Método de trabajo con IA
Uso agentes de código y modelos locales para diagnóstico, scripts y documentación en infraestructura. Ningún cambio se aplica sin que yo revise el diff y lo valide.
Para qué la uso
- Diagnóstico: leer logs, métricas, configuraciones y runbooks para llegar a una hipótesis que pueda verificar.
- Scripts y herramientas: CLI, parsers, integraciones con API y scripts de operación.
- Documentación: procedimientos y runbooks de infraestructura.
- Seguridad: clasificar contexto y explicar señales. Un LLM nunca es la única autoridad de bloqueo.
Cómo trabajo
Reglas
Cada repo tiene sus reglas escritas: qué se puede tocar, qué datos no salen y cómo se valida.
Criterio
Antes de editar anoto el objetivo y los checks que tienen que pasar.
Cambio
Un agente hace el cambio con alcance acotado. Si el contexto es sensible, uso un modelo local.
Revisión
Otro agente revisa el diff contra ese criterio. Después lo reviso yo y decido.
Un ejemplo: este sitio
Este portfolio lo desarrollo con agentes de código y con este mismo método. En la última limpieza del código, un agente escribió el cambio y otro lo revisó en cinco pasadas.
La revisión encontró cuatro errores en el script que verifica el sitio antes de publicar. Uno de ellos: daba por válido el enlace entre la versión en español y la versión en inglés de una página, aunque la otra versión no enlazara de vuelta. Cada corrección se probó con una falla plantada.
Un quinto hallazgo lo descarté: pedía aceptar enlaces internos a páginas redirigidas, y conviene que la verificación los siga marcando.
Otros proyectos
- CentinelaUn modelo local con llama.cpp clasifica contexto dentro del pipeline de threat intel, antes de alertar o bloquear.
- Runbooks de infraestructuraProcedimientos para modelos locales con Open WebUI, y análisis de logs de Elastic y Proxmox con modelo local.
- Dashboards y CLIHerramientas en Python y JavaScript con API, caché y reportes, revisadas con agentes de código.
Controles
- No publicar secretos, credenciales ni datos productivos crudos.
- Usar LLM local cuando el contexto operativo no debe salir.
- Trabajar con alcance acotado por repo, archivo o tarea.
- Validar con lint, build, tests o prueba manual reproducible.
- Revisar Git diff antes de aceptar cambios.
- Documentar decisión, evidencia y rollback cuando aplica.
Principio: la IA propone, el operador valida.