IA aplicada al desarrollo de software: asistentes, agentes, MCP, RAG, automatización, SDD

1El espectro de autonomía

A mayor autonomía, la revisión sustituye a la escritura como trabajo principal del desarrollador, y la calidad depende de la calidad de la tarea que se le dio y del contexto que tenía.

2Qué es un agente

"Agente" es de los términos más polisémicos del módulo: agente BDI clásico (años 90), user agent (el navegador, HTTP desde 1991), agente de aprendizaje por refuerzo, agente comercial (persona), y agente de IA / LLM (2023-2026): un LLM ejecutado en bucle con acceso a herramientas que decide él mismo qué llamar y cuándo ha terminado.

La industria (Anthropic, 2024) separa dos cosas que suelen llamarse igual: flujo de trabajo (el programador decide el orden de antemano: predecible, barato de depurar, limitado) y agente (el LLM dirige su propio proceso: flexible, más caro e impredecible).

Tarea + instrucciones + contexto inicial → LLM
  LLM → respuesta final → Resultado
  LLM → llamada a herramienta (leer, ejecutar, buscar, escribir) → Herramienta
  Herramienta → resultado (se añade al contexto) → LLM  [se repite]

Cada vuelta reenvía todo el contexto acumulado. Por eso: el coste crece con la duración de la tarea; el agente "olvida" en tareas largas cuando hay que resumir; y cualquier cosa que entre en el contexto puede contener instrucciones que el modelo obedezca — la inyección de prompt, riesgo de seguridad número uno de los agentes (UD1-10).

3La capa de personalización

4MCP: el estándar para conectar herramientas y datos

Model Context Protocol, publicado por Anthropic en noviembre de 2024 y adoptado en 2025 por OpenAI, Google, Microsoft y la mayoría de editores; a finales de 2025 pasó a gobernarse desde una fundación bajo la Linux Foundation. Resuelve que cada aplicación de IA tenía que escribir su propia integración con cada fuente de datos (N × M). MCP define una forma de que una herramienta se describa a sí misma para que cualquier LLM la use.

Host (VS Code, Claude Desktop, un agente propio)
  LLM + Cliente MCP
    ⇄ protocolo MCP (JSON-RPC, stdio o HTTP) ⇄
       Servidor MCP: base de datos  → Postgres
       Servidor MCP: GitHub        → API de GitHub
       Servidor MCP: ficheros
       Servidor MCP: API interna

Host: la app donde vive el LLM. Cliente MCP: el componente del host que habla el protocolo. Servidor MCP: programa pequeño que expone herramientas (funciones), recursos (datos) y prompts (plantillas).

La analogía "el USB-C de la IA" es razonable. Lo que MCP no es: no sustituye a la API de la herramienta (la envuelve); no es un agente (es lo que el agente usa); no aporta seguridad por sí mismo — mínimo privilegio, herramientas de solo lectura salvo que haga falta lo contrario (UD1-10).

5RAG: darle al modelo lo que no sabe

Retrieval-Augmented Generation: un LLM tiene fecha de corte y no sabe nada de los datos de una empresa concreta. En cada petición se buscan documentos relevantes y se incluyen en el contexto junto con la pregunta, sin reentrenar.

Ingesta (una vez, y al cambiar documentos):
  Documentos → Trocear (chunks) → Vectorizar (embeddings) → Índice vectorial

Consulta (cada petición):
  Pregunta → Vectorizar → Buscar los k más parecidos → Reordenar (reranker)
    → Prompt = instrucciones + trozos + pregunta → LLM → Respuesta con citas

Embedding: vector de un texto tal que textos parecidos quedan cerca. Base vectorial: pgvector, Qdrant, Weaviate, Pinecone, Chroma. Búsqueda híbrida: semántica (vectores) + léxica (BM25), porque cada una falla en casos distintos.

6Automatización: el LLM como un paso, no como el director

7Spec-driven development y el nivel de abstracción

Vibe coding (Karpathy, 2025): describir vagamente, aceptar lo que salga, sin leer el código — vale para prototipos desechables. Spec-driven development (SDD): escribir primero una especificación precisa — objetivo, requisitos numerados, casos límite, criterios de aceptación — y que el agente implemente a partir de ella, con trazabilidad.

SDD cierra el círculo con los ciclos de vida (UD1-05): recupera un artefacto de aspecto "cascada" (la especificación previa) dentro de un bucle de minutos.

ensamblador → C → Java/Python → frameworks → especificación en lenguaje natural + agente

Cada salto histórico trae más productividad, menos control sobre el detalle, y un nuevo tipo de error que solo se entiende bajando un nivel. Por eso este módulo insiste en frontend/backend, dónde vive la lógica y cómo fluye un dato: es lo que hace falta para revisar lo que la IA produce.

8Cómo influye en el sector: lo que se sabe y lo que se discute

• Los agentes de código son el producto de IA con adopción más rápida en empresas; el trabajo cambia de tecleo a especificar y revisar.
• La productividad medida es ambigua: un estudio METR (2025) con desarrolladores experimentados en repos conocidos encontró que tardaban más con IA aunque creían tardar menos.
• Problemas nuevos: código con vulnerabilidades, slopsquatting (paquetes inventados por el modelo que alguien registra con malware), PR enormes que nadie revisa de verdad.
• El mercado laboral junior se ha endurecido — debate abierto sobre si es por la IA, el ciclo económico, o ambas.

9Para debatir en clase

• Un agente puede leer todo el repositorio y cambiar veinte ficheros en dos minutos. ¿Cómo se revisa eso? ¿Cambia si el proyecto es propio o de un cliente?
• Escribir un servidor MCP que exponga borrar_cliente(id) a un agente. ¿Qué podría salir mal?
• Un flujo de n8n clasifica correos con un LLM. Un día clasifica como "urgente" un spam que decía "esto es urgente". ¿Qué ha pasado?
• ¿Es SDD una vuelta a la cascada? Argumenta en ambos sentidos.
• Elige una tarea del propio ciclo y decide: ¿asistente, agente, flujo con paso LLM, o nada de IA?

✓Autoevaluación — puntos que debes dominar

• Sitúo las 5 herramientas con nombre propio: asistente, agente, MCP, RAG, automatización.
• Conozco el espectro de autonomía (autocompletado → chat → agente interactivo → asíncrono → revisión).
• Distingo flujo de trabajo (workflow) de agente según la definición de Anthropic.
• Dibujo el bucle de un agente y explico por qué el coste crece con la duración de la tarea.
• Explico la inyección de prompt con el ejemplo del fichero del repositorio.
• Conozco la capa de personalización (AGENTS.md, prompts, skills, agentes, hooks) y el orden recomendado.
• Sé qué es MCP, qué son host/cliente/servidor MCP, y qué NO es MCP.
• Explico RAG con el diagrama de ingesta + consulta, y cuándo usarlo o no.
• Distingo las 5 generaciones de automatización y por qué el patrón recomendado es "flujo + paso LLM acotado".
• Diferencio vibe coding de spec-driven development.
• Conozco al menos 3 hallazgos de 2026 sobre productividad e IA (METR, slopsquatting, mercado junior).
• Puedo argumentar las cinco preguntas de "Para debatir".