IA++: inteligencia artificial para programadores

En este episodio reúno las tres piezas que vimos por separado: los MCP le dan al agente de código acceso a sistemas externos, las skills conservan una forma de trabajar para reutilizarla y los hooks ejecutan comprobaciones o bloqueos en momentos específicos. Recorro cómo pueden combinarse en una tarea, desde consultar documentación y modificar una aplicación PHP hasta validar la sintaxis y guardar la documentación actualizada.

También explico por qué no conecto un MCP cuando el agente ya puede resolver algo desde la terminal, y qué límites necesita su acceso: permisos mínimos, credenciales fuera de git y revisión de los scripts de skills y hooks de terceros.

En este episodio hablamos de los *hooks*: scripts que se ejecutan automáticamente en momentos definidos del trabajo de un agente de código. A diferencia de una instrucción en un prompt, el agente no decide si cumplir la regla. Vimos cómo configurarlos antes o después de usar una herramienta, qué datos reciben en JSON y cómo sus códigos de salida permiten continuar, bloquear una operación o informar de un fallo.

Recorrimos ejemplos: validar la sintaxis de un archivo después de cada edición, bloquear comandos peligrosos, proteger archivos sensibles tanto en las herramientas de archivos como en la terminal y ejecutar tests cuando el agente intenta terminar. También hablamos de hooks que hacen peticiones HTTP o consultan un modelo y de revisar los scripts compartidos en un repositorio.

Además presentamos el servidor MCP de la comunidad de IA++: te permite buscar episodios, leer sus guiones y dejar comentarios, preguntas o ideas de temas. Conéctalo con esta dirección: https://ia.sebastianbarria.com/mcp

En este episodio de IA++ hablo de las *skills*: instrucciones que permiten a un agente de código repetir un proceso sin investigarlo desde cero. A diferencia de los MCP, que le dan acceso a herramientas, las skills le indican cómo usarlas para una tarea concreta. Explico cómo se guardan en un archivo `SKILL.md` y cómo el agente las carga cuando corresponde.

También cuento casos de uso: documentar lo aprendido al investigar un servidor, conservar el orden de cambios en un repositorio y definir el proceso para preparar nuestros episodios o guardar contenido en mem4dev. Por último, hablo de cómo actualizar una skill con nuevos hallazgos y de revisar sus instrucciones y scripts antes de usarla, sin guardar secretos en el archivo.

En este episodio cuento qué MCP instalaría hoy para un agente de código y por qué prefiero conectar pocos: cada servidor ocupa espacio en el contexto del agente. Si una tarea ya se resuelve bien con git, SSH o la terminal, no hace falta añadir un MCP. Los que sí consideraría son Chrome DevTools para investigar y comprobar lo que ocurre en el navegador, Context7 para consultar documentación de librerías y una conexión a la herramienta donde el equipo guarda el conocimiento del proyecto, como Notion, Obsidian o mem4dev.

Recorro ejemplos en los que el agente combina código, logs, reglas de negocio y verificaciones en Chrome sin que tengamos que copiar datos entre ventanas. También hablo de limitar permisos con accesos de solo lectura y tokens de alcance mínimo, probar cambios fuera de producción y mantener credenciales fuera de git. Para evaluar una conexión, propongo probarla con un problema real y quitarla si el agente no la usa.

En este episodio construimos el primer servidor MCP para conectar un blog con un agente de IA. Explico cómo el servidor presenta sus *tools*, cómo la IA elige una operación y cómo viajan la petición y el resultado entre el chat y la API. Para hacerlo, le pido a un agente de código un servidor remoto por HTTP con dos operaciones de lectura: listar entradas y obtener una entrada.

También revisamos cómo comprobar las tools y sus resultados con el inspector de MCP antes de conectarlas a Claude, y por qué hay que limitar los permisos y autenticar un servidor publicado en internet. El mismo recorrido sirve para consultar otros sistemas, como un catálogo de productos o un gestor de incidencias.

Arrancamos la segunda temporada mirando cómo se hace este podcast por dentro: todo el audio, incluida mi voz, se genera con IA. Yo defino los temas y un script pide a OpenAI el guion por secciones. Después, ElevenLabs convierte cada párrafo en audio con mi voz clonada; un diccionario ayuda a mantener la pronunciación, y FFmpeg une la voz con la música. La síntesis de voz también mejoró respecto de la temporada anterior.

Un cron job deja listo un episodio de prueba, pero el archivo no se publica automáticamente: el Sebastián real lo escucha y lo valida. Él también agrega los temas a una cola mediante su MCP, a partir de cosas que le pasan en el mundo real. Además, cuento cómo este flujo podría servir para preparar informes hablados sobre cambios de una aplicación o explicaciones técnicas para soporte, siempre con una revisión antes de entregarlos.

En el episodio 14 de "IA++: inteligencia artificial para programadores" hablamos sobre cómo integrar la inteligencia artificial en el backend para automatizar procesos y optimizar flujos de trabajo. Exploramos varias ideas prácticas, desde el uso de modelos de lenguaje para generar código automáticamente hasta la automatización de tareas repetitivas como la validación de datos y la gestión de logs. También discutimos cómo aprovechar APIs de IA para mejorar la eficiencia sin necesidad de construir modelos complejos desde cero.

Además, comentamos casos reales donde la IA puede ayudar a detectar anomalías en sistemas backend y facilitar el mantenimiento predictivo, lo que reduce tiempos de inactividad y mejora la experiencia del usuario. Cerramos con recomendaciones sobre herramientas y buenas prácticas para empezar a implementar estas soluciones en proyectos actuales, siempre con un enfoque pragmático y escalable.

En el episodio 13 de "IA++: inteligencia artificial para programadores" hablamos sobre cómo aprovechar la inteligencia artificial para generar documentación técnica de manera automática. Abordamos las principales herramientas y técnicas disponibles, desde modelos de lenguaje que pueden interpretar código y crear descripciones claras, hasta integraciones prácticas en flujos de trabajo de desarrollo. También discutimos los beneficios de automatizar esta tarea, como ahorrar tiempo y mejorar la consistencia en la documentación.

Además, compartimos algunos consejos para maximizar la utilidad de la documentación generada por IA, incluyendo la revisión humana y la personalización según el proyecto. Finalmente, exploramos casos reales y ejemplos donde esta tecnología ya está siendo implementada, destacando el impacto positivo que puede tener en equipos de desarrollo y en la calidad del software entregado.

En el episodio 12 de "IA++: inteligencia artificial para programadores" hablamos sobre el Model Context Protocol (MCP), explicando qué es y por qué es una pieza clave en la evolución de las aplicaciones basadas en IA. Desglosamos cómo el MCP permite una comunicación más eficiente y estructurada entre los modelos de lenguaje y las aplicaciones, facilitando la integración y mejorando la experiencia del usuario al manejar contextos complejos de manera dinámica.

Además, discutimos casos prácticos donde el MCP puede marcar la diferencia, especialmente en sistemas que requieren mantener estados prolongados o manejar múltiples fuentes de información. También vimos cómo esta propuesta impacta en la arquitectura del software y abre nuevas posibilidades para desarrolladores que buscan aprovechar al máximo las capacidades de los modelos de IA actuales. En resumen, este episodio fue una guía para entender por qué el MCP es un estándar que podría transformar la forma en que diseñamos aplicaciones inteligentes.

En el episodio 11 de "IA++: inteligencia artificial para programadores" hablamos sobre cómo funcionan los function calling en OpenAI, una funcionalidad que permite a los modelos de lenguaje interactuar directamente con funciones definidas por el desarrollador. Explicamos en detalle cómo se configuran estas llamadas, cómo estructurar los esquemas JSON para definir los parámetros y la importancia de esta capacidad para crear aplicaciones más dinámicas e interactivas que integren IA de manera eficiente.

Además, exploramos casos prácticos donde los function calling pueden simplificar tareas como la automatización de procesos, la integración con APIs externas o la generación de respuestas más precisas y contextuales. También discutimos algunas buenas prácticas y limitaciones actuales, para que puedas sacar el máximo provecho a esta herramienta en tus proyectos con OpenAI.