Tiempo estimado de lectura: 4 min
- Prompt dumping — pegar demasiado contexto sin curación convierte la IA en acelerador de deuda técnica.
- Trata a la IA como a un developer junior: define contrato, invariantes y criterios de aceptación.
- Aplica el framework Curación, Restricciones y Validación para obtener outputs mantenibles.
- Registra prompts y respuestas; exige tests y un plan de acción antes de aceptar cambios.
Tabla de contenidos
- Resumen rápido (lectores con prisa)
- El error más común al usar IA como desarrollador (y por qué duele)
- Cambia el modelo mental: tú eres Tech Lead, la IA es junior
- Framework práctico para evitar prompt dumping
- Casos reales y antidotos rápidos
- Integración práctica y herramientas
- Métricas para medir mejora
- Regla de oro y cierre
- FAQ
El error más común al usar IA como desarrollador (y cómo evitarlo) empieza con una acción repetida: copiar 500 líneas de código, pegarlo en ChatGPT o Copilot y pedir “arréglalo”. Ese gesto se llama prompt dumping y convierte la IA en un acelerador de deuda técnica: soluciones que funcionan hoy y producen fallos invisibles mañana.
Voy a explicarte por qué esto falla, qué mentalidad adoptar y un framework práctico —con ejemplos y prompts— para usar la IA como un amplificador del criterio, no como un sustituto del tuyo.
Resumen rápido (lectores con prisa)
Prompt dumping: pegar demasiado código/contexto y pedir “arreglalo” produce parches que introducen deuda técnica. Usa curación (solo lo necesario), restricciones (reglas claras) y validación (plan y tests). Trata a la IA como un junior: pide diagnóstico, plan y tests antes de aceptar código.
El error más común al usar IA como desarrollador (y por qué duele)
Prompt dumping es eficiencia mal aplicada. Le das al modelo ruido y le pides magia; el modelo devuelve una versión pulida del ruido. Resultado:
- Alucinaciones lógicas: arregla sintaxis, rompe contratos de API o asume dependencias inexistentes.
- Parcheo rápido: cambios que “ponen a funcionar” pero aumentan la complejidad ciclomática.
- Caja negra en el repo: nadie entiende el código, nadie lo mantiene.
No es culpa exclusiva de la IA; es falla de proceso. La IA obedece lo que le pides. Si pides “arreglar” sin reglas, obtendrás soluciones que nadie firmaría en una code review.
Cambia el modelo mental: tú eres Tech Lead, la IA es junior
Trata a la IA como a un developer junior. Dale especificaciones, tests y contexto mínimo necesario. Un Tech Lead no entrega un monolito: define contrato, invariantes y criterios de aceptación.
Ejemplo de orden pobre:
- “Aquí está el archivo entero, arréglalo.”
Ejemplo correcto:
- “Aquí la función
calculateTax(invoice: Invoice): number. Debe ser pura, implementarITaxService, pasar los tests X, Y, Z y no llamar awindow.”
Framework práctico para evitar prompt dumping
Sigue tres pasos claros: Curación, Restricciones y Validación. Implementable en IDE o en workflows (Copilot, ChatGPT, n8n).
1) Curación de contexto (Context Curation)
- Envía solo lo necesario: la función, sus tipos/interfaces y el stack trace relevante.
- Límite práctico: 150–300 líneas relevantes por prompt.
- Ejemplo: en lugar de pegar un componente React de 400 líneas, pega el
useEffectque falla y la definición del estado.
2) Definición de restricciones (Constraints First)
- Explica estilo, dependencias y patrón arquitectónico: “usa async/await, no lodash, sigue Repository pattern, no mutar entrada.”
- Añade criterios de performance o seguridad si aplican.
3) Exigir plan de acción (Chain of Thought)
Antes del código, pide: “1) Diagnóstico de la causa raíz. 2) Plan de refactor en 3 pasos. 3) Código. 4) 3 tests unitarios.” Revisa el razonamiento antes de permitir generación de código.
Prompt plantilla (lista para pegar)
Contexto: [función + interfaces + stack trace corto] Restricciones: - No usar librerías externas. - Mantener función pura. - Manejar timeouts de 5s. Objetivo: Proponer un plan paso a paso y luego generar código que pase 3 tests unitarios (incluye tests). Antes de escribir código, explica brevemente la causa raíz y el plan.
Casos reales y antidotos rápidos
– API Next.js que falla por timeout: no pegues el handler entero. Pega la función de fetch problemática, headers relevantes y pide “añade timeout y retries con exponencial backoff”.
– Query SQL lenta: no pegues toda la DB. Pega la query, índices disponibles y EXPLAIN. Pide sugerencias sobre índices o reescritura usando JOINs en lugar de subqueries.
– Componente React con re-render infinito: pega el hook responsable y las props que lo disparan; pide que identifique dependencias faltantes en useEffect.
API Next.js que falla por timeout
No pegues el handler entero. Pega la función de fetch problemática, headers relevantes y pide “añade timeout y retries con exponencial backoff”.
Query SQL lenta
Pega la query, índices disponibles y EXPLAIN. Pide optimizaciones concretas: índices o reescritura usando JOINs.
Componente React con re-render infinito
Pega el hook responsable y las props que lo disparan; pide que identifique dependencias faltantes en useEffect.
Integración práctica y herramientas
En IDE
En IDE: usa Copilot/Cursor para completar funciones pequeñas; exige “explain first”. Docs de Copilot
Para prompts y producción
Para prompts y producción: sigue las guías de prompt del proveedor (OpenAI best practices). OpenAI best practices
En automatización (n8n/LangChain)
En automatización (n8n/LangChain): la IA genera snippets, tú defines el workflow, retries y dead‑letter queues. n8n
Métricas para medir si realmente mejoraste
- Tiempo medio de revisión por output IA (objetivo: 1–3 minutos de revisión, no 15+).
- Ratio commits con código IA vs. manual (<50%).
- Hotfixes en producción por código IA (<5%).
Registra prompts, respuestas y cambios en un log interno para auditar y mejorar.
Regla de oro y cierre
Nunca commits código generado por IA que no puedas explicar y defender. La IA multiplica tu velocidad; tu criterio técnico es lo que le da sentido. Evita el prompt dumping con curación, restricciones y validación previa. Trata a la IA como junior: es rápida, a veces brillante, pero necesita guía, tests y revisión. Eso convierte automatización en robustez, no en deuda técnica.
Para quienes trabajan en automatización y workflows, una continuación natural de estas prácticas y experimentos está disponible en Dominicode Labs. Allí se documentan experimentos y patrones aplicables a pipelines, retries y manejo de errores en agentes y automatizaciones.
FAQ
¿Qué es prompt dumping?
Prompt dumping es pegar grandes bloques de código o contexto y pedir a la IA que lo “arregle” sin curación ni restricciones. Genera soluciones superficiales que introducen deuda técnica.
¿Cuánto contexto debo incluir en un prompt?
Límite práctico: 150–300 líneas relevantes. Envía solo la función, tipos/interfaces y el stack trace necesario.
¿Qué son las restricciones y por qué importan?
Restricciones son reglas explícitas sobre estilo, dependencias y comportamiento (por ejemplo: “no lodash”, “función pura”, “timeouts de 5s”). Evitan suposiciones peligrosas y alinean la salida con tu arquitectura.
¿Cómo validar cambios propuestos por la IA?
Exige: diagnóstico, plan de refactor en pasos, código y tests unitarios. Revisa el razonamiento antes de aceptar el código y ejecuta los tests en tu CI/local.
¿Qué métricas debo seguir?
Tiempo medio de revisión por output IA (objetivo: 1–3 minutos), ratio commits IA vs manual (<50%) y hotfixes en producción (<5%).
¿Debo registrar los prompts y respuestas?
Sí. Registra prompts, respuestas y cambios en un log interno para auditar decisiones, reproducir resultados y mejorar los prompts con el tiempo.
Leave a Reply