Método de codificación con IA bajo control: Vence a Fable manteniendo el control
Greg Slepak, mantenedor de software crítico para la seguridad, destila más de un año de investigación sobre agentes de IA de codificación en el método de correa corta. Está diseñado para desarrolladores expertos que quieren que la IA aumente su productividad sin sacrificar la calidad, y afirma superar los resultados de Fable 5 incluso sin usar modelos de frontera.
El problema central que identifica Slepak: los agentes de IA regularmente "se descarrilan", producen código feo o ineficiente, o requieren sistemas de orquestación estilo YouTuber que sacan al desarrollador del bucle. Su método te mantiene en control en cada paso.
Reglas de la Correa Corta
- Planifica la tarea, opcionalmente usando algo como
tasks skillpara dividir tareas grandes en pasos. - Nunca uses el modo "YOLO" (también conocido como "saltar permisos peligrosamente").
- La IA solo trabaja mientras tú miras — nada de "codificación por vibra" mientras juegas videojuegos.
- Usa un agente de codificación que muestre un diff en la solicitud de permisos antes de hacer cambios.
- Analiza cada diff propuesto — deniega permisos cada vez que la IA esté a punto de hacer algo que no quieres.
- Mantente en el bucle para tener una comprensión actualizada del código base.
- Interviene con frecuencia para evitar que la IA se descarrile.
- Haz commit después de cada subtarea para protegerte de que la IA borre trabajo anterior (Slepak ha visto a Opus hacer esto).
Revisiones de IA
Slepak recomienda tratar a la IA como un linter para revisiones de PR. La IA atrapa errores comunes, el humano atrapa problemas de alto nivel. Ambos juntos superan a cualquiera por separado. La IA necesita contexto suficiente (issue, descripción del PR).
También señala que construyó herramientas personalizadas de revisión de IA que rinden tan bien como sistemas de miles de millones de dólares, y mantiene un fork de un agente llamado Crush.
📖 Lee la fuente completa: HN AI Agents
👀 Ver también
Guía de lanzamiento de código abierto para proyectos de IA local y LLM de código abierto
Un manual de código abierto aborda los problemas de descubrimiento para proyectos de LLM e IA local al proporcionar orientación estructurada sobre la preparación previa al lanzamiento, la ejecución del día del lanzamiento y el seguimiento posterior. Incluye plantillas y estrategias para la distribución en comunidades, el alcance a creadores y la optimización SEO.
Guía Práctica para Crear Habilidades de Claude: Estructura, Disparadores y Scripts
Las Habilidades de Claude son manuales de instrucciones que automatizan tareas repetitivas, almacenadas como carpetas con un archivo SKILL.md en ~/.claude/skills/. La guía explica los activadores YAML, la integración de scripts y las reglas de orquestación de múltiples habilidades.
El Problema de la Voz en los LLM: Cómo Evitar Patrones de Escritura Generados por IA
Un desarrollador analiza el problema común de que la escritura asistida por LLM tiene 'LLM-ismos' reconocibles que activan inmediatamente la detección de IA, y comparte un artículo sobre cómo identificar estos patrones y editar para lograr autenticidad.
Configuración de Qwen3.5-27B Localmente: Comparación entre vLLM y llama.cpp
Un usuario de Reddit comparte consejos prácticos para ejecutar Qwen3.5-27B localmente, comparando los backends llama.cpp y vLLM con recomendaciones de configuración específicas y resultados de benchmarks.