Glosario

Todos los términos que usa el programa, en lenguaje claro.

¿Es tu primera vez? Lee la primera lección gratis. No necesitas cuenta.

Conceptos de IA

Agent: Un sistema de IA que da varios pasos por su cuenta hacia un objetivo: elige tools y se va adaptando sobre la marcha.
Agent sin supervisión: Un agent que lleva una tarea de principio a fin sin que ninguna persona lo vigile ni responda a sus preguntas por el camino. Las personas solo ven el resultado, así que la supervisión tienen que hacerla las comprobaciones y el entorno.
AGI: Inteligencia artificial general: una IA hipotética, tan capaz como una persona en casi cualquier tarea. Se debate mucho y todavía no existe.
Búsqueda agéntica: Un agent que encuentra lo que necesita mientras trabaja, con tools de búsqueda, rutas de archivo y enlaces, en lugar de recibir fragmentos cargados antes de empezar. Lo que lee está al día, pero es más lento que el retrieval y puede perderse si nadie lo orienta.
Closed model: Un modelo propietario al que solo se puede acceder a través de la API o la app de su proveedor.
Coding agent: Un asistente de IA con manos: lee archivos, los edita y ejecuta comandos, comprobando el resultado a cada paso.
Compaction: Resumir las partes antiguas de una conversación para liberar espacio en la context window.
Completion / response: Lo que el modelo devuelve después de tu prompt.
Context: Todo lo que el modelo puede ver ahora mismo: tu prompt, la conversación, los archivos adjuntos y cualquier nota que se le haya inyectado.
Context rot: Un fallo del bucle: el historial crece hasta que la señal se ahoga. Se arregla resumiendo los turnos viejos y volviendo a fijar el objetivo.
Context window: El máximo de tokens que un modelo puede tener presentes a la vez: tu prompt más todo lo que ya ha leído.
Corpus de origen: Donde vive la verdad en un montaje de RAG: las páginas, los documentos, los contratos o los tickets antiguos de los que recuperas.
Embedding: Una representación numérica de un texto que permite a un sistema buscar por significado en vez de por palabras exactas.
Embedding models: Modelos que convierten texto en números para que los tools puedan buscar por significado. Funcionan entre bastidores en los asistentes conectados a tus documentos.
Fine-tuning: Training adicional y especializado sobre un modelo base para ajustarlo a un uso concreto.
Frontier model: El modelo más grande, más nuevo y más capaz que ofrece un proveedor.
Generation: El último paso del RAG: meter los fragmentos recuperados en el prompt y dejar que la IA responda con ese context.
Gradient descent: El proceso de training en el que un modelo va ajustando poco a poco miles de millones de parámetros internos hasta que acierta al predecir la palabra siguiente.
Inference: Cada vez que usas el modelo de verdad. Le envías un prompt, pasa por unos parámetros congelados y produce un resultado.
LLM: Gran modelo de lenguaje: la tecnología que hay detrás de los asistentes de chat como ChatGPT, Gemini y Claude.
LLM aumentado: Una llamada a un modelo con retrieval, tools y memory añadidos. Anthropic lo usa como pieza básica de todos los patrones de flujo de trabajo y de los agents.
Long context: Cuánto puede tener presente un asistente en una sola conversación. Un long context abarca de golpe el equivalente a una biblioteca pequeña.
MCP (Model Context Protocol): Una forma estándar de conectar las apps de IA con tools, datos y servicios de fuera. Piensa en un USB para la IA.
Memory: Una función que guarda ciertos datos sobre ti y los vuelve a poner en el context al empezar las conversaciones siguientes.
Modelo de decisión: Un modelo que responde a una pregunta eligiendo una de las opciones que tú defines, con una probabilidad para cada opción, en lugar de escribir texto. Jev y Laya son ejemplos.
Modelos de imagen: Modelos que generan imágenes a partir de descripciones en texto, como DALL-E, Midjourney o Stable Diffusion.
Modelos de voz: Modelos que convierten voz en texto y al revés, como Whisper para transcribir o ElevenLabs para sintetizar voz.
Multimodal: Modelos que manejan algo más que texto: imágenes y, a veces, audio o video.
Open weights: Un modelo cuyos parámetros puedes descargar y ejecutar tú mismo.
Predicción de la palabra siguiente: Cómo funciona un LLM en el fondo: predice una y otra vez la palabra siguiente más probable hasta formar una respuesta útil.
Probabilidad calibrada: Una probabilidad que coincide con la frecuencia con la que las respuestas resultan correctas: de todas las respuestas dadas en torno a 0,8, alrededor del 80 % son correctas. Describe grupos de respuestas, nunca una sola, y solo puedes fiarte de ella cuando la has comprobado con tu propio trabajo etiquetado.
RAG (Retrieval-Augmented Generation): El sistema busca primero en tus documentos o en la web, y el modelo responde con lo que ha encontrado.
Session: Una conversación continua. Un chat nuevo empieza con el context vacío.
Subagent: Un agent aparte, con su propia context window, que se encarga de una tarea secundaria, como una búsqueda o una revisión, y devuelve solo un resumen. No ve la conversación principal, así que sus instrucciones tienen que repetir cualquier regla que diste solo en esa conversación.
System prompt: Las instrucciones que fijan el rol y las reglas de la IA al principio de una conversación.
Token: Los trocitos de texto que un asistente lee y escribe, más o menos tres cuartos de palabra. La longitud y el costo se cuentan en tokens.
Tool: Un conector que permite a la IA hacer algo más que escribir texto: buscar, calcular o llegar a otro sistema.
Training: El proceso caro y único en el que un modelo aprende patrones a partir de cantidades enormes de texto. Lo hacen los proveedores, no tú.
Training cutoff: La fecha a partir de la cual el modelo no sabe nada por training, así que se pierde lo posterior salvo que se lo cuentes.

Prompting y técnicas

Altitud de las instrucciones: El nivel de detalle con el que se escriben las indicaciones. Demasiado baja es una lista frágil de reglas si-entonces; demasiado alta, un deseo vago. La altitud adecuada explica el objetivo, las decisiones de criterio y los límites estrictos, con el motivo de cada uno.
Capa siempre activa: El puñado de cosas que se leen en cada turno: las restricciones duras, las reglas de la casa y la tarea en curso.
Carga bajo demanda: Cargar esquemas, especificaciones, manuales o documentos solo cuando una tarea los necesita, pidiéndolos por su nombre.
Chain (prompt chaining): Una secuencia de prompts en la que cada resultado se convierte en la entrada del siguiente. Tú llevas la chain; la IA ejecuta cada etapa.
Chain of thought: Pedirle al modelo que razone paso a paso antes de responder. Mejora la precisión en los problemas de varios pasos.
Chunking: Partir un corpus en trozos manejables (de 256 a 512 tokens, con un solapamiento del 10 al 20 %) para poder recuperarlos.
Derivación: Un patrón de flujo de trabajo en el que un paso clasifica una entrada en una categoría y la envía a un paso preparado para ese tipo, como los correos de facturación, técnicos o de cuenta.
Descomposición de procesos: Partir en pasos un proceso que pasa por varios equipos y decidir cuáles son de IA, cuáles deterministas y cuáles necesitan a una persona.
Determinismo frente a criterio: Un paso determinista da siempre el mismo resultado. Un paso de criterio puede variar con toda legitimidad. Marca cada etapa como una de las dos.
Diario de prompts: Una colección guardada de los prompts que funcionaron. Con el tiempo se convierte en una biblioteca de plantillas para tu propio trabajo.
Evaluador-optimizador: Un patrón de flujo de trabajo en el que una llamada al modelo escribe y otra califica el resultado según criterios claros, y le devuelve feedback en bucle hasta que pasa o se llega a un límite.
Few-shot: Darle al modelo unos pocos ejemplos del patrón de entrada y resultado que quieres. Sube mucho la fiabilidad.
Formato del resultado: Mantener los resultados intermedios en un formato que una máquina pueda leer: tablas, JSON, campos siempre iguales. La prosa libre rompe las chains.
Ingeniería del context: Elegir todo lo que llega al context de un modelo mientras trabaja, no solo el prompt: las instrucciones, los archivos, las descripciones de los tools, los resultados de los tools y el historial. El objetivo es el conjunto más pequeño de información útil que lleve a la acción correcta.
Marco de cuatro elementos: La estructura de prompt fiable: Rol, Context, Tarea, Formato (también llamada CRAFT o RCTF).
Meta-prompting: Pedirle a la IA que critique y reescriba tu prompt para que produzca resultados más fiables.
Orquestador-trabajadores: Un patrón de flujo de trabajo en el que una llamada central al modelo divide una tarea en subtareas sobre la marcha, se las pasa a llamadas trabajadoras y combina sus resultados. Úsalo cuando no puedas enumerar las subtareas de antemano.
Paralelización: Un patrón de flujo de trabajo que ejecuta llamadas al modelo a la vez: partes independientes de una tarea en paralelo (división en secciones) o la misma tarea varias veces para comparar las respuestas (votación).
Paso de IA: Un paso del proceso que necesita un criterio que cambia según la entrada. Aquí es donde vale la pena gastar tu presupuesto de IA.
Paso determinista: Un paso del proceso que se resuelve con una lógica fija: una fórmula, un campo de una base de datos o un script.
Persona: Asignarle al modelo un papel para subirle el nivel de calidad. Da forma a cómo responde, pero no cambia si tiene razón.
Persona prompts: Dale un rol a cada etapa: un abogado junior, un responsable de cumplimiento. La Persona cambia el vocabulario, la profundidad y el tono.
Planifica y luego ejecuta: Pedirle al modelo que primero planifique y señale los huecos, y solo después produzca el entregable, para que no rellene esos huecos a base de suposiciones.
Progressive disclosure: Cargar poco siempre y el resto solo cuando sea relevante. Mantén pequeña la capa siempre activa.
Prompt: Lo que le escribes a un asistente. El prompting es el oficio de pedir bien las cosas.
Prompting en varios pasos: Partir el trabajo en etapas en lugar de escribir un prompt gigante. Cada etapa produce un resultado limpio y con nombre que usa la siguiente.
Refinamiento iterativo: Tratar la IA como una conversación y mejorar el resultado en unas cuantas rondas, en vez de esperar que el primer borrador salga perfecto.
Regla de oro: Dale a la IA todo el context que puedas, siempre. Mejores entradas dan mejores resultados, de forma constante.
Rellenar la respuesta por adelantado: Empezar tú la respuesta de la IA. Fija el formato y el tono desde la primera palabra y reduce mucho el drift.
Restricciones negativas: Decirle a la IA lo que no debe hacer. Empuja contra sus valores por defecto y suele ser más fácil que describir lo que quieres.
Retrieval: Elegir los fragmentos correctos para cada consulta. El retrieval híbrido (semántica más palabras clave) con un reranker es lo estándar en producción.
Structured outputs: Pedir un esquema concreto, como JSON o una tabla, para que el resultado quede claro y otros tools puedan reutilizarlo sin pelearse con él.
Superponer roles: Hacer que la IA analice algo desde varios puntos de vista expertos, uno tras otro, y después sintetice una sola recomendación.
Toma de notas estructurada: Hacer que un agent escriba notas en un archivo fuera de su context window mientras trabaja, como una lista de pendientes o un archivo de hallazgos, y las vuelva a leer más tarde. Las notas sobreviven a la compaction porque nunca estuvieron en la context window.
Traspaso (la costura): El momento en que el resultado de un paso pasa a ser la entrada del siguiente. Casi todas las chains se rompen aquí, así que pon las comprobaciones en la costura.
Zero-shot: Pedirle al modelo que haga una tarea sin darle ningún ejemplo. Vale para tareas simples y muy conocidas.

Construir y lanzar

Acta de decisión de arquitectura (ADR): Un archivo corto en el repository que registra una decisión importante: su contexto, la decisión, su estado y sus consecuencias. Explica a las personas y a los coding agents por qué el código es como es, para que ni unas ni otros lo acepten o lo cambien a ciegas.
Actualización de dependencia: Un cambio que lleva una de las dependencias de un proyecto a una versión más reciente. Una actualización que solo cambia un número de versión es cosa de un script sencillo; una con cambios incompatibles necesita además cambios de código y una comprobación de que el proyecto sigue compilando y pasando sus pruebas.
Agent loop: El ciclo en ejecución: leer el context, decidir, llamar a un tool, leer el resultado, decidir otra vez, hasta que la tarea está hecha.
Agentic loop: Una tarea preparada para que un coding agent pueda llegar a un objetivo por ensayo y error: un objetivo claro, una comprobación que dice si pasa o falla, los comandos para probar cambios y un lugar seguro donde ejecutarse con las aprobaciones desactivadas. Todo agent ejecuta un bucle; un bucle agéntico es uno que diseñas tú.
AGENTS.md: El archivo de instrucciones estándar entre tools. Pon aquí tus convenciones, como única fuente de verdad.
Anatomía de unas instrucciones: Las piezas que necesitan unas buenas instrucciones de agent: rol, trigger, entradas, pasos, formato del resultado y guardrails.
Archivo de instrucciones: Un archivo con reglas permanentes que un agent lee antes de ponerse a trabajar. AGENTS.md es el nombre habitual.
Archivo de progreso: Un archivo que un agent lee al empezar cada session y actualiza al terminarla: el objetivo, las reglas y un registro de lo que se hizo y de lo que viene después. Con una lista de elementos al lado, una session nueva puede retomar un trabajo largo sin rehacer ni saltarse nada.
Archivos de referencia: Documentos estables (normativa, guías de estilo, glosarios) que se adjuntan a un asistente personalizado para que razone siempre con ellos.
Bloqueo de tarea: Una reserva sobre un elemento de trabajo, como un archivo pequeño del que un agent hace commit en un repository compartido antes de empezar, para que los demás agents elijan otra cosa. Los bloqueos que se retienen demasiado tiempo o que nunca se liberan frenan a todos.
Boilerplate: Código que hay que escribir pero que no contiene ninguna idea nueva, como la configuración, el cableado o la misma forma de prueba una vez más. Es fácil de describir y fácil de comprobar, lo que lo convierte en buen trabajo para pasárselo a un coding agent.
Branch: Una línea de trabajo paralela dentro del mismo repo. Experimentas en una branch sin molestar a la principal.
Calificador: Lo que decide si un intento pasó: código para lo que se puede comprobar con exactitud, un modelo con una rúbrica para las decisiones de criterio, o una persona. Contrasta un calificador basado en un modelo con el juicio de personas antes de fiarte de él.
Cambio en toda la flota: El mismo tipo de cambio hecho en muchos repositories, como una actualización de dependencia o de configuración, normalmente con un pull request pequeño por repository. Las comprobaciones y los responsables de cada repository siguen decidiendo si su cambio se fusiona.
Cambio incompatible: Un cambio en una nueva versión de una biblioteca o un servicio que hace que el código escrito para la versión antigua falle o se comporte de otra manera. Algunos rompen de forma ruidosa, como una función eliminada. Otros son silenciosos, como un valor predeterminado que cambia, y solo los detectan las pruebas que fijan el comportamiento.
Cascada: Ejecutar primero un modelo barato y rápido y enviar solo sus casos dudosos a un modelo más potente o a una persona. Ahorra costo, pero solo mejora la exactitud cuando la segunda etapa comete errores distintos.
Changelog: Una nota corta al final de unas instrucciones donde apuntas los cambios de cada versión, para que los demás vean cómo han evolucionado.
Checkout: Cambiar tu carpeta de trabajo para que muestre una branch o un commit concretos. El mismo repo, otra vista.
CLAUDE.md: El archivo de instrucciones de Claude Code, en la raíz del proyecto o en ~/.claude para el global. Muchas veces es solo un puntero a AGENTS.md.
Cobertura: Una de las fuerzas del diseño de un harness: darle al modelo lo suficiente para actuar bien. Con demasiado poco, adivina o se inventa una API.
Code owners (CODEOWNERS): Un archivo que indica quién es responsable de qué rutas de un repository. Con la regla correspondiente activada, un cambio en uno de esos archivos no se puede fusionar sin la aprobación de uno de sus responsables.
Commit: Un cambio guardado, con una nota que dice qué cambió y por qué. El historial de un repo es una cadena de commits.
Compound engineering: Una forma de trabajar, descrita por la empresa Every, en la que cada cambio debería facilitar el siguiente. Después de planificar, ejecutar y revisar llega un cuarto paso: convertir lo aprendido en un documento, un ejemplo, una prueba o una comprobación, y preguntarse si el sistema detectaría ahora el problema por sí solo.
Comprobación de estado obligatoria: Una comprobación, como la test suite, que tiene que pasar antes de que un pull request se pueda fusionar en una branch protegida. Convierte las pruebas, que eran un consejo, en un requisito.
Comprobación de reversión: Quitar un arreglo, ejecutar su nueva prueba para ver cómo vuelve a fallar por el mismo motivo que antes del arreglo, y después volver a poner el arreglo. Una prueba que sigue pasando sin el arreglo no comprueba el arreglo y no detectará el bug si vuelve.
Concurrencia optimista: Una forma de que muchos agents compartan estado sin bloqueos: cualquiera puede leerlo, pero una escritura falla si el estado cambió desde que se leyó, y quien escribe vuelve a leerlo y lo reintenta.
Conflicto de fusión: Lo que pasa cuando dos branches cambian las mismas líneas del mismo archivo. Git no puede combinarlas por su cuenta, así que tiene que elegir una persona o un agent. Dividir el trabajo en paralelo por áreas hace que los conflictos sean raros.
Conjunto de evaluación: Un conjunto de tareas que puedes volver a ejecutar, cada una con su criterio de éxito, para puntuar un agent y su harness antes y después de un cambio. Hazlo crecer a partir de fallos reales, e incluye casos en los que algo no debería pasar.
Conjunto de reejecución: Una lista fija de elementos de trabajo pasados, cada uno con su commit de partida y el resultado que cuenta como aprobado. Antes de publicar un cambio, ejecutas sobre ella el sistema actual y el modificado, y comparas elemento por elemento.
Conjunto de reglas: Un conjunto de reglas con nombre sobre las branches de un repository, como exigir un pull request, que pasen las comprobaciones y una aprobación antes de fusionar nada. Los cambios de los agents tienen que cumplirlo igual que los de cualquiera.
Context budget: Tratar la context window como un presupuesto que repartes a propósito, gastando más en lo que de verdad cambia la respuesta.
Contexto oculto: Los system prompts, los archivos de referencia, el historial de la conversación y los fragmentos recuperados gastan tokens en cada ejecución.
Contrapresión: Comprobaciones automáticas que rechazan el trabajo malo de un agent, como las pruebas, los verificadores de tipos y los escáneres de seguridad, para que tenga que arreglar su cambio antes de seguir. Mantenlas rápidas, porque el agent las espera.
Control computacional: Una guía o un sensor que ejecuta software normal y corriente, como una prueba, un linter o un script. Es rápido y barato, y da siempre el mismo resultado.
Control inferencial: Una guía o un sensor que depende del criterio de un modelo, como unas instrucciones escritas o una revisión con IA. Puede juzgar el significado, pero es más lento, cuesta más y puede variar de una ejecución a otra.
Costo: Lo que cuesta cada token: en dinero, en latencia y en atención diluida.
Costo por resultado aprovechable: El gasto total dividido entre los resultados que no hubo que rehacer. La métrica de gasto que conviene interiorizar.
Costura: El punto donde la información pasa de una persona, un equipo o un sistema a otro. Por las costuras se escapan tiempo y calidad.
Criterios de aceptación: Las condiciones que tiene que cumplir un trabajo para darse por terminado, escritas antes de empezar. Para un agent, cada una funciona mejor como una comprobación que pueda ejecutar: una prueba, un comando o un resultado que cualquiera pueda ver, tras confirmar primero que las comprobaciones del comportamiento nuevo fallan.
Deferred tools: Listar los tools por su nombre y dejar que el modelo pida la definición completa cuando la necesite, para que el context siga ligero.
Definición de listo: La lista, acordada por un equipo, de lo que tiene que contener un elemento de trabajo antes de que nadie empiece con él. En una fábrica decide qué elementos pueden entrar en la cola de los agents; los demás vuelven a su autor, con la pieza que falta señalada.
Definición de terminado: Una lista corta de afirmaciones sobre el trabajo terminado, escrita antes de empezar, que cualquiera podría comprobar. Cada línea es verdadera o falsa respecto al resultado, así que "terminado" significa comprobado, no solo que lo parece.
Desarrollo guiado por especificaciones: Poner primero la intención por escrito, como una especificación, y hacer que un coding agent construya a partir de ella. Los niveles se diferencian en lo que pasa después con la especificación: se usa para un cambio (spec-first), se conserva con la funcionalidad (spec-anchored) o es el único archivo que edita la gente (spec-as-source).
Diff: La lista, línea a línea, de lo que cambió en tus archivos: las líneas eliminadas y las añadidas. Leer el diff después de cada paso es la forma de ver exactamente lo que hizo un agent.
DORA metrics: Cinco medidas de la entrega de software de DORA, un programa de investigación de Google Cloud. El tiempo de espera de los cambios, la frecuencia de despliegue y el tiempo de recuperación tras un despliegue fallido muestran la capacidad de entrega; la tasa de fallos de los cambios y la tasa de retrabajo de despliegues muestran la inestabilidad.
Edge cases: Entradas válidas pero raras. Unas buenas instrucciones dicen qué hacer cuando falta un campo, cuando hay contradicciones y cuando aparecen datos sensibles.
Elemento de trabajo: Una pieza de trabajo en una cola compartida, como un issue en un tracker. Cuando un agent lo toma, el elemento es todas sus instrucciones: el resultado esperado, las comprobaciones que lo demuestran, lo que queda fuera del alcance y a quién preguntar.
Entorno desechable: Un espacio de trabajo que se crea de cero para una tarea a partir de una configuración estándar y se tira después, como un worktree, un contenedor o un sandbox en la nube. Nada de lo que necesitas vive solo ahí dentro, así que cualquier ejecución se puede volver a empezar.
Entorno en la nube: La configuración preparada desde la que arrancan las ejecuciones de un agent en la nube: el código descargado, las dependencias instaladas, las reglas de red y los secretos. Cada ejecución trabaja en su propia copia, así que todas empiezan de la misma manera.
Entradas de confianza: Entradas que ya venían validadas antes de llegar aquí, como una fila de base de datos con un esquema obligatorio. Puedes actuar sobre ellas directamente.
Escenario reservado: Una historia de usuario de extremo a extremo, guardada fuera de la base de código, que comprueba el software por lo que un usuario puede observar. Los agents nunca la ven, así que no pueden reescribirla ni escribir código que solo sirva para pasarla.
Etapa de validación: La primera etapa de la chain, la que comprueba que cada campo obligatorio está y es válido. Si una comprobación falla, se detiene y avisa a una persona.
Evaluación de capacidad: Una evaluación con tareas que a un agent todavía le cuestan. Empieza con una tasa de éxito baja y muestra si los cambios en el harness ayudan.
Evaluación de regresión: Una evaluación con tareas que un agent ya resuelve y que deberían pasar casi siempre. Una caída significa que algo se rompió, a menudo tras un cambio en el modelo, en las instrucciones o en los tools.
Fábrica de software: Un sistema en el que muchos agents de IA toman elementos de trabajo de una cola y los convierten en cambios verificados, con personas en los puntos de control que tú eliges. El agent es un paso; la cola, los entornos aislados, las comprobaciones y las aprobaciones hacen que sus cambios se puedan fusionar con seguridad.
Fallo de diseño: Un fallo que viene de la arquitectura del flujo de trabajo. Se arregla rehaciendo las etapas o rediseñándolo.
Fan-out: Dividir un cambio repetitivo en una ejecución de agent por elemento, como un archivo, lanzadas desde un script con el mismo prompt. Cada ejecución empieza con un context limpio. Prueba primero con unos pocos elementos, corrige el prompt y luego ejecuta el resto con una comprobación en cada uno.
Flujo de trabajo: Un sistema en el que un modelo y unos tools siguen pasos que fijaste de antemano. Es más simple, más barato y más fácil de probar que un agent, así que úsalo siempre que conozcas los pasos.
Forking: Copiar el agent o el asistente que ha compartido otra persona y adaptarlo, heredando lo que aprendió quien lo escribió.
Format drift: La IA devuelve el resultado con una forma un poco distinta a la especificada, y eso rompe todo lo que venía después esperando el formato exacto.
Formulario de admisión: El formulario o la plantilla que la gente rellena para registrar un elemento de trabajo, con un campo para cada línea de la definición de listo y los importantes como obligatorios. Hace que los campos sean difíciles de saltarse, no imposibles, así que el triaje vuelve a comprobar cada elemento. En GitHub, es un formulario de issue.
Franjas de umbral: Dos puntos de corte que dividen las respuestas de un modelo de decisión en tres resultados: actuar por su cuenta, confirmar con una persona o escalar a una persona. Los fijas a partir de tus propios elementos etiquetados y de lo que cuesta cada error.
Frontmatter: Un bloque pequeño de YAML justo al principio de un archivo, con datos sobre el propio archivo.
Git bisect: El comando de git que encuentra el commit en el que apareció un bug por primera vez. Marcas un commit bueno y uno malo, le das una prueba y busca en el historial partiéndolo por la mitad una y otra vez. A los coding agents se les da bien ejecutarlo por ti.
Gold set: Elementos reales de tu trabajo, cada uno etiquetado con la respuesta correcta por personas que conocen bien ese trabajo. Con él puntúas un modelo de decisión antes de fiarte de él.
Guía (control anticipativo): Un control del harness que orienta al agent antes de que actúe, como unas instrucciones, una guía de estilo o una plantilla. Hace más probable un buen primer intento.
Harness: Todo lo que montas alrededor de un modelo: el context que le das, los tools que puede llamar y el bucle en el que se mueve.
Headless run: Una ejecución de un coding agent desde un script, sin nadie al teclado, como claude -p o codex exec. Los tools permitidos, el sandbox y los límites de turnos y de gasto tienen que quedar fijados antes de que empiece.
Idempotency: Un agent es idempotente si ejecutarlo dos veces con la misma entrada no hace daño: da el mismo resultado o se salta el trabajo.
Infraestructura (frente a una herramienta): Algo construido de lo que dependen muchas personas. A esa escala necesita un responsable con nombre, un comportamiento documentado, HITL gates y un plan de mantenimiento.
Ingeniería agéntica: Desarrollar software con coding agents mientras un ingeniero sigue siendo responsable del resultado: fija el objetivo, revisa el código y la evidencia, y decide qué sale a producción. Simon Willison usa el término para lo contrario del vibe coding, en el que nadie mira el código.
Ingeniería del harness: Diseñar y mejorar todo lo que rodea al modelo de un agent: sus instrucciones, sus tools, sus comprobaciones y sus límites. En el sentido de Mitchell Hashimoto, el hábito de cambiar el harness cada vez que el agent comete un error, para que no vuelva a cometerlo.
Instrucciones específicas de ruta: Archivos de instrucciones que solo se aplican cuando un agent trabaja en archivos que coinciden con ellos, como un archivo .instructions.md de GitHub Copilot con un patrón applyTo, o una regla de Cursor con globs.
Integración continua (CI): La compilación y las pruebas automáticas que se ejecutan con cada cambio propuesto antes de fusionarlo. En una fábrica de software es la primera comprobación que tiene que pasar el cambio de un agent, y una ejecución en verde solo es tan fiable como las pruebas que hay detrás.
Intento: Una ejecución de una tarea en una evaluación. Los agents varían de una ejecución a otra, así que cada tarea recibe varios intentos, cada uno desde un punto de partida limpio.
Jardinería de la documentación: Una ejecución periódica, a menudo a cargo de un agent, que compara la documentación de un repository con el código y abre un pull request por cada página que se ha quedado desactualizada. Mantiene fiel al código la documentación en la que se apoyan los agents.
La regla de construir: Cuando te encuentres haciendo el mismo trabajo dos veces, móntalo como un agent para que la tercera vez se haga sola.
La regla de las 50 entradas: Prueba un agent con 50 entradas reales distintas antes de confiar en él sin supervisión. Clasifica cada fallo.
Límite del modelo: Un fallo en el que la IA no es lo bastante fiable para la tarea. Se arregla con una comprobación determinista o con un HITL gate más estricto.
Listo para producción: Un flujo de trabajo probado con entradas reales, con los modos de fallo y los HITL gates escritos en las instrucciones, documentado, con responsable y con registro para detectar el drift.
Lockfile: Un archivo que registra la versión exacta de cada paquete que instala un proyecto, incluidos los paquetes que traen sus dependencias. Sus cambios en un diff muestran todo lo que añade un paquete nuevo.
Mapa de costuras: Un mapa de los traspasos de un proceso: quién entrega, quién recoge, qué se pierde, cuánto tiempo cuesta y dónde encajaría la IA.
Merge: Fusionar los cambios de una branch con la línea principal cuando ya están listos.
Merge queue: Una cola que prueba cada pull request junto con la versión más reciente de la branch main y los pull requests que tiene delante antes de fusionarlo, para que cambios que pasan por separado no puedan romper la branch al juntarse.
Modo sombra: Ejecutar un modelo de decisión sobre trabajo real mientras el proceso actual sigue al mando. Registras las dos respuestas y las comparas después; no se actúa sobre nada de lo que diga el modelo.
Niveles de madurez: Etiquetas para los flujos compartidos: úsalo a tu riesgo, destacado (revisado) y oficial (mantenido y listo para producción).
OpenTelemetry (OTel): Un estándar abierto para enviar métricas, registros y trazas desde un programa a un colector que tú eliges. Los tools de agents lo usan para informar de los tokens, el costo y las llamadas a tools de cada ejecución.
Output schema: Una definición escrita y precisa de los campos y los tipos de un resultado, fijada antes de escribir el prompt.
pass@k (al menos una vez): La proporción de tareas que un agent pasa al menos una vez en k intentos. Muestra si el agent puede hacer una tarea, no si la hace todas las veces.
pass^k (todas las veces): La proporción de tareas que un agent pasa en todos y cada uno de k intentos. Baja a medida que k crece, y es lo que más importa cuando la gente espera el mismo resultado cada vez.
Plan de mantenimiento: Un documento corto que nombra al responsable, a su suplente, cada cuánto se revisa, los modos de fallo conocidos y cómo se prueban los cambios.
Plantillas con variables: Las instrucciones de producción son plantillas con variables con nombre, y eso las vuelve inspeccionables, versionables y bifurcables.
Poda del harness: Quitar piezas de un harness de una en una y volver a ejecutar las mismas evaluaciones después de cada una, para quedarte solo con lo que sigue mejorando los resultados. Cada regla o comprobación es una suposición sobre el modelo, y los modelos cambian.
Predominio del resultado: Los tokens de resultado suelen costar de 3 a 5 veces más que los de entrada, así que un ajuste por defecto verboso multiplica el gasto muy rápido.
Principio de oro: Una regla firme y mecánica sobre cómo debería ser siempre el código, escrita en el repository, para que un agent programado pueda encontrar las desviaciones y abrir pull requests pequeños que las corrijan.
Prueba de reproducción: Una prueba escrita para que falle por un bug del que se ha informado, antes de que nadie lo arregle. Tiene que fallar por el mismo motivo por el que los usuarios ven el bug, no por una errata o por falta de configuración, para que el hecho de que pase después demuestre que el arreglo funciona.
Prueba del objetivo: Una condición de parada que el agent ejecuta en vez de afirmar: la compilación pasa, o el endpoint devuelve 200.
Pruebas manuales agénticas: Hacer que un coding agent use su propio cambio como lo haría una persona: llamar a una función desde la línea de comandos, a una API con curl o a una página en un navegador real, y guardar un registro de cada comando y su resultado. Puede encontrar lo que las pruebas que pasan no detectan.
Pull request: Un paquete de commits que se ofrece a revisión antes de fusionarlo.
Pull requests apilados: Una serie de pull requests pequeños en la que cada uno se basa en el anterior, de modo que un trabajo grande se revisa de cambio autocontenido en cambio autocontenido. Cada uno tiene que dejar el sistema funcionando cuando se integra.
Punto de llamada: Un lugar del código donde se llama a una función concreta. Antes de una actualización o de un cambio de nombre, listar cada punto de llamada, pruebas y scripts incluidos, muestra lo grande que es el cambio y qué hay que comprobar.
Ralph loop: Una forma de ejecutar un coding agent sin supervisión: un script le envía el mismo prompt, el mismo archivo del plan y las mismas especificaciones una y otra vez. Cada vuelta empieza con un context limpio, hace un elemento, ejecuta las comprobaciones y hace commit.
Rebase: Volver a aplicar los commits de una branch encima de la versión más reciente de la branch main. Hacer rebase justo antes de las comprobaciones finales hace que estas prueben el código que de verdad se va a fusionar.
Recall: Con cuánta fiabilidad el modelo aplica una regla concreta. Las reglas enterradas en medio de un long context se pasan por alto.
Red/green TDD: Desarrollo con las pruebas primero: escribes una prueba, la ejecutas y ves cómo falla (rojo), y después cambias el código hasta que pasa (verde). Verla fallar primero demuestra que la prueba comprueba el cambio, no algo que ya funcionaba. Con un coding agent, pedir red/green TDD suele bastar.
Repository (repo): Una carpeta de proyecto con memoria. Guarda los archivos, las pruebas y un registro de cada cambio, así que nada se pierde de verdad.
Resultado verificado: Un cambio que se integró, se desplegó y no necesitó ninguna marcha atrás, ningún hotfix ni ningún arreglo posterior. Contarlos, en lugar de los pull requests abiertos o las líneas generadas, muestra lo que de verdad entregó el trabajo con coding agents.
Revisión con context limpio: Una revisión hecha por un modelo que recibe el trabajo terminado, su definición de terminado y las fuentes, pero no la conversación ni el razonamiento que lo produjeron. Puede abrir archivos y ejecutar las comprobaciones.
Satisfacción (escenarios): La puntuación de StrongDM para los escenarios reservados: de todas las ejecuciones de todos los escenarios, la proporción que probablemente dejaría satisfecho al usuario. Sustituye a un simple pasa o falla cuando un software con un modelo dentro no se comporta igual cada vez.
Scope judge: Un modelo que lee solo un elemento de trabajo y el diff que un agent produjo para él, y veta los cambios que van más allá del elemento. Se ejecuta después de las comprobaciones de compilación y de pruebas. Sigue su tasa de veto y revisa a mano una muestra de sus veredictos.
Sensor (control por retroalimentación): Un control del harness que comprueba el trabajo del agent después de que actúe, como una prueba, un comprobador de enlaces o un modelo revisor, para que el agent pueda corregirse.
Shift left: Mover una comprobación al punto más temprano en que puede ejecutarse, como un lint en cada push en lugar de en la CI o en la revisión, para que un fallo aparezca donde arreglarlo cuesta menos.
Sistema de registro: El único lugar donde consta oficialmente un dato, y al que remiten todas las demás menciones. En una base de código, la documentación versionada del repository puede ser el sistema de registro de la arquitectura, las decisiones y las reglas de negocio.
Skill: Un paquete de instrucciones y material de referencia que le enseña a un asistente a hacer bien un trabajo concreto, reutilizable en cualquier conversación futura.
SKILL.md: El único archivo obligatorio de una skill: arriba, el frontmatter YAML con el nombre y la descripción; debajo, el procedimiento.
Stop hook: Un hook que se ejecuta cada vez que el agent termina de responder y puede mandarlo de vuelta al trabajo, por ejemplo mientras una prueba siga fallando. Necesita una salvaguarda, para que una comprobación que nunca puede pasar termine la ejecución en lugar de quedarse en bucle.
Symlink: Un archivo de acceso directo que apunta a otro archivo, para que una sola copia real aparezca en varios sitios.
Tabla de fiabilidad: Una tabla que agrupa las respuestas de un modelo por probabilidad y muestra con qué frecuencia acertó cada grupo. Te dice si 0,8 significa de verdad alrededor del 80 % con tus datos.
Terminal (shell): La ventana de texto donde escribes comandos en lugar de pulsar botones. Aquí viven los coding agents.
Test suite: Las comprobaciones propias de un proyecto: un solo comando las ejecuta todas e informa de si pasan o fallan.
Tope de presupuesto: Una condición de parada que pone un techo duro de turnos, de tokens o de llamadas a tools.
Tope de reintentos: Un límite de cuántas veces puede volver a intentarlo un agent después de que falle una comprobación, como dos rondas de CI. Al alcanzarlo, la ejecución se detiene y la branch pasa a una persona junto con la salida del fallo.
Traza: El registro de una ejecución en forma de árbol de pasos cronometrados llamados spans: la ejecución en la raíz y, debajo, cada llamada al modelo y a un tool. Muestra adónde se fueron el tiempo y los tokens, qué falló y por qué se detuvo la ejecución.
Triggers: Cómo arranca un agent: por calendario, a demanda o por un evento, como una fila nueva en una base de datos.
Tripwire: En un SDK de agents, la señal que envía un guardrail cuando falla su comprobación. La ejecución se detiene y tu código decide qué pasa después, por ejemplo decirle al usuario que la petición no se puede procesar.
Utilizable frente a exacto: Utilizable significa que las etapas siguientes pueden leer el resultado. Exacto significa que el contenido es correcto. Hacen falta las dos cosas.
Verifier: Una comprobación que un agent puede ejecutar pero no controla, como una compilación o una ejecución de pruebas, y que informa en pocas líneas. En una fábrica, los verifiers se ejecutan antes de que se abra un pull request, y si uno falla, el pull request no se abre.
Vibe coding: Construir algo describiendo en palabras normales lo que quieres y dejando que la IA escriba el código; tú vas corrigiendo el rumbo por intuición.
Worktree: Una segunda copia de trabajo del mismo repo, en su propia carpeta y con su propia branch, para que dos frentes no se pisen nunca.
YAML: Configuración escrita como líneas con etiqueta, del estilo name: pdf-export. Léelo como un formulario, no como código.

Riesgo y seguridad

Acciones que siempre pasan por HITL: Lo que siempre necesita el visto bueno de una persona: dinero, salud, seguridad, contratos, condiciones legales, trámites con la administración y situación legal.
Adversarial testing: Darle a propósito al agent entradas retorcidas, contradictorias, incompletas o maliciosas mientras lo pruebas, para encontrar por dónde se rompe.
Adversarial verification: Separar el crear del juzgar. Una pasada produce, otra ataca con el mandato de refutar, y solo se lanza lo que sobrevive.
AI slop: Texto o imágenes de IA producidos en cadena y sin ningún cuidado. Justo lo que evita un buen prompting.
Audit logs: El registro de cada llamada a un tool MCP, con la hora, quién llamó, con qué scope y con qué resultado. Es lo que consultas para ver qué hizo la IA.
Blast radius: El alcance que tiene un agent si algo sale mal: hasta qué sistemas puede llegar el daño. Un agent conectado necesita puntos de control más estrictos.
Caracteres Unicode ocultos: Caracteres que no ocupan espacio visible, como los de unión de ancho cero y las marcas de texto bidireccional. Pueden esconder en un archivo una instrucción que una persona que lo lea no ve, pero que un modelo sí lee.
Clasificación de riesgo de una acción: Un nivel de riesgo bajo, medio o alto para una acción que puede hacer un agent, a partir de cuatro preguntas: si escribe, si se puede deshacer, de quién es el acceso que usa y si hay dinero de por medio. Cada nivel se asigna a allow, ask o deny.
Confidence calibration: Hacer que la IA puntúe su propia confianza (alta, media, baja) y dé un motivo, para que sepas qué resultados hay que revisar.
Contención: Limitar lo que un agent es capaz de alcanzar, decida lo que decida: un sandbox, el acceso a la red desactivado o limitado a una lista, y las credenciales fuera de su alcance. Aguanta cuando nadie está mirando, algo que las aprobaciones no pueden hacer.
Control impuesto: Un límite que el tool aplica decida lo que decida el modelo, como una regla de permisos, un hook, un sandbox o una app que no está conectada. A diferencia de una instrucción, el modelo no puede saltárselo.
Deny rule: Una regla de permisos que bloquea un tool, un comando o una ruta decida lo que decida el modelo, como Read(./.env) en Claude Code. Las deny rules se comprueban primero, así que una allow rule no puede hacer una excepción a ninguna de ellas.
Drift: Cuando los resultados de un modelo empeoran poco a poco porque el patrón de las entradas cambió. Es silencioso y solo se ve mirando muchos resultados juntos.
Drift (loop): Un fallo del bucle: el agent se olvida del objetivo y se pone a optimizar una subtarea. Repite el objetivo cerca del final del context.
Equivocado con aplomo: Una respuesta que suena con autoridad pero está mal en algún detalle sutil, dicha con el mismo tono que las respuestas correctas.
Exceso de iniciativa: Un agent que da un paso aparentemente útil más allá de lo que pediste o aprobarías, como usar una credencial que encontró. Se limita con controles que impone el tool.
Exfiltración: Enviar datos a alguien que no debería tenerlos. En un agent, cualquier vía de comunicación con el exterior puede llevárselos: un correo, un mensaje, una petición web, incluso un enlace o la dirección de una imagen.
Fatiga de aprobaciones: Lo que pasa cuando la gente ve tantas solicitudes de aprobación que deja de leerlas. Las aprobaciones siguen ocurriendo, pero ya no son una comprobación. Pide menos, muestra exactamente lo que va a pasar y contén el trabajo rutinario.
Guardrails: Las reglas y comprobaciones que impiden que la IA haga cosas peligrosas.
Hallucination: Cuando un asistente afirma algo falso con total seguridad. Siempre merece una comprobación rápida.
Hallucination de paquetes: Un paquete de software que sugiere un modelo y que no existe. Cualquiera puede registrar el nombre inventado y llenarlo de código dañino, así que comprueba cada paquete nuevo antes de quedártelo.
Higiene de datos: Los hábitos para manejar información privada con IA. Deja los datos sensibles donde viven, en vez de pegarlos en un tool que no controlas.
HITL gate: Un punto de revisión con una persona en el bucle: alguien mira el trabajo antes de que el agent actúe. Obligatorio en acciones irreversibles o de poca confianza.
Human-in-the-loop (HITL): Una persona revisa o aprueba el resultado de la IA antes de que se actúe, sobre todo en pasos regulados, irreversibles o de mucho impacto.
Jailbreak: Un prompt montado para saltarse los guardrails de una IA. No lo intentes: esos guardrails te protegen a ti y a los demás.
La regla inflexible: Nunca pegues datos bancarios, credenciales, documentos de identidad ni nada privado que no sea tuyo en un tool de IA de uso general.
Lethal trifecta: El nombre que da Simon Willison a un agent que tiene acceso a datos privados, ve contenido no confiable y puede enviar datos fuera. Con las tres cosas, un atacante puede engañarlo para que filtre los datos. Quita al menos una.
Lista de permitidos de red: La lista de hosts a los que puede llegar la ejecución de un agent, como tu índice de paquetes. Todo lo demás queda bloqueado, lo que limita adónde puede enviar datos un agent confundido o manipulado.
Mínimo privilegio: Darle a un agent, a una persona o a un programa solo el acceso que necesita su tarea, y nada que dure más que la tarea. Para un agent sin supervisión, eso significa un solo repository, un conjunto pequeño de tools y credenciales que caducan con la ejecución.
Modelo del queso suizo: Una imagen que viene de la ingeniería de seguridad: cada capa de comprobaciones tiene agujeros, pero si las capas los tienen en lugares distintos, pasan pocos errores. Ninguna comprobación lo detecta todo, así que apila varias.
Parada incorrecta: Un fallo del bucle: el agent se rinde antes de tiempo o no se rinde nunca. Se arregla con una prueba de terminación explícita.
Pausa automática: Un cortacircuitos que detiene al agent cuando la exactitud medida por muestreo cae por debajo de un umbral fijado, hasta que una persona vuelve a activarlo.
Pereza agéntica: Cuando un agent se para a mitad de una tarea larga y de muchas partes e informa de que todo el trabajo está hecho. Se contrarresta con una comprobación que el agent tiene que ejecutar antes de parar.
Prompt injection: Instrucciones maliciosas escondidas dentro del contenido que la IA lee, con la intención de secuestrar lo que hace.
Prompt injection indirecto: Un prompt injection que llega dentro del contenido que lee un agent, como una página web, un correo, un archivo compartido o el resultado de un tool, y no en lo que escribe el usuario.
Proxy de credenciales: Un servicio fuera del sandbox de un agent que guarda una clave real y la añade a las peticiones salientes a dominios permitidos. El código dentro del sandbox solo ve un valor ficticio, así que una ejecución secuestrada no tiene ninguna clave que robar.
Prueba de intercambio: Cambiar un detalle que no debería importar, como un nombre o un lugar, y volver a ejecutar el elemento. Si la respuesta se mueve más que el ruido normal, la decisión está usando ese detalle.
Push protection: Una comprobación de GitHub que bloquea un push que contiene una contraseña, una clave o un token antes de que llegue al repository, en lugar de avisarte después.
Red-teaming: Adversarial testing con el objetivo de un atacante: atacas a propósito tu propia configuración real, por ejemplo intentando que filtre datos, para ver qué defensas aguantan. En un agent, eso suele significar infiltrar una instrucción inofensiva en algo que lee.
Regla de Dos para agents: La regla de diseño de Meta contra el prompt injection: dentro de una misma session, un agent debería tener como máximo dos de estas tres cosas: entrada no confiable, acceso a sistemas sensibles o a datos privados, y el poder de cambiar el estado o de comunicarse con el exterior. Con las tres, necesita una persona u otra comprobación fiable.
Revisión por muestreo: Tomar una parte de los resultados de un flujo de trabajo (digamos un 10 %) y revisarlos tú mismo.
Revocation: Quitarle los scopes a una conexión MCP cuando el flujo de trabajo se retira, para que no se vayan acumulando conexiones dormidas.
Reward hacking: Pasar una comprobación sin hacer lo que la comprobación debía demostrar, como borrar una prueba que falla o escribir código que solo funciona con la entrada de la prueba. Protege las comprobaciones contra las ediciones, y guarda algunas donde el agent no pueda verlas.
Scopes: Los permisos por acción que expone un servidor MCP, como read_employees separado de update_employee. Concede solo el mínimo.
Sesgo de automatización: La tendencia a apoyarse, o a apoyarse demasiado, en los resultados de un sistema automatizado. La Ley de IA de la UE lo nombra, y una tasa de correcciones cercana a cero es una de sus señales de alarma.
Sesgo de autopreferencia: La tendencia de un agent a valorar con demasiada benevolencia su propio trabajo cuando se le pide comprobarlo o calificarlo. Se contrarresta con un revisor que no haya hecho el trabajo.
Sin avance: Un fallo del bucle: el agent reintenta la misma acción que ya falla. Registra lo que se ha probado y pon un tope de reintentos.
Slopsquatting: Registrar un nombre de paquete que los modelos de IA tienden a inventar, para que el código que sigue la sugerencia de un modelo instale el paquete del atacante. El nombre viene del typosquatting, en el que los atacantes registran nombres de paquetes mal escritos.
Supervisión: Mantener seguro a un agent haciendo que una persona apruebe cada acción antes de que se ejecute. Solo funciona mientras esa persona presta atención y entiende lo que aprueba, así que el trabajo que se ejecuta sin que nadie lo vigile necesita contención.
Umbral mínimo de confianza: El umbral por debajo del cual el agent se detiene y escala en vez de actuar.
Vía de escalación: El camino definido para un caso marcado: a quién se avisa, cómo y con qué contexto. Todo HITL gate necesita una.
Workspace trust: La comprobación que hace un coding agent antes de usar la configuración propia de una carpeta, como los hooks incluidos en un repository: te pregunta si confías en la carpeta. Las ejecuciones desde scripts pueden saltarse la pregunta y tratar la carpeta como de confianza.

Herramientas y asistentes

Agent en la nube: Un coding agent que se ejecuta en las máquinas de un proveedor en lugar de en las tuyas. Le das una tarea, trabaja en su propio entorno preparado y te devuelve una branch o un pull request para que lo revise una persona.
Agente integrado en tu espacio de trabajo: Un agent que vive dentro de un tool como Notion y lee y escribe sus páginas y sus bases de datos.
AI agent: Unas instrucciones guardadas que ejecutan por su cuenta un trabajo recurrente: por calendario, a demanda o por un evento.
Approval policy: En Codex, el ajuste que decide cuándo se para el agent a preguntar antes de ir más allá de su sandbox, como on-request o never. El modo de sandbox fija lo que los comandos pueden hacer técnicamente.
Artifacts: Una función de Claude que genera código, documentos, diapositivas y resultados interactivos en un panel lateral editable.
Asistente de IA: Tu tool de chat independiente: ChatGPT, Gemini, Claude o Grok. Es reactivo: tú preguntas y responde.
Asistente guardado (reutilizable): Un asistente personalizado que configuras una vez y reutilizas, como un Custom GPT, un Gem o un Claude Project.
Asistente incorporado (dentro de la app): IA metida dentro de una app que ya usas, como Gmail, Notion o Word. Actúa sobre la página que tienes abierta.
ChatGPT: El asistente de OpenAI, gratis en chatgpt.com. Un todoterreno de confianza y con la comunidad de usuarios más grande.
Checkpoint (instantánea de archivos): Una instantánea que un tool de programación toma de tus archivos antes de que el agent los edite, para que puedas deshacer sus últimos pasos. Sirve para recuperarse rápido dentro de una conversación; algunos tools no registran los cambios hechos con comandos de shell, así que haz también commit en git.
Claude: El asistente de Anthropic, gratis en claude.ai. Fuerte escribiendo textos largos, analizando documentos densos y razonando cosas difíciles.
Claude Projects: Espacios de trabajo permanentes de Claude que guardan documentos de referencia y que Claude recuerda en todas las conversaciones.
Co-pilot: El copiloto: IA que trabaja a tu lado dentro de un tool y te va sugiriendo mientras avanzas, con el mando siempre en tus manos.
Connectors: Enlaces que permiten a Claude conectarse con tools como Drive, Gmail, Slack, GitHub y Linear, con tu permiso.
Custom GPTs: Los asistentes guardados y reutilizables de ChatGPT: los configuras una vez y los reutilizas.
Deep Research: Un modo que lanza una investigación larga sobre muchas fuentes y devuelve un informe escrito y con las fuentes citadas.
Gemini: El asistente de Google, gratis en gemini.google.com. El más fuerte cuando la entrada es grande, mezclada o visual, y funciona dentro de Google Workspace.
Gems: Los asistentes personalizados de Gemini, guardados y reutilizables: los configuras una vez y los reutilizas.
Grok: El asistente de xAI, gratis en grok.com. Conectado a X y a la web en directo, es el más fuerte en actualidad.
Instrucciones del proyecto: Instrucciones permanentes que fijas una vez en un proyecto de ChatGPT o de Claude. Todos los chats del proyecto las reciben, junto con los archivos del proyecto, pero siguen siendo peticiones que el modelo puede saltarse.
Permission mode: Un ajuste de un coding agent que decide qué acciones se ejecutan sin preguntarte primero, desde solo las lecturas hasta todo. Las reglas de permisos van por encima, y una deny rule sigue bloqueando en todos los modos.
Plan mode: Un modo de los coding agents en el que el agent lee el código y propone un plan, pero no cambia nada hasta que lo apruebas. Separa decidir qué hacer de hacerlo.
Plataforma de automatización: Un tool sin código (Zapier, Make) que copia datos entre apps por calendario.
Plugin: Un paquete que instala de una vez varias piezas de la configuración de un agent, como skills, hooks y conexiones a servidores. Un plugin puede ejecutar código con tus propios permisos, así que lee lo que contiene antes de instalarlo.
Revisión de código con IA: Una revisión de un pull request o de un diff hecha por un modelo de IA. Sus hallazgos son pistas que comprobar contra el código, no aprobaciones, y no sustituye a las pruebas ni a la revisión de una persona.

Trabajar con IA

Ahora todos somos constructores: Quien monta un flujo de trabajo con IA es un constructor, diga lo que diga su puesto.
AI-pilled: Convertido a la IA. En cuanto le encuentras el punto con una tarea, empiezas a recurrir a ella para todo. Se suele decir medio en broma.
Atrofia de habilidades: Perder una habilidad que ya no practicas porque un tool hace el trabajo. Con los coding agents, la depuración es la principal preocupación: en un ensayo fue donde apareció la mayor diferencia, y es la habilidad que necesitas para comprobar lo que te devuelve un agent.
Cinco niveles de autonomía: El modelo de Dan Shapiro sobre cuánta parte de la programación le pasa un equipo a la IA, desde el Nivel 0, en el que una persona escribe cada línea, hasta el Nivel 5, la fábrica a oscuras. Es el modelo de una persona, útil como vocabulario compartido, y un mismo equipo puede estar en varios niveles a la vez.
Contrastar entre herramientas: Pasa la misma pregunta importante por dos tools y compara. Si coinciden, ganas confianza; si no coinciden, has encontrado algo que merece que lo mires.
Deuda de comprensión: La brecha creciente entre cuánto código ha puesto en producción un equipo y cuánto de ese código entiende alguien del equipo. Se acumula en silencio mientras las pruebas siguen en verde, y se nota cuando algo se rompe. También se llama deuda cognitiva.
Ejemplo de referencia: La pieza de código existente que señalas como modelo de un patrón, como un endpoint nuevo o una prueba. Los coding agents copian lo que encuentran, así que señalar el mejor ejemplo orienta lo que copian.
El trabajo tiene que desaparecer: La idea de que la IA debería borrar categorías enteras de trabajo, eliminando tareas de raíz.
Empezar siempre por la IA: Dedicar 30 segundos en cada tarea nueva a pensar cómo podría ayudarte la IA, antes de ponerte a hacerla a mano.
Fábrica a oscuras: El nivel más alto de los cinco niveles de autonomía de Dan Shapiro: entran especificaciones, sale software y ninguna persona escribe ni revisa el código. El nombre viene de las fábricas que funcionan solo con robots, donde no trabaja nadie.
La mentalidad del 100x: El ritmo nuevo: los meses se vuelven días y los días, horas. Cuando el costo cae 100 veces, se vuelven posibles cosas que antes no lo eran.
La regla del 80 %: Empieza siempre por tu asistente de IA, para todo. El tool que vive dentro de la app es un atajo cómodo del que puedes prescindir.
Legibilidad para el agent: Si el conocimiento que necesita un agent está en algún sitio que pueda abrir mientras trabaja. Una decisión que solo vive en una reunión, en un hilo de chat o en la cabeza de alguien es ilegible: para el agent, no existe.
Ley de Goodhart: La observación de que un número deja de ser una buena medida en cuanto se recompensa a la gente por él. Fija como objetivo los pull requests abiertos y tendrás más pull requests, valgan algo o no.
Límite de trabajo en curso: Un tope de cuántas tareas están empezadas y todavía sin integrar. Con coding agents en paralelo, fíjalo según cuántos cambios puedes revisar e integrar, no según cuántos agents puedes iniciar, y revisa lo que está esperando antes de iniciar más.
Nota de traspaso: Una nota corta que permite a una session nueva hacerse cargo de una tarea: el objetivo con sus palabras originales, las reglas que deben cumplirse, lo que está hecho y cómo se comprobó, lo que viene después y lo que no funcionó.
Paradoja de la supervisión: El problema de que supervisar a un agent de IA exige justo las habilidades que depender de él puede debilitar. El estudio de Anthropic sobre sus propios ingenieros usa el término para la programación: revisar el código de un agent requiere las habilidades de programación que practicas menos cuando es él quien escribe el código.
Reaprender a aprender: La metahabilidad de seguir aprendiendo mientras la experiencia de siempre se automatiza. La nueva ventaja que no se copia.
Soltura con la IA: La capacidad de trabajar con la IA, construir sobre ella y pensar a su lado. La habilidad más rentable de la década.
Triaje: Clasificar el trabajo que llega para que cada elemento vaya al lugar adecuado. En una fábrica, cada elemento va a un agent, a una persona o de vuelta a su autor, y cada decisión registra un motivo y una confianza.