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
Construyendo endpoints de API con Claude: Lecciones prácticas de ingeniería de prompts de un proyecto con más de 70 endpoints
Un desarrollador construyó más de 70 endpoints de API para automatización de LinkedIn con Claude escribiendo el 80% del código, descubriendo que tratar los prompts como contratos con restricciones explícitas funciona mejor que las instrucciones en lenguaje natural para agentes que toman acciones.
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.
La Investigación Muestra que la Elaboración Efectiva de Indicaciones de IA es Comunicación Cooperativa, No Ingeniería
La investigación revisada por pares indica que la creación de prompts efectivos con modelos de IA sigue los mismos principios de comunicación cooperativa que utilizan los humanos, y el análisis de Lakera muestra que la mayoría de los fallos en los prompts se deben a la ambigüedad, no a las limitaciones del modelo.
Consejos Prácticos de OpenClaw: Comenzar Pequeño, Evitar Errores Comunes
Un desarrollador comparte lecciones de construir un rastreador de salud personal con OpenClaw, enfatizando un alcance limitado, flujos de trabajo deterministas y apegarse a un solo LLM. La publicación incluye observaciones específicas del modelo comparando ChatGPT y Gemini.