IA para programadores

Fundamentos + herramientas + prácticas reales

Lleva tu equipo de “vibe coding” a un proceso ordenado y productivo con IA integrada.

Panorama actual de IA en programación

• IA como copiloto, no como reemplazo.
• Productividad vs. dependencia.
• Casos reales:
  • GitHub Copilot
  • ChatGPT
  • Ollama

Conceptos clave en IA para programadores

• LLM (Large Language Models): cómo funcionan en palabras simples.
• Inferencia y endpoints: qué son, cómo se consumen.
• Prompt Engineering: arte de hablarle a la IA para obtener valor real.
• Agentes y orquestación: qué son, por qué importan.

Set up del entorno local

• IDE (VS Code): instalación y extensiones útiles
  • Copilot
  • CodeGPT
  • MCP clients
• Ollama: instalar y correr modelos localmente.
• Integración: APIs y endpoints de IA.

Buenas prácticas de seguridad y privacidad

• Cuándo usar modelos locales vs. en la nube.
• Gestión de datos sensibles.

Del PRD al código con IA

• Repaso del SAFe Requirements Model para proyectos pequeños.
• Traducir un Product Requirement Document en tareas técnicas con IA.
• Refinar requerimientos y dividir en historias/tareas.

SAFe Requirements Model

The SAFe Requirements Model is a hierarchical model that defines requirements at the Epic, Feature, and Story levels. It is based on the INVEST model for writing good user stories. The SAFe Requirements Model is a living document that will be updated as the product evolves and new requirements are identified.

SAFe Requirements Model

Aplicando IA en el ciclo de desarrollo

• Diseño: arquitecturas, diagramas, documentación.
• Codificación: generación, refactorización, optimización.
• Testing: pruebas unitarias e integración automáticas.
• Documentación: README, comentarios, guías de usuario.

¿Qué son los agentes?

• Diferencia entre LLM básico y agente autónomo.
• Ejemplos:
  • LangChain
  • MCP (Model Context Protocol)
  • A2A (Agent-to-Agent)

MCP en acción

• MCP es el “Zapier de agentes”.
• Integrar agentes con herramientas y APIs.
• Ejemplo: conectar un LLM con un repositorio de código.

Evita el “vibe coding” con IA

• No le pidas cualquier cosa a la IA sin proceso.
• Adopta estructura:
  PRD → tareas → IA como copiloto → validación humana.

Medición del impacto

• Tiempo ahorrado.
• Calidad del código.
• Reducción de bugs.

Próximos pasos

• Especialización en agentes.
• Integración con pipelines CI/CD.
• Construcción de framework propio de buenas prácticas con IA.

Recursos

• Documentación oficial:
  GitHub Copilot, ChatGPT, Ollama.
• Tutoriales de MCP y agentes (HAPI Stack).
• Ejemplos de PRDs y cómo desglosarlos en tareas técnicas.
• Plantillas de prompts efectivos para distintas fases del desarrollo.