Dissenyant eines de programació més fiables per a agents IA

El parany de la complexitat en la programació amb agents

Durant els darrers mesos, l'ecosistema de la intel·ligència artificial ha avançat a passos gegants. Tanmateix, en treballar amb agents com Claude Code o Cursor, és comú observar un patró de fallada recurrent: l'agent realitza tres passos correctament, es perd en el quart i acaba esgotant la seva finestra de context entre fitxers de logs inútils. La solució no resideix a fer el model més intel·ligent, sinó a canviar la nostra filosofia de disseny d'habilitats.

Tal com vam explorar a El Renacer de la Tecnología: ESP32, Open Source y el Encanto de lo Inacabado, la clau rau en la robustesa de les eines que posem a les mans de la IA.

Limitar l'eina, no l'agent

L'error comú és afegir regles restrictives al prompt per intentar controlar el model. L'estratègia guanyadora és restringir l'eina. En convertir cada tasca en un script determinista, deleguem la lògica complexa a codi provat, deixant que l'agent es limiti a raonar sobre la intenció i la seqüència.

Arquitectura d'un flux de treball fiable

Perquè un agent de programació funcioni de forma previsible, hem d'estructurar les seves capacitats sota un contracte clar:

• Scripts modulars: Cada pas és un script independent (ex. step_01_convert.py) amb una interfície d'entrada i sortida definida.
• Sortides estructurades: L'ús de JSON permet que qualsevol model, fins i tot un de bàsic, processi els resultats sense ambigüitats.
• Gestió de context: En lloc de saturar la memòria de l'agent amb grans blocs de text, utilitzem fitxers temporals en disc (artifacts). L'agent només gestiona la ruta del fitxer.

"No facis l'agent més intel·ligent. Fes les seves eines més previsibles. Deixa que l'agent raoni sobre la intenció i que els scripts deterministes realitzin l'acció."

La importància de l'error explícit

Un sistema professional ha de ser capaç de "fallar en veu alta". En lloc de missatges genèrics, cada script ha de retornar codis de sortida específics que indiquin a l'agent el següent pas lògic. Per exemple:

1. Codi 0: Èxit, continuar al següent pas.
2. Codi 1: Error de conversió, revisar entrada.
3. Codi 2: Error d'autenticació, verificar credencials.

Aquest nivell de detall permet que l'agent realitzi autocorrecció sense necessitat d'intervenció humana constant, quelcom vital en el desenvolupament de programari modern i en la seguretat de projectes open source, on la gestió de bots és cada vegada més crítica, com hem vist en casos de Botnet Targeting Open Source Developers Taken Down.

Seguretat i persistència

Finalment, la gestió de secrets ha de ser externa al context de l'agent. Utilitzar fitxers .env carregats directament pels scripts assegura que les credencials mai s'exposin en la memòria del model. Així mateix, mantenir un work-log amb marques de temps permet auditar cada acció, creant una memòria a llarg termini que l'agent pot consultar en execucions futures.

En conclusió, quan el flux de treball és lineal i requereix resultats precisos, l'estructura basada en scripts supera qualsevol intent d'improvisació per part del model. La veritable potència dels agents de javascript o Python no està en el model en si, sinó en la qualitat de la infraestructura que construïm al seu voltant.