// workshop equipo de dev

IA en el equipo de dev

No una clase de teoría. Una serie de recetas que sales e implementas.
por qué importa

Sin sistema, la IA agrega ruido

La regla de toda la charla: gana el equipo con sistema, no el que tira más prompts.
analogía
Un cirujano brillante que a veces confunde el bisturí con la cuchara. Y no te avisa cuándo.
// el modelo es genial en unas tareas y peligroso en otras, verifica más donde eres junior
cómo leer esta charla

Cada tema es una receta

Objetivo: que el lunes puedas implementar, no solo entender.
$_
manos a la obra

El kit, en comandos

Instala esto primero. Todo verificado contra la doc oficial.
el kit

Tres comandos y estás adentro

# Claude Code, mac / linux / wsl
$ curl -fsSL https://claude.ai/install.sh | bash
# Windows PowerShell
> irm https://claude.ai/install.ps1 | iex
$ cd tu-repo && claude
Codex CLI y Gemini CLI se instalan igual. El terminal es el punto de entrada.
el modelo

El modelo por tarea, en una tecla

› /model # selector, eliges con flechas
# fijarlo por proyecto → .claude/settings.json
{ "model": "claude-sonnet-5" }
$ claude --model opus-5 "..."
Tier alto para lo difícil, bajo para lo mecánico.
una skill

Una capacidad reusable: caveman

# .claude/skills/caveman/SKILL.md
---
name: caveman
description: Responde comprimido, sin relleno
---
Recorta preámbulo. Bullets, no párrafos.
Se comitea al repo, la usa el equipo. La invocas con /caveman.
spec-driven

Acuerda el qué antes del código: OpenSpec

$ npm i -g @fission-ai/openspec@latest
$ openspec init
› /opsx:propose add-rate-limiting
› /opsx:apply # implementa contra la spec
› /opsx:archive # registra lo hecho
La spec vive en git, no en un prompt que se pierde.
manos al modelo

Dale manos al modelo

$ claude mcp add --transport http docs https://mcp.ejemplo.com/mcp
$ claude mcp list
# o commiteable para el equipo → .mcp.json
{ "mcpServers": { "docs": { "type": "http", "url": "..." } } }
Dev y prod separados, secretos por variable de entorno.
comandos del día

Los que usas todo el tiempo

/plan

Plan mode: propone y lo revisas antes de ejecutar.

/clear · /compact

Limpiar o comprimir el contexto entre tareas.

/init · /agents

Crear el CLAUDE.md · subagentes para lo paralelo.

/context · /code-review

Ver contexto · revisar el diff con IA.

A
bloque a

Usar la IA con criterio

El loop de trabajo que evita el ruido.
el loop

Seis pasos por cada tarea

Si empiezas por la IA, tercerizas el pensamiento. La usas como challenger, no como solver.
analogía
No usas un martillo neumático para colgar un cuadro.
// cada tarea, su modelo. El grande por default es plata tirada
por tarea

Enruta por tarea, ahí está el ahorro

tier alto
Arquitectura, trade-offs

Acá sí pagas razonamiento.

tier medio
Endpoint contra un patrón

Rutina con contexto claro.

tier bajo
Renombrar 40 archivos, boilerplate

Mecánico, mucho volumen.

contexto masivo
Leer 200 páginas y comparar

Mucho input, poco razonamiento.

En producción lo hace un router (LiteLLM / OpenRouter) por request.
no confíes

El modelo alucina con total confianza

"Doble check" = leer la fuente, no volver a preguntarle al modelo.
analogía
Te da la hora con total seguridad. Con un reloj parado.
// verifica contra la fuente, no vuelvas a preguntarle al modelo
el plan primero

Research → Plan → Implement

Revisa el plan, no el código. Corregir un plan es barato; el código, caro.
analogía
Corregir el plano cuesta un borrador. Corregir la casa cuesta demoler.
// por eso el orden es research, plan, revisar el plan, implement
dos ojos

Dos capas antes del merge

El que escribe ≠ el que audita. Herramientas: CodeRabbit, Greptile, Graphite.
parsimonia

¿Agente o lo haces directo?

Agente sí

  • >5 archivos
  • Research multi-fuente
  • Paralelo real e independiente

Agente no

  • Single-file
  • Lookup directo
  • <3 llamadas
Si es más rápido hacerlo directo, hazlo directo.
aburrido a propósito

La IA tiende a lo verboso. Recorta.

Código aburrido > código clever.
B
bloque b

Construir features de IA

El LLM como componente no-determinista de tu sistema.
lo básico bien

Lo básico, bien hecho

El producto arranca en una necesidad real, no en "metamos IA".
recuperar bien

Implementar RAG

El 80% de la calidad está en la recuperación. Mídelo con un golden set.
rag, cuándo subir de nivel

GraphRAG y memoria

Suman infra y costo. Úsalos cuando el RAG plano falla, no por default.
agente o cadena

Modelo + herramientas + loop

No metas un agente donde una función alcanza. El no-determinismo se paga en debugging.
sin fe

Sin esto es fe, no ingeniería

Tracing: Langfuse, LangSmith, Braintrust. El trace es el objeto primario.
sin datos, es fe
Sin evals, «funciona» es una opinión, no un dato.
// un golden set convierte la opinión en una métrica que se puede romper
los frenos

El no-determinismo es del modelo. La robustez, tuya.

analogía
El modelo es el motor. Los guardrails son los frenos. Nadie maneja sin frenos.
// el no-determinismo es del modelo; la robustez es tuya
caro o lento

Caro o lento no sirve, aunque funcione

último recurso

Último recurso, no el primero

Fine-tune si: estilo muy consistente, dominio cerrado, o un modelo chico que imite a uno grande.
a producción

De tu máquina a algo que aguanta usuarios

GPU solo si sirves tu propio modelo; con APIs, no hace falta.
qué no delegar
La IA propone. El equipo decide y responde.
C
bloque c

IA a escala: muchos proyectos

Cuando el equipo comparte el criterio, no cada uno el suyo.
el repo listo

Deja el proyecto listo para IA

AGENTS.md es estándar formal (Linux Foundation), 20+ herramientas lo leen.
nuevo o existente

Según el caso

Proyecto nuevo

  • Docs-first: contexto antes que código
  • AGENTS.md + un ADR de stack
  • Una skill base

Proyecto existente

  • Agrega la capa de contexto, no reescribas
  • AGENTS.md corto + ADRs de lo decidido
  • Skills para las tareas repetidas
el arnés

Infrastructure-first, antes del rollout

Los equipos que montaron el tooling antes adoptaron más rápido.
en paralelo

Fan-out → reduce → synthesize

3-5 worktrees simultáneos: el mayor unlock de productividad, y casi nadie lo usa.
analogía
Dos carpinteros, un solo banco. Se pelean por el torno. Dale un banco a cada uno.
// un git worktree por agente: mismo repo, working dir propio
que no reabra

Que la IA no reabra lo que ya decidiste

código de terceros

Una skill o un MCP es código de terceros

Supply chain

~36% de skills con algún fallo; 30%+ de MCP con vuln. Vétalos como dependencia.

Prompt injection

Instrucciones ocultas que secuestran al agente. Filtra y loguea entre input y ejecución.

Aísla la ejecución

Código de agente en microVM (Firecracker) o gVisor, no en tu host.

Secrets

Nada de creds en el contexto; dev y prod nunca comparten.

analogía
Una skill sin vetar es una dependencia sin auditar.
// skill y MCP son código de terceros ejecutable, trátalos como tal
qué evitar al escalar

Mes 1 eléctrico, mes 6 más lento

analogía
La IA es una tarjeta de crédito. El gasto es hoy, la cuenta llega en el mes 6.
// velocidad prestada. El interés es deuda técnica sin criterio
Z
arranque

El lunes

Lo que el equipo aplica ya, sin permiso de nadie.
checklist, 10 reglas

Copiar y pegar en el README del equipo

0115 min de hipótesis propia antes de la IA.
02Modelo por tarea, no el más caro.
03Spec antes del prompt, aunque sean bullets.
04Imperativo: debe / nunca / pregunta.
05Verifica syntax, precios y fechas contra la fuente.
06Si no verificaste, marca [unknown].
07Lee cada línea del diff; si no la entiendes, no mergeas.
08Agente solo si >5 archivos o paralelo real.
09Código aburrido: sin comments de WHAT.
10Registra decisiones (ADR), no re-litigues.
profundiza

Esto fue el mapa. La profundidad, en el curso

Agentes, tools y MCP, RAG, evals y observabilidad, producción y deploy, paso a paso.
# curso completo
dev.jotive.com.co/learn/ai-agents
cierre

El sistema > la herramienta

Empieza chico: una tarea real esta semana con spec + verificación + leer el diff.
seguimos en contacto

Sígueme

# notas técnicas y proyectos
web dev.jotive.com.co
# instagram
ig @jotive.dev
A · 01 IA en el equipo de dev · workshop ← → 01 / 50