¿Qué es la programación con agentes?

Como sugiere el término, en el núcleo de la programación con agentes se encuentran los agentes de programación: sistemas de IA que combinan capacidades de razonamiento de LLM con acceso a herramientas de programación y entornos de ejecución. A diferencia de las interfaces de chat simples, los agentes de programación operan en múltiples capas de la pila de desarrollo.

Las primeras herramientas de programación de IA se centraban principalmente en mejoras de productividad, como autocompletado y sugerencias en línea dentro de un IDE o entorno de desarrollo. Estas herramientas analizaron la sintaxis existente y el código cercano para sugerir la siguiente línea de código. Los sistemas modernos van más allá. 

Las plataformas impulsadas por modelos grandes, como las desarrolladas por OpenAI, Anthropic, Gemini e IBM, pueden interpretar solicitudes de lenguaje natural, razonar sobre repositorios completos y generar tareas estructuradas para su ejecución. Este avance permite que los sistemas de IA agéntica orquesten procesos de desarrollo complejos. Por ejemplo, un desarrollador real podría solicitar lo siguiente a un agente de programación:

“Agrega autenticación al front end, actualiza la API e incluye pruebas unitarias”. 

La automatización de esta secuencia de tareas es posible con el uso de un agente de IA. Un agente también puede utilizar otros subagentes especializados que se centren en tareas particulares. Al coordinar múltiples agentes, estos sistemas pueden trabajar rápidamente para lograr una mayor calidad del código.

El aumento de términos como programación con agentes, vibe coding e ingeniería con agentes refleja un cambio más amplio en la forma en que los desarrolladores interactúan con la IA. Sin embargo, es fácil confundir los diversos términos para la programación asistida por IA, especialmente a medida que se acuñan nuevos términos cada año. Para distinguir algunos de los términos más usados, podemos pensar en ellos en un espectro. 

El vibe coding se encuentra en el extremo informal del espectro, ya que es impulsado por instrucciones en lenguaje natural, a menudo priorizando la velocidad y la exploración sobre la estructura o el rigor. En cambio, la programación con agentes introduce mayor disciplina; los desarrolladores orquestan agentes de IA con roles y restricciones definidos para producir código que se pueda probar y sobre el que se pueda iterar.  

La ingeniería agéntica va un paso más allá, tratando estos sistemas como software de nivel de producción. Este extremo más técnico del espectro enfatiza el diseño del sistema, la confiabilidad, la observabilidad y la colaboración entre múltiples agentes y humanos. En la práctica, estos enfoques no son mutuamente excluyentes. Los equipos a menudo comienzan con el vibe coding para crear prototipos de ideas rápidamente, luego evolucionan hacia la programación con agentes y, en última instancia, la ingeniería con agentes a medida que aumentan las apuestas y la complejidad.

La generación de código es uno de los casos de uso más populares para los agentes de IA. En los flujos de trabajo con agentes, los agentes de programación pueden:

• Realizar una revisión de código de un repositorio de GitHub
• Proponer nuevas características
• Abrir una solicitud de extracción
• Ejecutar pruebas de validación y unitarias
• Depurar problemas en la base de código
• Iterar y refactorizar el código existente ineficiente
• Ejecutar comandos a través de una CLI
• Identificar y resolver conflictos de dependencia
• Y mucho más

No solo pueden escribir código, sino también mejorar la calidad del código y optimizar el ciclo de desarrollo de software. Estas capacidades nos permiten, como humanos, centrarnos en tareas que requieren matices y experiencia profunda. 

Existen numerosas formas en que la programación con agentes permite a los ingenieros de software ser más productivos y usar su tiempo de manera más significativa. Los desarrolladores pueden usar herramientas de IA para manejar las partes mecánicas de la programación que antes consumían horas de esfuerzo enfocado, como el andamiaje de un módulo Python o la generación de documentación de markdown. Esto libera a los ingenieros para que se concentren en los problemas que requieren el juicio humano, como el diseño de sistemas y la resolución creativa de problemas.

Herramientas como GitHub Copilot y ChatGPT ya han demostrado cómo la IA conversacional puede acelerar el desarrollo a nivel de función. Los sistemas agénticos van más allá, aprovechando una ventana de contexto ampliada para razonar en todas las bases de código. Los modelos y marcos de código abierto también redujeron la barrera de entrada, permitiendo a equipos de todos los tamaños experimentar y desplegar flujos de trabajo con agentes sin una inversión significativa en infraestructura. 

Sin embargo, hay algunas consideraciones que se deben tener en cuenta al trabajar con código generado por IA. Las herramientas de IA pueden producir resultados que parecen correctos, pero contienen errores sutiles o vulnerabilidades de seguridad, por lo que cada resultado generado debe tratarse como un primer borrador que requiere una revisión cuidadosa. 

Sin las barreras adecuadas, los equipos corren el riesgo de introducir regresiones o exponer sistemas sensibles a comportamientos no intencionados. También existe el riesgo de una dependencia excesiva: los desarrolladores que descargan demasiado de su razonamiento a las herramientas de IA podrían encontrar que sus habilidades fundamentales se erosionan silenciosamente a lo largo del tiempo. 

Obtener el máximo provecho de la programación con agentes implica algunos principios clave.

Como cualquier herramienta poderosa, el valor que aporta la programación con agentes depende de la forma en que se utilice. Los equipos que inviertan en buenos procesos estarán mejor posicionados para beneficiarse a medida que la tecnología sigue mejorando. Eso significa revisar el código generado por IA con el mismo rigor que se aplicaría a cualquier solicitud de extracción, manteniendo a los humanos al tanto de las decisiones consecuentes y resistiendo la sustitución de la comprensión por la automatización.