda parte son los archivos MD que tienes en tu repositorio. Con el tiempo, cuando dedica tiempo a codificar en el repositorio, la cantidad de archivos de rebajas debería aumentar constantemente, destacando cómo deben comportarse los agentes en el repositorio, errores anteriores que se han informado y cómo se solucionaron, y otros problemas que han surgido en el repositorio anteriormente.
Esto es increíblemente importante y útil para los agentes codificadores porque a menudo tienen suficiente contexto para poder utilizar activamente este conocimiento. Y los hace menos propensos a tomar decisiones incorrectas que tomaron en el pasado. Estos archivos Markdown generalmente se crean a partir de errores que los agentes cometieron en sesiones anteriores, por lo que tener muchos de ellos les ayuda a todos a tomar mejores decisiones.
Para crear estos archivos Markdown, le insto a que haga que un agente generalice el conocimiento de un hilo después de cada hilo de chat que haya tenido con su agente de codificación. Este es probablemente el consejo número uno que hace que la codificación con agentes sea más eficaz. En segundo lugar, cada vez que descubre y corrige un error, almacena una descripción del problema y cómo se resolvió en un archivo de rebajas.
Si aplica estos conceptos cada vez que codifica, desarrollará una base de conocimientos increíblemente poderosa dentro de su repositorio y sus agentes definitivamente mejorarán con el tiempo y se volverán cada vez más efectivos y menos propensos a errores y, por lo tanto, crearán un código más sólido.
Evite ejecutar su agente con una ventana de contexto demasiado grande
Otra razón muy común por la que recibo código no robusto, código vulnerable o código que contiene errores es que he estado ejecutando mi agente con un contexto demasiado largo. Claude Code, por ejemplo, lanzó no hace mucho su modelo de contexto de 1 millón. La ventana de contexto de 1 millón de tokens es extremadamente larga y puede contener mucha información. Sin embargo, según mi experiencia, el rendimiento del modelo se degrada considerablemente una vez que se pasan de 3 a 400 mil tokens, que es solo del 30 al 40 % de la ventana de contexto máxima del modelo.
Por lo tanto, a menos que realmente sea necesario, debido a mucho contexto específico, le insto a trabajar con agentes con menos contexto lleno para que puedan volverse más efectivos.
La razón por la que el rendimiento de los agentes de codificación se degrada con un contexto más largo es que los agentes tienen que tener más contexto en cuenta, donde gran parte del contexto normalmente será ruido, no realmente relevante para el problema en el que están trabajando. Sin embargo, a los modelos les resulta difícil separar el ruido de la información realmente importante, lo que hace que su rendimiento sea peor.
Cómo verificar la solidez del código a través de agentes de codificación
Por supuesto, es muy importante crear un código sólido inicialmente. Sin embargo, es inevitable que los agentes codificadores cometan errores porque no pueden ver el contexto completo de lo que están haciendo o, por alguna otra razón, implementan código que es propenso a errores y, por lo tanto, no es robusto. En estas situaciones, es increíblemente importante tener una red de seguridad donde encontrar código propenso a errores y corregirlo antes de que el usuario lo experimente.
Revisión del código del agente codificador
Lo primero y probablemente lo más fácil que puede hacer para crear un código más sólido es hacer que los agentes de codificación revisen el código que producen otros agentes de codificación. La forma de hacer esto es que tiene un nuevo agente de codificación con una ventana de contexto clara, excepto por su mensaje, por supuesto: analizar el código en la solicitud de extracción y buscar errores.
Este mensaje que usted proporciona al agente de codificación que revisa la solicitud de extracción también se puede repetir con el tiempo. Por ejemplo, informándole sobre errores pasados que se han experimentado y cómo se detectaron y cómo se solucionaron. Esto probablemente hará que los agentes revisores sean más capaces de descubrir errores.
Un consejo profesional aquí podría ser tener un modelo separado o un modelo diferente que realice la revisión del código. Por ejemplo, si tienes el código Claude, escribe tu código. Generalmente, en algunos escenarios, al menos podría ser útil que otro agente de codificación revise el código, por ejemplo, GPT 5.5 o Gemini 3. Esto se debe a que diferentes agentes de codificación pensarán de manera diferente y, por lo tanto, en algunos escenarios, serán más capaces de descubrir errores.
Detección previa al compromiso
Los ganchos de confirmación previa son un concepto en el que se ejecuta un fragmento de código antes de cada confirmación para verificar si hay errores estáticos. Esto podría, por ejemplo, faltar errores de traducción, que es un gancho de confirmación previa común que muchas bases de código han implementado. Por supuesto, estos enlaces son muy efectivos y muy útiles porque si olvidaste agregar una traducción, te avisarán antes de realizar la confirmación. Algunos errores no se pueden detectar con ganchos de confirmación previa, pero en estos escenarios podría ser muy útil que un agente realice rápidamente un recorrido previo a la confirmación. Aquí es donde el agente revisa la implementación que acaba de realizar y busca posibles errores. En muchos casos, esto me ahorra mucho tiempo porque no tengo que llevar el código a una revisión de código. Puedo corregir errores inmediatamente.
Hacer esto es básicamente preguntarle al agente:
¿Está lista la producción del código?
Esto suena muy simple, pero en realidad puede ser bastante útil y, a veces, ayuda a descubrir errores según mi experiencia.
Conclusión
En este artículo, hablé sobre cómo codificar utilizando agentes de codificación y asegurarme de que produzcan un código sólido. Por supuesto, los agentes de codificación han mejorado mucho desde el lanzamiento de ChatGPT en 2022. Sin embargo, todavía son propensos a errores, especialmente si no se usan adecuadamente. Cubrí dos técnicas principales, incluyendo cómo construir código inicialmente robusto y cómo verificar el código después de su implementación para buscar errores potenciales y los problemas que pueden ocurrir con el código. En general, creo que ajustar sus agentes de codificación para lograr un rendimiento óptimo será increíblemente importante en el futuro, y muchas de las técnicas que cubro en este artículo seguirán siendo relevantes incluso si el rendimiento genérico o general de los LLM aumenta enormemente. Solo te insto a que tengas en cuenta los consejos y optimices tus agentes de codificación.
👋 Ponte en contacto
👉 Mi libro electrónico y seminario web 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:
💌 Subpila
🐦X/Twitter