El desarrollo agentic consiste en trabajar con agentes de programación de IA que leen contexto, proponen cambios, verifican el resultado y documentan las decisiones.
🇬🇧 English
Si has oído las palabras «AI agent», «agentic development», «MCP», «RAG» y te has quedado perdido, este post es para ti. Cero jerga. Cada concepto se explica primero con una analogía del mundo real y luego con la definición técnica.
Chat de IA (lo que ya conoces)
ChatGPT, Claude.ai, Gemini.app. Tú escribes, el modelo responde. Un turno a la vez, sin memoria entre conversaciones salvo que la pegues tú. Esta es la base. Útil, pero limitada.
Agente de IA
Analogía del mundo real: un becario al que puedes darle una tarea. Se va, hace varios pasos por su cuenta (lee archivos, ejecuta comandos, pregunta a un compañero, escribe algo, lo comprueba) y vuelve con el resultado.
Definición técnica: un LLM (el cerebro) más herramientas (sistema de archivos, terminal, navegador web, APIs) más un bucle (pensar → actuar → observar → repetir) más un objetivo. A diferencia del chat, un agente decide por sí solo qué herramienta llamar a continuación.
Desarrollo agentic
Usar agentes de IA específicamente para construir software: leer tu base de código, escribir código, ejecutar pruebas, arreglar lo que no compila, abrir una pull request. PaellaDoc, Cursor, Aider, Cline, OpenHands y Devin son herramientas de desarrollo agentic; se diferencian en cuánto verifican antes de dar algo por «terminado».
RAG (Retrieval-Augmented Generation)
Analogía del mundo real: le haces una pregunta al becario; antes de responder, va al archivador, saca los 3 documentos más relevantes y responde basándose en ellos.
Técnica: en lugar de depender solo de lo que el modelo memorizó durante el entrenamiento, RAG recupera contexto relevante (tu repositorio, tu documentación, chats anteriores) y se lo pasa al modelo en el momento de la pregunta. Por eso funciona eso de «pregúntale a la IA sobre mi propia base de código».
Embeddings
Analogía del mundo real: asignar a cada fragmento de texto una coordenada en un mapa enorme, donde los significados parecidos quedan cerca entre sí. «Authentication» y «login» acaban uno al lado del otro aunque no compartan letras.
Técnica: vectores numéricos (normalmente 768 o 1536 floats) que representan el significado del texto. RAG usa embeddings para encontrar documentos «relevantes» midiendo la distancia en el mapa de significados.
Uso de herramientas (también: function calling)
Analogía del mundo real: darle al becario un teléfono, una tarjeta de crédito y el directorio de la empresa. Ahora puede hacer llamadas y pagar cosas, no solo responderte verbalmente.
Técnica: se le dice al LLM que tiene acceso a un conjunto de funciones con nombre (por ejemplo, read_file(path), run_shell(cmd), search_web(query)). Puede decidir llamar a una, se le devuelve el resultado y continúa razonando.
MCP (Model Context Protocol)
Analogía del mundo real: un enchufe estándar para herramientas. Antes de MCP, cada agente había que cablearlo a mano con cada herramienta. Después de MCP, cualquier agente que hable MCP puede usar cualquier herramienta que hable MCP.
Técnica: un protocolo abierto (de Anthropic, ahora adoptado por la industria) que estandariza cómo un agente LLM se conecta a herramientas, recursos y prompts externos. Como USB para herramientas de IA.
Eval / eval harness
Analogía del mundo real: un examen estandarizado que hace tu becario. Sin eso, no tienes ni idea de si ha mejorado o empeorado desde la semana pasada.
Técnica: un conjunto de casos de prueba por los que pasa un agente, generando puntuaciones. SWE-bench, HumanEval y TerminalBench son eval harnesses muy conocidos para agentes de programación. Sin evals, «este agente es mejor» es solo marketing.
Inferencia
Analogía del mundo real: el acto de hacerle una pregunta al modelo y obtener una respuesta. El modelo «infiere» la respuesta.
Técnica: ejecutar el modelo en producción. El coste de un producto de IA se compone sobre todo del coste de inferencia (facturación por token o cómputo en self-hosted).
Ventana de contexto
Cuánto texto puede retener el modelo en su «memoria de trabajo» para una sola petición. Claude admite hasta 1M tokens (~750k palabras). GPT-5, algo similar. Ventana más grande = más código/documentación que puedes pasar de una sola vez.
Alucinación
Cuando el modelo se inventa algo que suena plausible pero es falso. La cura es RAG + uso de herramientas + verificación, no «confiar en el modelo».
Por qué existe esta categoría
PaellaDoc es, entre otras cosas, una herramienta de desarrollo agentic. Pero el campo es más grande que cualquier herramienta concreta. Esta categoría es la rampa de entrada: si entiendes las palabras de arriba, puedes orientarte en el resto del foro. Si una futura publicación usa una palabra que no esté en esta lista y te confunde, pregunta en ./help y la añadiremos.
🇪🇸 Español
Si has oído las palabras „agente IA“, „desarrollo agentic“, „MCP“, „RAG“ y te has sentido perdido — este post es para ti. Cero jerga. Cada concepto explicado primero con una analogía del mundo real, luego con la definición técnica.
Chat IA (lo que ya conoces)
ChatGPT, Claude.ai, Gemini.app. Escribes, el modelo responde. Un turno a la vez, sin memoria entre conversaciones a menos que la pegues. Esto es la línea base. Útil pero limitado.
Agente IA
Analogía: un becario al que puedes darle una tarea. Se va, hace varios pasos por su cuenta (lee archivos, ejecuta comandos, le pregunta a un compañero, escribe algo, lo revisa) y vuelve con el resultado.
Definición técnica: un LLM (el cerebro) más herramientas (sistema de archivos, terminal, navegador web, APIs) más un bucle (pensar → actuar → observar → repetir) más un objetivo. A diferencia del chat, un agente decide por sí mismo qué herramienta llamar después.
Desarrollo agentic
Usar agentes IA específicamente para construir software: leer tu codebase, escribir código, correr tests, arreglar lo que no compila, abrir una solicitud de extracción. PaellaDoc, Cursor, Aider, Cline, OpenHands y Devin son todas herramientas de desarrollo agentic — se diferencian en cuánto verifican antes de declarar „hecho“.
RAG (Generación aumentada por recuperación)
Analogía: le haces una pregunta al becario; antes de responder, va al archivador, saca los 3 documentos más relevantes y responde basándose en ellos.
Técnica: en vez de depender solo de lo que el modelo memorizó durante el entrenamiento, RAG recupera contexto relevante (tu repo, tus docs, chats pasados) y se lo da al modelo en el momento de la pregunta. Por eso funciona „pregúntale a la IA sobre mi propio código“.
Embeddings
Analogía: asignar a cada trozo de texto unas coordenadas en un mapa enorme, donde los significados similares quedan cerca. „Autenticación“ y „inicio de sesión“ caen al lado aunque no compartan letras.
Técnica: vectores numéricos (típicamente 768 o 1536 floats) que representan el significado del texto. RAG usa embeddings para encontrar documentos „relevantes“ midiendo distancia en el mapa de significado.
Uso de herramientas (también: llamada a funciones)
Analogía: darle al becario un teléfono, una tarjeta de crédito y el directorio de la empresa. Ahora puede hacer llamadas y pagar, no solo responderte verbalmente.
Técnica: al LLM se le informa de que tiene acceso a un conjunto de funciones con nombre (p. ej. read_file(path), run_shell(cmd), search_web(query)). Puede decidir llamar a una, el resultado vuelve al modelo y sigue razonando.
MCP (Protocolo de Contexto de Modelos)
Analogía: un enchufe estándar para herramientas. Antes de MCP, cada agente tenía que cablearse a mano con cada herramienta. Después de MCP, cualquier agente que hable MCP puede usar cualquier herramienta que hable MCP.
Técnica: un protocolo abierto (de Anthropic, ahora adoptado por la industria) que estandariza cómo un agente LLM se conecta a herramientas, recursos y prompts externos. Como el USB para el tooling de IA.
Eval / harness de eval
Analogía: un examen estandarizado que hace tu becario. Sin él no tienes ni idea de si ha mejorado o empeorado desde la semana pasada.
Técnica: una suite de casos de prueba por la que pasa un agente, produciendo puntuaciones. SWE-bench, HumanEval, TerminalBench son harnesses de eval conocidos para agentes de código. Sin evals, „este agente es mejor“ es solo marketing.
Inferencia
Analogía: el acto de preguntarle al modelo y obtener respuesta. El modelo „infiere“ la respuesta.
Técnica: ejecutar el modelo en producción. El coste de un producto de IA es principalmente coste de inferencia (facturación por token o compute si lo autoalojas).
Ventana de contexto
Cuánto texto puede mantener el modelo en su „memoria de trabajo“ para una petición. Claude tiene hasta 1M tokens (~750k palabras). GPT-5 similar. Ventana más grande = más código/docs que puedes meter de una vez.
Alucinación
Cuando el modelo se inventa algo que suena plausible pero es falso. La cura es RAG + uso de herramientas + verificación, no „fíate del modelo“.
Por qué existe esta categoría
PaellaDoc es, entre otras cosas, una herramienta de desarrollo agentic. Pero el campo es más grande que cualquier herramienta. Esta categoría es la rampa de entrada: si entiendes las palabras de arriba, puedes navegar el resto del foro. Si un post futuro usa una palabra que no está en esta lista y te confunde, pregunta en ./help y la añadimos.