01 · Resultado
Empezar por el resultado que debe mejorar.
El punto de partida es el usuario, el flujo actual y el resultado útil. Así el agente tiene límites claros antes de elegir ningún modelo, framework o proveedor.
El objetivo es una automatización específica dentro de un producto o proceso real, no una demostración de IA aislada.
02 · Sistema
Construir el sistema completo más pequeño.
Un agente útil suele necesitar más que una llamada a un modelo. Combino la superficie de producto, los flujos de prompts, las herramientas, las APIs, los datos, las integraciones y la infraestructura necesarios para una primera versión que funcione.
- Conectar los modelos con el contexto y las herramientas del flujo.
- Mantener explícitos los límites del producto y del sistema.
- Integrar el agente con el software que ya utiliza el equipo.
- Dejar un camino práctico para desplegar, observar y mejorar el sistema.
03 · Experiencia relevante
Revisión asistida por LLM dentro de un flujo de entrega.
Un ejemplo confirmado es un asistente de revisión de código basado en LLM e integrado en GitLab CI/CD. El trabajo incluyó prompts estructurados, llamadas a herramientas y funciones, y una capa API con modelos de OpenAI y Anthropic.
Leer el caso de revisión de código