Tabla de Contenidos
¡Esta es una revisión vieja del documento!
Curso de programación con IA & Spec-Driven Development
Bienvenido a mi curso de programación con IA & Spec-Driven Development (SDD).
- 1. Introducción
- 2. OpenCode
- 3. Claude Code
- 4. herdr
- 5. Orca
- 6. Agentes
- 8. Otras herramientas
- Cursor, Codex
- Context7
- 11. Testing
- Unitarios: JUnit
- API: REST Assured
- e2e: Playwright
- Smoke Test
- 12. Guardarailes y sensores
- ArchUnit (Generar las reglas a partir de los test y sus descripciones!!!)
- Error Prone
- Mutation Testing
- Metricas:CRAP,Complejidad ciclomática,Cobertura
- 13. Seguridad: Sandbox
- 14. Hooks
- 16. Frameworks SDD
- OpenSpec
- GitHub Spec Kit
- BMAD
- 17. Creación de skills
- Pasos
- Ejemplos
- Estándar de oro
TODO: Tamaño ventana contexto. 40%
Líneas del proyecto (sin blancos ni comentarios)
| Código | XML | Total | Ficheros | |
|---|---|---|---|---|
| src/main | 16484 | 17197 | 33681 | 554 |
| src/test | 41883 | 553 | 42436 | 367 |
| Total | 58367 | 17750 | 76117 | 921 |
Documentación para Claude (líneas no en blanco)
| Líneas | Ficheros | |
|---|---|---|
| Skills | 28211 | 268 |
| Agentes | 134 | 3 |
| CLAUDE.md | 659 | 10 |
| agent_docs | 1523 | 8 |
| Total | 30527 | 289 |
Redbee AI Maturity Model
| Nivel | Modelo | Qué significa | Papel de la persona |
|---|---|---|---|
| 1 | Asistida | La IA ayuda a una persona a realizar una tarea. | Decide y ejecuta |
| 2 | Aumentada | La IA mejora significativamente las capacidades humanas: analiza, recomienda, genera y acelera. | Supervisa y decide |
| 3 | Agéntica | Agentes de IA pueden planificar y ejecutar una secuencia de acciones para conseguir un objetivo. | Define objetivos y controla |
| 4 | Orquestada | Varios agentes, modelos, herramientas y sistemas trabajan coordinadamente dentro de un flujo. | Diseña y gobierna el sistema |
| 5 | Autónoma | El sistema puede tomar decisiones y ejecutar procesos de extremo a extremo con mínima intervención humana. | Gobierna y establece límites |
Comentarios
Mitos
- El mito: Pedirle a la IA que no comente el código ahorra tokens.
Qué hay de cierto: Los comentarios ocupan algunos tokens de salida. La realidad: El ahorro es marginal. El motivo real para pedir «no comentes salvo que lo pida» es señal/ruido,no economía. Lo que de verdad cuesta es que la conversación entera se reenvía en cada turno.
- El mito: Escribir los prompts en inglés ahorra tokens.
Qué hay de cierto: Cierto: el tokenizador es más eficiente en inglés (el español gasta ~1,2–1,5× más tokens por el mismo texto). La realidad: El ahorro es pequeño frente a la acumulación de contexto, y sacrifica legibilidad para un equipo hispanohablante. No compensa como regla general.
- El mito: El skill Caveman (hablar como cavernícola) ahorra ~65% de tokens.
Qué hay de cierto: Existe (JuliusBrussee/caveman) y recorta la prosa de salida. La realidad: El 65% es solo output y cherry-picked. Un test independiente de JetBrains midió ~8,5% en tareas reales, y puede ser net-negativo (el skill añade ~1–1,5k tokens de input por turno). En código, la mayoría de tokens son código y tool I/O, que no toca.
SOURCE: JETBRAINS (JUL 2026) · GITHUB.COM/JULIUSBRUSSEE/CAVEMAN · CONSULTADO 2026-07-30
Más cosas
- The open-source AI pentesting tool: Autonomous AI hackers that find and fix your app’s vulnerabilities.