Usar IA para escribir mejor código más despacio: un flujo de trabajo para encontrar errores
Los desarrolladores cansados de las "cañoneras de IA" podrían apreciar la alternativa de Nolan Lawson: usar LLMs para escribir código mejor, pero más lentamente. La clave está en lanzar múltiples agentes a una revisión de PR para encontrar errores clasificados por gravedad, y luego corregirlos metódicamente.
Cómo funciona
Lawson describe una habilidad de Claude adaptada de la idea central de otro artículo: cuantos más modelos diferentes uses en una revisión de PR, menos alucinaciones o errores falsos obtendrás. La habilidad ejecuta tres agentes —subagente de Claude, Codex y Cursor Bugbot— para encontrar errores en un PR, clasificados como críticos/altos/medios/bajos. Cuando terminan, revisas sus hallazgos, descartas los falsos positivos y redactas un informe final.
Define "error" en tus propios términos: Lawson incluye principios KISS/DRY, HTML/JSX accesible, índices SQL adecuados, etc. Afirma que la tasa de falsos positivos es cercana a cero, y que la habilidad siempre encuentra montones de errores, desde problemas de seguridad críticos hasta comentarios engañosos.
Flujo de trabajo típico
- Haz que un agente corrija todos los críticos y altos (con tu guía sobre la solución adecuada) y repite hasta que no quede ninguno.
- Omite los altos/medios cuyo esfuerzo de corrección (por ejemplo, 100 líneas para un caso extremo muy concreto) no merezca la pena.
- Abandona el PR si tiene tantos críticos que el enfoque completo es erróneo.
El proceso de revisión a menudo descubre errores preexistentes, lo que lleva a desvíos secundarios como escribir tests unitarios y corregir fallos sutiles. Esto es lo opuesto al desarrollo a base de cañoneras de productividad 10x, pero mejora la salud general del código y profundiza tu comprensión de los modos de fallo.
Si eres escéptico sobre la IA para programar, esto no te convencerá. Pero si estás generando PRs de cientos de líneas que apenas entiendes, Lawson te invita a reducir la velocidad: pregúntale a un agente cómo funciona tu PR y cómo podría fallar, pídele que escriba documentación Markdown con diagramas Mermaid, o usa la habilidad /grill-me de Matt Pocock hasta que entiendas todo el PR de principio a fin.
Discusiones relacionadas en Hacker News: HN thread (748 puntos, 288 comentarios).
📖 Leer la fuente completa: HN AI Agents
👀 Ver también
Evaluación de Chatbots RAG: Cómo un Barrido de Modelos + Arreglos de Recuperación Redujeron Costos un 79% y Mejoraron la Calidad un 19%
Un desarrollador evaluó un bot RAG de atención al cliente y encontró configuraciones incorrectas de recuperación, fallos en el evaluador heurístico y un modelo más barato que superó al de producción. La calidad mejoró de 6.62 a 7.88 mientras que el costo bajó de $0.002420 a $0.000509 por sesión.
Lista de Verificación de 72 Pasos para Configurar Claude: De Usuario Predeterminado a Usuario Avanzado
Un detallado artículo en Medium describe una lista de verificación de 72 pasos para configurar Claude, pasando de la configuración predeterminada a funciones avanzadas para usuarios expertos. Compartido en HN con 10 puntos y 1 comentario.
Recuperar conversaciones eliminadas de Claude Desktop de la caché de Chromium
Salga inmediatamente de Claude Desktop, busque el caché Chromium blockfile en %APPDATA%\Claude\Cache\Cache_Data (Windows), luego use los paquetes de Python ccl_chromium_reader y las bibliotecas de compresión estándar para extraer los cuerpos de respuesta HTTP que contienen el UUID de su conversación.
Benchmarks de 12 GB de VRAM: Ejecutando modelos Qwen 3.6 y Gemma 4 en una RTX 4070 Super
Un usuario de Reddit comparte benchmarks detallados de velocidad para Qwen3.6-35B-A3B, Qwen3.6-27B, Gemma 4 26B y Gemma 4 31B en una RTX 4070 Super de 12 GB usando llama.cpp con configuraciones optimizadas.