Programar con un Agente de IA

La inteligencia artificial (IA) ha cambiado fundamentalmente la forma en que programamos. Los agentes de IA pueden generar código, optimizarlo e incluso ayudar en la depuración. Sin embargo, hay algunas limitaciones que los programadores deben tener en cuenta al trabajar con IA.

Problemas con el orden y la duplicación

Los agentes de IA tienen dificultades con el orden correcto del código. Por ejemplo, pueden colocar inicializaciones al final de un archivo, lo que causa errores en tiempo de ejecución. Además, la IA puede definir sin dudar múltiples versiones de la misma clase o función dentro de un proyecto, lo que conduce a conflictos y confusión.

Una plataforma de código con memoria y estructura de proyecto ayuda

Una solución para esto es el uso de plataformas de código IA que pueden gestionar memoria y estructuras de proyecto. Esto ayuda a mantener la consistencia en proyectos complejos. Desafortunadamente, estas funciones no siempre se aplican de manera consistente. Por ello, puede ocurrir que la IA pierda la coherencia de un proyecto e introduzca duplicaciones no deseadas o dependencias incorrectas durante la programación.

La mayoría de las plataformas de codificación IA trabajan con herramientas que pueden invocar el modelo de lenguaje grande. Estas herramientas se basan en un protocolo estándar abierto (MCP). Por lo tanto, es posible conectar un agente de codificación IA a un IDE como Visual Code. Opcionalmente, puedes configurar localmente un LLM con llama u ollama y elegir un servidor MCP para integrar. Los modelos se pueden encontrar en huggingface.

Las extensiones de IDE son indispensables

Para gestionar mejor el código generado por IA, los desarrolladores pueden usar extensiones de IDE que supervisan la corrección del código. Herramientas como linters, verificadores de tipos y herramientas avanzadas de análisis de código ayudan a detectar y corregir errores tempranamente. Son un complemento esencial para el código generado por IA para garantizar la calidad y estabilidad.

La causa de errores repetitivos: contexto y rol en las API

Una de las razones principales por las que los agentes de IA siguen repitiendo errores radica en la forma en que la IA interpreta las API. Los modelos de IA necesitan contexto y una descripción clara del rol para generar código efectivo. Esto significa que los prompts deben ser completos: no solo deben contener los requisitos funcionales, sino también explicitar el resultado esperado y las condiciones límite. Para facilitar esto, puedes guardar los prompts en un formato estándar (MDC) y enviarlos por defecto a la IA. Esto es especialmente útil para reglas de programación genéricas que aplicas, así como para los requisitos funcionales y técnicos y la estructura de tu proyecto.

Herramientas como FAISS y LangChain ayudan

Productos como FAISS y LangChain ofrecen soluciones para que la IA maneje mejor el contexto. FAISS ayuda, por ejemplo, en la búsqueda eficiente y recuperación de fragmentos de código relevantes, mientras que LangChain ayuda a estructurar el código generado por IA y a mantener el contexto dentro de un proyecto más grande. Pero también puedes configurarlo localmente con bases de datos RAC.

Conclusión: útil, pero aún no autónomo

La IA es una herramienta poderosa para los programadores y puede ayudar a acelerar los procesos de desarrollo. Sin embargo, aún no es capaz de diseñar y construir de forma autónoma una base de código más compleja sin supervisión humana. Los programadores deben considerar la IA como un asistente que puede automatizar tareas y generar ideas, pero que todavía necesita guía y corrección para lograr un buen resultado.

Contacta aquí para ayudar a configurar el entorno de desarrollo y ayudar a los equipos a aprovechar al máximo el entorno de desarrollo, dedicándose más a la ingeniería de requisitos y diseño que a la depuración y escritura de código.