Especmaxxing: Combatiendo la psicosis de la IA con especificaciones YAML y ACAI

La última publicación del blog de Acai.sh, "Specsmaxxing – On overcoming AI psychosis, and why I write specs in YAML", aborda el problema de los agentes de IA que se desvían cuando los contextos se llenan o las sesiones finalizan. El autor comparte un flujo de trabajo práctico: escribir especificaciones estructuradas en YAML en lugar de solo markdown, y usar requisitos numerados (por ejemplo, AUTH-1, AUTH-2) que los agentes pueden referenciar directamente en el código. Este método, llamado Criterios de Aceptación para IA (ACAI), surgió cuando un subagente numeró automáticamente los requisitos y los referenció en la implementación, mejorando la trazabilidad y reduciendo las regresiones.

La publicación describe un proceso de cuatro pasos: Especificar (escribir requisitos en YAML), Entregar (dejar que los agentes implementen), Revisar (verificar el código contra las especificaciones) y Iterar. El autor admite que anteriormente exageraba con las especificaciones en markdown (PRDs, TRDs, documentos de arquitectura) y sufría "psicosis de IA": dedicaba más tiempo a construir andamios de IA que a productos. El enfoque basado en YAML pretende ser más ligero y más procesable por máquinas.

Información clave: un simple README.md y AGENTS.md ya mejoran significativamente el resultado del agente. La publicación argumenta que "Peak Slop" ha pasado y las especificaciones estructuradas son la próxima evolución. Un fragmento de código muestra el patrón:

# Requirements
AUTH-1: Accepts `Authorization: Bearer <token>` header
AUTH-2: Tokens are user-scoped, providing access to any of the user's resources
AUTH-3: Rejects with 401 Unauthorized

// AUTH-1
const authHeader = req.headers["authorization"];
// AUTH-2
const isAuthorized = verifyBearerToken(authHeader);
// AUTH-3
if (!isValid) return res.status(401).json({ error: "Unauthorized" });

La publicación también revisa alternativas: GitHub SpecKit, OpenSpec, Kiro, Traycer.ai — y enumera razones por las que podría no gustarte acai.sh (por ejemplo, sobrecarga, formato dogmático). Es una perspectiva pragmática para desarrolladores que quieren que sus agentes de IA entreguen código fiable sin bucles constantes de ajuste y corrección.

Para quién es: Desarrolladores que usan agentes de codificación de IA (Claude, Copilot, etc.) que encuentran límites de contexto y quieren una capa ligera de especificaciones para mantener a los agentes en el camino.