Personalización en Vibe Coding
Escrito por
0 minutos de lectura
La programación asistida por IA experimentó una transformación fundamental en 2024-2025: pasó de completar código de forma sencilla a ofrecer sistemas profundamente personalizados y sensibles al contexto, capaces de recordar las preferencias de los usuarios, aprender de bases de código y ejecutar flujos de trabajo autónomos. La convergencia de funciones de memoria, archivos de instrucciones específicos para cada proyecto, herramientas de prototipado rápido e IA con conocimiento de bases de código creó un paradigma de desarrollo completamente nuevo, en el que la personalización es el factor diferenciador.
Este cambio es importante porque democratiza la creación de software y, al mismo tiempo, permite que los desarrolladores profesionales incorporen su experiencia directamente en el comportamiento de la IA. Así, se crea un espectro que va desde el «vibe coding» (confiar en la IA sin revisar el código) hasta asistentes de IA diseñados con precisión para hacer cumplir los estándares del equipo. El panorama ahora incluye la integración experimental del historial de búsquedas de Google en Gemini, la adopción generalizada de archivos de instrucciones .md en las principales herramientas, creadores de aplicaciones con un clic como Replit Agent, que programa de forma autónoma durante 200 minutos, y el ajuste fino de nivel empresarial para enseñar a la IA a reconocer patrones de la organización.
Es fundamental entender estos enfoques de personalización, ya que la elección entre una asistencia genérica y una personalizada determina cada vez más los resultados de productividad.
Integración del historial de búsquedas en Google Gemini
Google lanzó «Gemini con personalización» el 13 de marzo de 2025, con lo que dio su paso más agresivo hacia la asistencia personalizada con IA, aproximadamente un año después que sus competidores. Esta función experimental permite que Gemini acceda al historial de Búsqueda de Google y lo analice para ofrecer respuestas contextualmente relevantes con el modelo Gemini 2.0 Flash Thinking Experimental.
Cuando los usuarios seleccionan «Personalización (experimental)» en el menú desplegable de modelos, el sistema determina si el historial de búsquedas mejoraría la respuesta antes de acceder a las consultas de la actividad web y de aplicaciones del usuario. Las pruebas en situaciones reales realizadas por Android Authority demostraron esta capacidad: al preguntar «¿A qué equipo de fútbol debería empezar a apoyar?», Gemini analizó patrones de búsqueda que incluían Hawái, las Maldivas, Chicago, Seattle, lugares relacionados con la naturaleza y consultas sobre Baltimore. Con base en los intereses geográficos, recomendó Baltimore City FC y Philadelphia Union.
En realidad, el conjunto de funciones de personalización incluye varias funciones que se lanzaron a lo largo de 2024-2025. Información guardada, lanzada el 19 de noviembre de 2024 para los suscriptores de Advanced y disponible para usuarios gratuitos desde el 28 de febrero de 2025, permite indicar manualmente a Gemini que recuerde restricciones alimentarias, información laboral, pasatiempos y preferencias de respuesta en gemini.google.com/saved-info.
La función para hacer referencia a chats anteriores evolucionó en dos fases: primero, en diciembre de 2024, requería solicitudes explícitas para consultar conversaciones; luego, en agosto de 2025, se actualizó para aprender automáticamente de todas las conversaciones anteriores sin que se lo pidieran. Gems, asistentes de IA personalizados para tareas específicas como entrenar en el gimnasio o ayudar a programar, se habilitaron para todos los usuarios en marzo de 2025, tras estar disponibles inicialmente solo para suscriptores de Advanced. El sistema es transparente y atribuye claramente las fuentes. Cuando la personalización influye en las respuestas, muestra «Tu información guardada», «Chats anteriores» o «Historial de búsquedas».
Las restricciones geográficas y normativas limitan considerablemente la disponibilidad. La integración del historial de búsquedas no está disponible en el Espacio Económico Europeo, Suiza ni el Reino Unido, tampoco para usuarios menores de 18 años ni para cuentas de Google Workspace o Educación, probablemente por cuestiones relacionadas con el cumplimiento del RGPD. Esto deja a Gemini por detrás de ChatGPT, que incorporó la memoria y la referencia automática al historial de chats en 2024, y de la función «Styles» de Claude, presentada en noviembre de 2024. En septiembre de 2024, investigadores de seguridad de Tenable descubrieron las vulnerabilidades «Gemini Trifecta», que incluían la inyección de prompts mediante registros de Cloud Assist y la manipulación del historial de búsquedas con JavaScript malicioso. Google corrigió todos los problemas.
La hoja de ruta contempla futuras integraciones con Google Photos, YouTube, Calendar, Notes y Tasks. Algunos ejemplos de uso: fotografiar el programa de estudios de un hijo para crear automáticamente eventos en el calendario o agregar ingredientes de recetas a las listas de compras de Keep. La ventaja particular de Google está en los datos de su ecosistema, algo que sus competidores no pueden igualar. Aunque la experiencia sigue siendo experimental, las opiniones de los usuarios son variadas: funciona mejor con recomendaciones sencillas que con consultas complejas que consideran varios factores.
Los archivos de instrucciones como nueva infraestructura de desarrollo
Los archivos Markdown como CLAUDE.md, .cursorrules y rules.md se han convertido en infraestructura esencial para el desarrollo asistido por IA. Funcionan como «constituciones» persistentes que orientan automáticamente el comportamiento de los LLM durante las sesiones de programación. Las herramientas de programación con IA los leen al iniciarse y los agregan al principio de los prompts del sistema, para proporcionar contexto de alta prioridad que no es necesario repetir. La práctica se basa en una carga jerárquica: archivos de nivel empresarial en /etc/claude-code/CLAUDE.md, preferencias globales de nivel de usuario en ~/.claude/CLAUDE.md, raíces de repositorios de nivel de proyecto, contextos específicos para cada directorio y personalizaciones personales en .local.md, excluidas de Git.
Todas las principales herramientas de programación con IA ya admiten alguna variante: Claude Code usa archivos CLAUDE.md, Cursor adoptó el formato .cursor/rules/*.mdc (MDC = Markdown with Configuration), GitHub Copilot lee .github/copilot-instructions.md y Windsurf usa .windsurfrules.
Las pruebas de adopción son contundentes. En 2025, GitHub registraba más de 100 repositorios públicos con archivos CLAUDE.md y más de 300 con .cursorrules, incluidos sistemas de producción como la plataforma de analítica de código abierto de Metabase, LangChain JS y varios Anthropic Quickstarts.
La colección PatrickJS/awesome-cursorrules reúne más de 200 ejemplos de reglas específicos para distintos frameworks, mientras que comunidades activas de desarrolladores en Reddit, Hacker News y Discord han dado origen a herramientas del ecosistema, como conversores de cursor-rules a claude, cursorrules-architect para generar reglas con IA y varias «listas de recursos» con estándares comunitarios. Cursor recaudó más de 60 millones de dólares en 2024 y se estima que más de 500.000 desarrolladores usan la plataforma; Claude Code llegó al puesto número 1 en tendencias de Product Hunt cuando se lanzó.
Cinco patrones esenciales para usar archivos de instrucciones
Los casos de uso más comunes siguen cinco patrones esenciales.
Las secciones de contexto del proyecto definen las tecnologías utilizadas, por ejemplo:
«Backend: Python 3.11, FastAPI 0.104; frontend: Next.js 14, React 19, TypeScript 5.3; base de datos: PostgreSQL 15 con Prisma ORM».
Los flujos de trabajo críticos establecen procedimientos con énfasis en MAYÚSCULAS:
«🚨 CRÍTICO: Antes de cada commit: 1. Da formato al código: npm run format; 2. Ejecuta el linter: npm run lint; 3. Ejecuta las pruebas: npm test; 4. Verifica los tipos: npm run typecheck. DEBES seguir este orden».
Las listas de «No modificar» protegen los archivos sensibles:
«🛑 NUNCA MODIFIQUES ESTOS ARCHIVOS: webpack.config.js (heredado, se rompe fácilmente), package-lock.json (usa npm ci), .github/workflows/* (los administra DevOps)».
Los estándares de programación especifican preferencias:
«Usa componentes funcionales con hooks (no componentes de clase), prefiere la composición a la herencia, sigue la configuración de ESLint de Airbnb, usa sangría de 2 espacios y limita las líneas a 100 caracteres».
Los patrones de prueba fomentan la disciplina:
«SIEMPRE escribe las pruebas ANTES de implementar (TDD); nombra los archivos de prueba *.test.ts o *.spec.ts; exige una cobertura mínima del 80 %; usa data-testid para los selectores; simula los servicios externos en las pruebas unitarias».
Reglas modulares y flujos de trabajo personalizados
Las implementaciones avanzadas demuestran la madurez de esta práctica. El nuevo formato MDC de Cursor admite encabezados YAML con globs para buscar patrones de archivos, valores booleanos de alwaysApply y niveles de prioridad (alta, media y baja). Esto permite activar reglas según el contexto, solo cuando sean pertinentes para los archivos correspondientes.
La organización modular de Claude Code separa temas mediante archivos como .claude/rules/testing.md, .claude/rules/deployment.md y .claude/rules/security.md. Además, los comandos de barra personalizados en .claude/commands/*.md codifican flujos de trabajo repetibles, como /project:fix-github-issue 1234, que analizan y resuelven incidencias automáticamente.
Ejemplos reales de proyectos empresariales de Python con datos anonimizados muestran un énfasis en la seguridad: «🚨 NUNCA registres datos confidenciales (números de Seguro Social o de cuenta), NUNCA subas archivos .env al repositorio, cifra los datos almacenados, valida todas las entradas externas y usa únicamente consultas parametrizadas». Este enfoque cumple con los requisitos de cobertura de pruebas del 90 % y se integra con la supervisión de DataDog.
Cómo mitigar el problema del «desarrollador junior rebelde»
El desafío técnico conocido como el problema del «desarrollador junior rebelde» es la frustración que más suelen mencionar los desarrolladores: la IA ignora las instrucciones aunque las reglas sean claras. Entre las causas principales están los prompts del sistema ocultos, que indican que el contexto «puede ser pertinente o no»; los límites de la ventana de tokens, que consumen el presupuesto; la pérdida de atención en conversaciones largas; y la tendencia del asistente a intentar ser útil, que lo lleva a tomar atajos.
Las estrategias de mitigación incluyen iniciar los prompts con «Primero, revisa @CLAUDE.md...», usar instrucciones canario para verificar que se lea el archivo, forzar una autorrevisión con «Enumera las reglas aplicables y luego implementa», ejecutar comandos /clear con frecuencia para restablecer el contexto y mantener las conversaciones por debajo de 10 mensajes. La recomendación general de la comunidad es empezar con archivos breves de 200 a 300 líneas, en vez de archivos exhaustivos de más de 1.000 líneas; usar viñetas declarativas breves que la IA pueda procesar, en lugar de párrafos pensados para lectores humanos; destacar instrucciones con expresiones como DEBES, CRÍTICO e IMPORTANTE; y tratar los archivos como documentos activos que se actualizan con la tecla de acceso rápido # durante las sesiones.
Creación rápida de aplicaciones personales con vibe coding y creadores de IA
El término «vibe coding» fue acuñado por Andrej Karpathy en febrero de 2025 para describir el desarrollo asistido por IA en el que los desarrolladores expresan requisitos en lenguaje natural y aceptan código generado por IA sin revisarlo, centrándose en los resultados más que en comprender el código. Este enfoque de «Aceptar todo» las sugerencias consiste en copiar y pegar errores para que la IA los corrija y permitir que el código crezca hasta volverse incomprensible. Funciona mejor para proyectos desechables de fin de semana. Entre los ejemplos reales están Kevin Roose (New York Times), que creó «LunchBox Buddy» para analizar el contenido del refrigerador y sugerir almuerzos; los prototipos completos de MenuGen de Karpathy, creados mediante programación por voz con Cursor Composer; el 25 % de las startups de Y Combinator Winter 2025, con bases de código generadas en un 95 % por IA; y usuarios sin conocimientos técnicos, como médicos que crean paneles de pacientes y estudiantes que crean aplicaciones para encontrar estacionamiento en campus universitarios.
Claude Artifacts de Anthropic: generación de aplicaciones mediante conversaciones
El panorama de herramientas para crear rápidamente aplicaciones personales se ha expandido de forma explosiva. Claude Artifacts, el entorno de pruebas en el navegador de Anthropic, lanzado en 2024, genera aplicaciones interactivas a partir de prompts conversacionales en un entorno iframe seguro sin acceso a redes externas.
Entre las creaciones destacadas están «Way of Code» de Rick Rubin, que contiene 81 meditaciones interactivas sobre la filosofía del desarrollo; generadores de tarjetas didácticas con contenido creado por IA; simuladores de aterrizaje de SpaceX; y entornos de pruebas de física en 3D. El flujo de trabajo consiste en describirle el problema a Claude, dejar que haga preguntas para definir los requisitos, pedirle que cree un artifact, iterar mediante lenguaje natural y publicar con enlaces públicos. En el modelo de facturación, los usuarios pagan y los creadores no tienen ningún costo.
Replit Agent 3: creador integral de aplicaciones autónomas
Replit Agent 3, lanzado en 2025, es el generador autónomo más completo: funciona hasta 200 minutos seguidos mientras crea frontend, backend, bases de datos, autenticación, integraciones, pruebas y despliegues. Agent 3 ofrece pruebas automáticas en navegadores reales con comentarios en video, dos modos de creación (primero el diseño o primero la aplicación completa) y un ciclo de reflexión para mejorar continuamente.
Los casos de uso reales muestran ahorros de más de $400,000 en AllFly, junto con un aumento de la productividad del 85 %, médicos que crean paneles de salud para pacientes y sistemas de disponibilidad de estacionamiento en campus que usan bots de Slack/Telegram para ejecutar consultas en bases de datos. Los precios van desde pruebas gratuitas limitadas hasta el acceso básico por $25 al mes y planes empresariales personalizados.
Plataformas de nicho: desde componentes de UI hasta MVP centrados en el producto
v0.dev de Vercel se enfoca exclusivamente en componentes de UI para React/Next.js con Tailwind CSS y ShadCN UI. Genera componentes listos para producción e incluye sincronización con GitHub y editores visuales.
Bolt.new de StackBlitz permite desarrollar aplicaciones full stack desde el navegador, con generación de frontend y backend, vista previa en tiempo real e integración con Supabase para crear MVP rápidamente.
Lovable.ai adopta un enfoque centrado en el producto, con personalidades de IA que actúan como bots de PM, diseño y desarrollo para iterar en todo el flujo del producto y crear MVP conectados a bases de datos; es ideal para fundadores sin conocimientos técnicos. La comparación muestra que v0 destaca en UI y solo ofrece componentes, Bolt brinda capacidades full stack con una calidad variable, Lovable pone el énfasis en el proceso de desarrollo del producto y Replit ofrece la solución más completa, incluida la infraestructura de despliegue.
Personalización del navegador: scripts de usuario y extensiones con IA
Los scripts de usuario de Tampermonkey (más de 10 millones de usuarios) y Greasemonkey permiten personalizar el navegador con programas JavaScript que modifican el comportamiento de las páginas web en tiempo de ejecución. Entre los ejemplos populares de 2024-2025 están AdGuard Extra para evadir el bloqueo de anuncios, M3U8 Video Detector para descargar contenido multimedia en streaming, scripts para usar Instagram sin iniciar sesión, herramientas para desactivar la pausa automática de YouTube y modos de pantalla panorámica para ChatGPT. Para crear scripts, instala Tampermonkey, escribe JavaScript con metadatos (@name, @match, @require), haz pruebas y, si quieres, publícalo en Greasy Fork, que aloja más de 10,000 scripts. Para crearlos con ayuda de IA, solo tienes que describir la funcionalidad a ChatGPT o Claude y pedir scripts compatibles con Tampermonkey.
Las extensiones de navegador con IA se han multiplicado. HARPA AI combina ChatGPT, Claude, Gemini, Perplexity y DeepSeek para automatizar tareas web, extraer datos, gestionar correos y completar formularios con cadenas de IFTTT. Sider cuenta con más de 6 millones de usuarios semanales, admite varios modelos (GPT-5, Claude 4, Gemini 2.5) y permite chatear, escribir, leer y traducir en cualquier página; mantiene una calificación promedio de 4.92. Monica ofrece GPT-5, Claude 4.1, Gemini 2.5 y DeepSeek V3.1, con búsqueda web en tiempo real, traducción, generación de imágenes y creación de bots personalizados. La nueva extensión de código abierto Mem0 (OpenMemory) ofrece memoria a largo plazo en distintos asistentes de IA, lo que permite compartir contexto entre ChatGPT, Claude y Perplexity.
Los monkey patches, una práctica que modifica dinámicamente clases, módulos o funciones en tiempo de ejecución sin cambiar el código fuente, resuelven necesidades específicas de personalización. Son comunes en Python, Ruby y JavaScript, y se usan para corregir errores de terceros mientras se espera una solución oficial, simular dependencias externas en pruebas, agregar funciones que faltan en bibliotecas y personalizar el comportamiento de frameworks como Django o Rails. En Python, se puede modificar math.pi = 3.2 para hacer pruebas o reemplazar métodos de la clase Calculator por implementaciones personalizadas.
Los parches de Django podrían modificar Options._prepare para agregar permisos personalizados. Entre los riesgos están las incompatibilidades con actualizaciones de bibliotecas, la confusión entre desarrolladores, la dificultad para depurar, las vulnerabilidades de seguridad y los conflictos entre parches. Las prácticas recomendadas incluyen documentarlos, usarlos solo cuando sea necesario, considerar alternativas como las subclases o los decoradores, aplicarlos al iniciar la aplicación y preferir unittest.mock.patch() para las pruebas.
La «resaca del vibe coding» y el llamado a desarrollar de forma responsable
Para septiembre de 2025, aparecieron informes sobre la «resaca del vibe coding» y el «infierno del desarrollo», a medida que los proyectos se volvían difíciles de mantener. Entre los incidentes destacados se encuentran el caso de Replit Agent, que eliminó bases de datos de producción, y las vulnerabilidades de seguridad en código generado que no se había revisado. La comunidad promueve cada vez más el «desarrollo responsable con asistencia de IA», que combina la velocidad de la IA con la supervisión humana de la arquitectura, la seguridad y la facilidad de mantenimiento, en lugar de depender únicamente del vibe coding.
La clonación de voz aún está en sus primeras etapas, mientras que la personalización de modelos madura
La tecnología de clonación de voz ya ofrece resultados sofisticados, pero en 2025 seguía estando, en gran medida, desconectada de la integración con asistentes de programación. ElevenLabs lidera el sector con Instant Voice Cloning (IVC), que crea réplicas a partir de 1 minuto o más de audio, y Professional Voice Cloning (PVC), que requiere más de 30 minutos para lograr una calidad casi perfecta tras 2-4 horas de entrenamiento. Admite más de 32 idiomas y cuesta $0.006 por segundo después de los primeros 1,000 segundos al mes. Resemble AI ofrece Rapid Voice Clone con entre 10 segundos y 1 minuto de audio y un procesamiento de aproximadamente 1 minuto, mientras que Voice.ai logra clonar voces en tiempo real en 15 segundos. Sin embargo, ninguna de estas herramientas está diseñada específicamente para integrarse con asistentes de programación, lo que deja oportunidades sin explorar para dar comentarios de revisión de código por voz, ofrecer explicaciones de código en audio personalizadas, programar manos libres con comandos de voz o realizar sesiones de programación en pareja por audio.
La API Realtime de OpenAI entró en beta pública en octubre de 2024 y estuvo disponible de forma general en febrero de 2025. Ofrece el modelo gpt-realtime, que procesa voz a voz de forma nativa y elimina la necesidad de convertir voz a texto como paso intermedio. También incluye llamadas a funciones para integrar herramientas, compatibilidad con el Session Initiation Protocol (SIP) para integrar llamadas telefónicas y compatibilidad con imágenes como entrada. El precio de audio bajó un 60 %, a $40 por 1 millón de tokens de entrada y $80 por 1 millón de tokens de salida; GPT-4o mini está disponible a $10 por 1 millón de tokens de entrada y $20 por 1 millón de tokens de salida. Su baja latencia hace que la API sea adecuada para conversaciones en tiempo real y ofrece las voces exclusivas Cedar y Marin. Desarrolladores están creando aplicaciones personalizadas con FastAPI/Node.js que integran voz con asistentes de programación. Sin embargo, todavía no hay ejemplos en producción que combinen clonación de voz con herramientas de programación.
Cómo lograr que el ajuste fino de GPT-4o esté listo para producción
El ajuste fino de modelos para adaptar el estilo de programación ya está listo para producción gracias a diversos enfoques. El ajuste fino de GPT-4o se lanzó en agosto de 2024 para todos los niveles de pago. Permite personalizar la estructura y el tono, seguir instrucciones complejas y específicas de cada dominio, y aprender de decenas a miles de ejemplos de entrenamiento en formato JSONL.
Entre los casos de éxito están Cosine (Genie AI), que alcanzó un 43.8 % de rendimiento de vanguardia en SWE-bench, verificado, con GPT-4o ajustado para ingeniería de software, y Distyl, que llegó a una precisión de ejecución del 71.83 % en la prueba BIRD-SQL para generar texto a SQL. La compatibilidad con el ajuste fino de imágenes llegó en diciembre de 2024, junto con la garantía de que los datos siguen siendo propiedad del cliente y que las entradas y salidas no se usan para entrenar otros modelos.
Adaptación a preferencias subjetivas
El ajuste fino por preferencias, introducido en diciembre de 2024, utiliza datos de comparación (pares de preferencias A frente a B) en lugar de los ejemplos supervisados tradicionales, lo que permite adaptarse a las preferencias subjetivas de los usuarios. El ajuste fino por refuerzo (RFT) se presentó en diciembre de 2024 y estuvo disponible en mayo de 2025. Utiliza razonamiento paso a paso y evaluación específica para cada tarea en dominios complejos como programación, investigación científica y finanzas. AccordanceAI alcanzó un rendimiento de vanguardia en aplicaciones fiscales y contables.
Los casos de uso para desarrolladores incluyen entrenar modelos con bases de código para que repliquen los patrones de estilo existentes, aprendan a reutilizar funciones y componentes, se adapten a las convenciones de las API internas, sigan automáticamente los estándares de programación del equipo y generen código que respete las convenciones de nomenclatura.
El gran avance en eficiencia: Low-Rank Adaptation
LoRA (Low-Rank Adaptation) es una tecnología revolucionaria que mejora la eficiencia: mantiene congelados los pesos del modelo preentrenado y agrega pequeñas matrices entrenables de bajo rango a capas seleccionadas. Reduce los parámetros entrenables en 10,000 veces y la memoria de GPU en 3 veces frente al ajuste fino completo, sin perder rendimiento e incluso mejorándolo. LoRA surgió de una investigación de Microsoft/OpenAI de junio de 2021 y permite la modularidad, con modelos base únicos y varios adaptadores para tareas específicas; reduce los costos al compartir modelos base entre miles de adaptadores, permite cambiar rápidamente cargando adaptadores en milisegundos y conserva el conocimiento del modelo base sin olvidar catastróficamente lo aprendido.
Durante 2024-2025 se lanzaron plataformas LoRA listas para producción. Serverless Multi-LoRA de Together AI (diciembre de 2024) aloja cientos de adaptadores LoRA sobre modelos base únicos para Llama 3.1 y Qwen 2.5. Solo cobra el precio por token del modelo base y entre sus clientes están Salesforce, Zomato, Washington Post y OpenPipe. AWS SageMaker Multi-Adapter Inference permite desplegar y gestionar cientos de adaptadores LoRA con operaciones atómicas (agregar, eliminar o actualizar sin volver a desplegar), carga dinámica desde GPU, CPU o disco en milisegundos y métricas por adaptador para monitorear su estado. NVIDIA NIM optimiza la inferencia para cargar LoRA dinámicamente, con inferencia de lotes mixtos y GEMM por lotes. Entre las técnicas avanzadas están MeteoRA, que admite hasta 28 adaptadores en una arquitectura de mezcla de expertos con cambios a nivel de token; LoRA-Switch, con enrutamiento por token y kernels CUDA optimizados; y SHiRA (Sparse High-Rank Adapters), que utiliza entre el 1 % y el 2 % de los pesos para cambiar de adaptador ultrarrápidamente en dispositivos móviles y de borde.
Las aplicaciones para asistentes de programación incluyen adaptar el estilo de programación personal, hacer cumplir los estándares de programación del equipo o la organización, usar patrones específicos para cada lenguaje, seguir convenciones propias de frameworks (como React, Vue y Angular) y generar código específico de cada dominio (por ejemplo, finanzas o salud). La infraestructura necesaria ya está disponible mediante vLLM, TGI (Text Generation Inference), LoRAX y Modular MAX. Aunque hay pocos ejemplos de producción de LoRA para personalizar la programación, el principal desafío sigue siendo crear conjuntos de datos de entrenamiento de alta calidad.
Las instrucciones personalizadas son la opción más práctica para la personalización
Los conjuntos de instrucciones personalizadas se han convertido en la opción de personalización con mayor retorno sobre la inversión. Los admiten las principales herramientas de programación con IA y ofrecen resultados inmediatos sin necesidad de conocimientos técnicos.
GitHub Copilot introdujo instrucciones personalizadas para repositorios mediante .github/copilot-instructions.md en todos los niveles de pago. Son compatibles con VS Code, Visual Studio, GitHub.com y JetBrains, y siguen esta jerarquía de prioridad: personal > repositorio > organización. Las instrucciones específicas para cada ruta, que usan patrones glob en .github/instructions/**/NAME.instructions.md, permiten aplicar convenciones distintas al código frontend y backend. La compatibilidad con AGENTS.md se lanzó en agosto de 2025 para el agente de programación de GitHub Copilot, con archivos AGENTS.md anidados para distintas partes de un proyecto. Las instrucciones personales personalizadas estuvieron disponibles de forma general en marzo de 2025 desde la configuración del perfil de Copilot Chat, para definir preferencias como «Responde siempre en español», «Usa TypeScript en los ejemplos» o «Reduce las explicaciones al mínimo».
Las recomendaciones de estructura incluyen cinco secciones esenciales: una descripción general del proyecto con una presentación breve y sus funciones principales; la pila tecnológica con el backend, el frontend, las API y los marcos de pruebas; pautas de codificación que indiquen las preferencias de estilo y los patrones; la estructura del proyecto con la organización de directorios; y recursos con enlaces a la documentación y las wikis internas. Entre las prácticas recomendadas están usar lenguaje natural sin darle demasiadas vueltas, ser específico sin intentar abarcarlo todo, incluir ejemplos para mayor claridad, actualizar de forma iterativa según los resultados y usar el control de versiones para compartir con el equipo. El repositorio Awesome GitHub Copilot Customizations ofrece instrucciones listas para usar creadas por la comunidad, prompts reutilizables para tareas comunes y modos de chat personalizados, como DBA o especialista en frontend.
Las instrucciones personalizadas de VS Code (v1.98+) permiten aplicarlas automáticamente mediante la configuración github.copilot.chat.codeGeneration.useInstructionFiles, que lee .github/copilot-instructions.md. Los archivos de prompts en .github/prompts/*.md permiten crear flujos de trabajo reutilizables para generar componentes, revisar código, crear documentación y definir rutas de API, que se invocan directamente en el chat. Los modos de chat en .github/chatmodes/*.chatmode.md definen asistentes especializados con instrucciones, herramientas, alcance y modelo preferido para roles como administrador de bases de datos, desarrollador de frontend, planificación o revisión de código. La configuración del espacio de trabajo en workspace.json reemplaza los valores predeterminados de cada proyecto para generar mensajes de confirmación, revisar código y generar pruebas.
La personalización de Claude Code funciona en varias capas. El archivo CLAUDE.md en la raíz del proyecto carga automáticamente la filosofía, la arquitectura y las pautas de desarrollo del proyecto como infraestructura esencial bajo control de versiones. Los comandos personalizados de barra en .claude/commands/*.md codifican flujos de trabajo repetibles con la palabra clave $ARGUMENTS para los parámetros; por ejemplo, /project:fix-github-issue 1234 analiza y resuelve problemas automáticamente. Los estilos de salida en .claude/output-styles/*.md transforman el prompt del sistema y la personalidad de Claude Code mediante instrucciones en YAML frontmatter y Markdown. Los modos integrados incluyen Default (ingeniería de software eficiente), Explanatory (explicaciones educativas) y Learning (colaboración con marcadores TODO), además de estilos personalizados con el comando /output-style:new.
Los hooks ofrecen automatización garantizada mediante comandos de shell definidos por el usuario: PreToolUse antes de que Claude ejecute cualquier herramienta, PostToolUse tras completarla correctamente, UserPromptSubmit al enviar mensajes y SessionStart al iniciar Claude Code. Esto permite dar formato automático al escribir archivos, actualizar documentación, ejecutar pruebas y realizar controles de calidad. La integración con MCP (Model Context Protocol) conecta Claude Code con herramientas externas mediante la configuración .mcp.json. Algunos ejemplos son GitHub CLI (gh), Puppeteer, Brave Search y conectores de bases de datos. Las prácticas recomendadas señalan que los comandos son más útiles cuando requieren criterio de IA, en lugar de ejecutar scripts deterministas; los hooks ofrecen automatización garantizada sin depender de que la IA «lo recuerde»; los subagentes combinan análisis con IA y hooks; y los estilos de salida transforman el comportamiento de manera fundamental.
Los GPT personalizados de OpenAI se lanzaron en noviembre de 2023 para usuarios de ChatGPT Plus, Team y Enterprise, y permiten crearlos sin código en chatgpt.com/create. Sus componentes incluyen instrucciones (prompt del sistema), archivos de conocimiento (documentación y bases de código subidas), acciones (integraciones de API) e iniciadores de conversación. Se pueden compartir de forma privada, dentro de la empresa o públicamente en GPT Store. Algunos usos de programación incluyen asistentes de depuración, herramientas para marcos específicos (React, Vue, Flutter), tutores de lenguajes, bots de revisión de código y generadores de documentación. Entre los ejemplos destacados están Figmo (guía de código para complementos de Figma), Flutter GPT (consejos de desarrollo especializado) y Code Syntax Helper (sintaxis para varios lenguajes).
Los modelos ajustados de GitHub Copilot entraron en una beta pública limitada en agosto de 2024 para clientes Enterprise. Se entrenan con bases de código y prácticas de programación propietarias mediante la indexación de repositorios y, de forma opcional, entrenamiento basado en telemetría, incluidas las interacciones de los desarrolladores. El alojamiento privado garantiza que los modelos nunca salgan de la organización. Entre sus ventajas están comprender bibliotecas y API internas, admitir lenguajes propietarios o heredados como COBOL y Verilog (AMD usó modelos ajustados para el diseño de hardware con Verilog), adaptarse a los estilos específicos de cada organización y reducir el tiempo de revisión de código. Las bases de conocimiento reúnen documentación Markdown de varios repositorios y permiten comprender las bases de código en profundidad mediante la indexación de repositorios. Spaces organiza el contenido pertinente para tareas específicas, y la integración con MCP amplía las capacidades con herramientas externas.
Convergen los sistemas de memoria y la inteligencia de bases de código
Las funciones de memoria en las herramientas de programación con IA marcan el paso de un contexto efímero a uno persistente.
Memoria persistente de ChatGPT para el contexto de proyectos
La memoria de ChatGPT para programación se lanzó gradualmente entre 2024 y 2025. Recuerda automáticamente las preferencias de lenguajes de programación, marcos de trabajo y estilos, así como el contexto de los proyectos, entre sesiones. En abril de 2025, la referencia al historial de chats se actualizó para incluir todas las conversaciones anteriores de usuarios Plus/Pro (para usuarios Free, el historial será más breve a partir de junio de 2025).
La memoria exclusiva para proyectos permite guardar recuerdos específicos de cada proyecto sin que pasen a otras conversaciones. Usa RAG (generación aumentada por recuperación) para guardar y recuperar recuerdos, mientras los modelos de clasificación identifican qué vale la pena conservar. Los desarrolladores pueden indicarle a ChatGPT sus preferencias de tono y voz para la documentación de código, arquitectura, estilo de mensajes de confirmación y marcos de pruebas. Sin embargo, la memoria se puede llenar rápidamente y requiere borrar contenido; además, puede influir por accidente en prompts no relacionados.
Claude Projects: bases de conocimiento personalizadas y memoria exclusiva para proyectos
Claude Projects en la plataforma web ofrece bases de conocimiento personalizadas que permiten subir documentación, archivos de bases de código y documentos de contexto, junto con instrucciones específicas del proyecto que definen sus estándares de codificación. La memoria exclusiva para proyectos, presentada en 2025, mantiene las conversaciones dentro del contexto del proyecto sin que pasen a la memoria principal. Así, el contexto persiste entre conversaciones del mismo proyecto.
Claude Code agrega archivos CLAUDE.md para el contexto a nivel de proyecto, comandos personalizados de barra guardados en el directorio .claude/commands/ (compartidos con el equipo o personales), integración con MCP para herramientas externas, hooks para controlar el comportamiento del agente y un sistema de memoria al estilo de Windsurf que aprende las preferencias.
La inserción profunda de código en la base y los modos de agente de Cursor
La personalización del IDE Cursor evolucionó significativamente entre 2024 y 2025. Los archivos de reglas de Cursor .cursorrules definen pautas de comportamiento de IA específicas para cada proyecto, que permiten aplicar estilos de código y patrones arquitectónicos. Agent Mode permite realizar operaciones autónomas en varios archivos y ejecutarlas automáticamente; Ask Mode permite hacer consultas y planificar sin realizar cambios de inmediato; y Manual Mode ofrece asistencia para editar en línea.
La selección de modelos admite Claude Sonnet 4.5, GPT-4o, Gemini y otros modelos de vanguardia. AutoSuggestedGPT selecciona modelos automáticamente según la tarea. La personalización avanzada incluye integración con servidores MCP para conectar herramientas externas, instrucciones personalizadas reutilizables en ámbitos específicos, reglas del equipo compartidas entre espacios de trabajo (anunciadas a fines de 2024), reglas globales a nivel empresarial y hooks para auditar el uso del agente, bloquear comandos y ocultar secretos.
La inserción profunda del código mediante Code Graph en el modo de agente, las menciones con @ para referirse a archivos, funciones o símbolos específicos, y la selección automática del contexto —en la que la IA determina qué archivos son pertinentes— distinguen el enfoque de Cursor. Los precios van desde Pro, a $20 al mes, hasta Pro+ a $60 al mes (recomendado para el uso profesional diario) y Ultra a $200 al mes para flujos de trabajo intensivos con agentes.
Sourcegraph Cody: comprensión de bases de código y controles de privacidad
Sourcegraph Cody mejoró el contexto durante 2024 con la comprensión automática de toda la base de código mediante Code Graph, menciones con @ para referirse a repositorios, directorios o archivos específicos y filtros de contexto (función Enterprise de junio de 2024) que controlan a qué repositorios Cody puede acceder. La compatibilidad con varios repositorios permite vincularlos y hacer consultas en ellos. Las mejoras en la ventana de contexto alcanzaron 30 000 tokens de entrada para el contexto definido por el usuario (Claude 3 Sonnet/Opus), 15 000 tokens para conversaciones continuas y 4 000 tokens de salida, lo que permite trabajar con archivos más grandes y conversaciones más largas.
La mejora en la obtención de contexto (octubre de 2024) ofrece una mejor clasificación de los archivos pertinentes con varios fragmentos por archivo, mediante un enfoque combinado de búsqueda por palabras clave y semántica. Los controles de privacidad, habilitados por los filtros de contexto, impiden que el código confidencial llegue a los proveedores de LLM. Las funciones Enterprise incluyen implementación autoadministrada, cumplimiento con SOC 2, aislamiento completo de datos y garantías de retención cero.
Tabnine: conocimiento local y global del código basado en RAG
La personalización de Tabnine incorporó enfoques basados en RAG en febrero de 2024. Usa RAG para obtener contexto del IDE local y así comprender el código localmente; también permite comprender el código globalmente al conectarse a los repositorios de la organización (vista previa privada de Enterprise). La personalización de modelos ajusta modelos universales con el código del cliente («Tabnine + You»).
Entre las funciones avanzadas se incluyen comportamientos de chat personalizados que adaptan las respuestas a las necesidades del equipo; control de la longitud de las respuestas, con modos concisos y exhaustivos; comandos personalizados que se pueden compartir entre equipos; agentes de incorporación que ayudan a los desarrolladores a entender proyectos desconocidos; y preguntas de seguimiento en las que la IA sugiere los siguientes pasos lógicos. Las actualizaciones de noviembre de 2024 mejoraron el nivel gratuito con más agentes de IA, acceso a Claude 3.5 Sonnet en los planes gratuitos, acciones en línea mejoradas e integración con Jira Cloud (Enterprise).
El agente Cascade del editor Windsurf y sus precios competitivos
Windsurf Editor, de Codeium, se lanzó en noviembre de 2024 como un IDE nativo de IA con Cascade, una IA agéntica que ofrece un profundo conocimiento contextual de las bases de código en producción, seguimiento en tiempo real de las acciones del desarrollador, memoria que aprende aspectos importantes de la base de código y de los flujos de trabajo, y detección y corrección automáticas de errores de lint.
La personalización incluye un sistema de memoria que recuerda las preferencias específicas de cada proyecto; un sistema de reglas que define el comportamiento de Cascade mediante .windsurf/rules; servidores MCP que amplían las capacidades con herramientas personalizadas mediante una configuración seleccionada que se activa con un clic; y un motor de indexación que permite comprender el código de todo el proyecto.
Entre las funciones avanzadas se incluyen Supercomplete, para obtener predicciones de varias líneas que tienen en cuenta el contexto; integración con la terminal mediante ⌘+I para ingresar comandos en línea; Turbo Mode, que ejecuta automáticamente los comandos de terminal; y Cascade Continues, que registra las acciones para continuar los flujos de trabajo. A $15 al mes, frente a los $20 al mes de Cursor, Windsurf ofrece precios competitivos, una interfaz más clara y la implementación en Netlify con un clic. Sin embargo, al ser una herramienta más nueva, tiene una comunidad más pequeña que Cursor y algunas funciones todavía están en beta.
Los agentes de programación autónomos alcanzan la madurez para producción
Los agentes personales de IA para programación pasaron de ser experimentales a estar listos para producción durante 2024-2025. Claude Code de Anthropic permite programar de forma autónoma en una terminal, con operaciones en varios archivos, integración con GitHub/GitLab y flujos de trabajo de extremo a extremo, desde los issues hasta los pull requests. Su arquitectura se define por la personalización mediante comandos de barra personalizados (personales y compartidos por el equipo), archivos de proyecto CLAUDE.md, integración con servidores MCP, hooks para controlar el comportamiento de los agentes y subagentes para tareas complejas. Los patrones de flujo de trabajo siguen secuencias de Exploración → Planificación → Implementación, con el modo Ask para revisar, el modo Agent para ejecutar y --dangerously-skip-permissions para la operación autónoma. Los worktrees de Git permiten ejecutar sesiones en paralelo. El uso empresarial incluye la integración con Amazon Bedrock y Google Vertex AI, con implementaciones privadas que pueden ampliarse mediante el protocolo MCP.
Aider ofrece capacidades de agente de terminal de código abierto, con edición de varios archivos mediante lenguaje natural, integración con Git y commits inteligentes, compatibilidad con GPT-4o, Claude, DeepSeek y modelos locales, además de compatibilidad con programación por voz en repositorios existentes. La personalización incluye selección de modelos mediante flags (--4o, --sonnet), administración de caché para optimizar costos, compatibilidad con cualquier proveedor de LLM y flujos de trabajo que pueden programarse y automatizarse para programación en pareja, refactorización de varios archivos y agregar funcionalidades a bases de código existentes.
Sweep ofrece integración con GitHub y convierte issues en pull requests mediante la generación automatizada de código a partir de informes de errores, búsqueda de código basada en embeddings y compatibilidad con cambios en varios archivos. El flujo de trabajo consiste en crear issues en GitHub, agregar etiquetas «sweep», dejar que el agente genere pull requests automáticamente y hacer iteraciones mediante comentarios en los PR. Las funciones empresariales incluyen un plugin de JetBrains, integración con herramientas de análisis estático y Next-Edit Autocomplete.
Replit Agent 3 amplió sus capacidades autónomas en 2024-2025, con compilaciones prolongadas de hasta 200 minutos de forma autónoma, pruebas de aplicaciones en navegadores con comentarios en video, autocorrección mediante ciclos de Prueba → Corrección → Nueva prueba y capacidad para crear agentes y flujos de trabajo. Los métodos de compilación ofrecen la opción de priorizar el diseño (prototipo visual → aplicación completa) o crear primero la aplicación completa (compilación completa desde el inicio). La automatización abarca bots de Slack y Telegram, automatizaciones de correo electrónico y flujos de trabajo programados, con un rendimiento 3 veces más rápido que los modelos Computer Use y una rentabilidad 10 veces mayor gracias a sistemas de prueba patentados.
Agentes del sector y de código abierto
Amazon Q Developer evolucionó a partir de CodeWhisperer durante 2024 y ofrece asistencia para programar enfocada en AWS, agentes /dev, /doc y /review para cambios en varios archivos, además de integración con IAM mediante plugins de CLI e IDE.
Qodo (antes CodiumAI) ofrece una cobertura integral del SDLC, con agentes diseñados para tareas específicas (Gen, Cover, Merge), conocimiento de la base de código basado en RAG y cumplimiento de SOC 2.
Continue.dev ofrece extensiones de IDE de código abierto para VS Code y JetBrains, una CLI para crear agentes de programación de IA personalizados, compatibilidad con cualquier modelo sin dependencia de un proveedor, integración con herramientas MCP y reglas y prompts personalizables. Sus funciones empresariales permiten crear asistentes de IA compartidos, administrar configuraciones centralizadas, gestionar credenciales de forma segura e implementar modelos personalizados. Sigue siendo gratuito para usuarios individuales y ofrece planes empresariales.
Patrones de personalización compartidos en agentes autónomos
El panorama de los agentes autónomos muestra patrones de personalización comunes en distintas herramientas. La mayoría usa RAG (generación aumentada por recuperación) para comprender la base de código: recupera contexto relevante antes de la generación con LLM, con variantes implementadas por Tabnine, Cody y Copilot.
La configuración basada en archivos, mediante archivos .cursorrules, CLAUDE.md y copilot-instructions.md, permite establecer reglas a nivel de proyecto o globales, con opciones compartidas por el equipo o personales. Los sistemas de memoria muestran que ChatGPT ofrece recuerdos guardados entre sesiones, Claude proporciona bases de conocimiento específicas de cada proyecto y Windsurf implementa las memorias de Cascade. Todos apuntan a un contexto persistente.
GitHub Copilot ofrece modelos empresariales ajustados y Tabnine ofrece modelos personalizados mediante «Tabnine + You»; para entrenarlos, se necesitan bases de código considerables. Los filtros de contexto y los controles de privacidad incluyen la inclusión o exclusión explícita de repositorios en Cody, las exclusiones de contenido de Copilot y filtros al estilo de .cursorignore en Claude Code.
MCP (protocolo de contexto de modelos), que está surgiendo como estándar para la integración de herramientas, cuenta con el respaldo de Claude Code, Cursor y Windsurf para conectar bases de datos, API y servicios externos.
Las tendencias emergentes apuntan hacia una inteligencia híbrida
Flujos de trabajo y estrategias de personalización para desarrolladores
El panorama de la personalización en 2024-2025 revela patrones claros de adopción y direcciones futuras. Los flujos de trabajo de desarrollo integran la IA mediante secuencias de autocompletado > chat > generación de código > depuración > documentación. Los enfoques más eficaces combinan varias herramientas, como Copilot para autocompletar y Claude para razonamientos complejos.
El autocompletado con tabulación se perfila como la función más valorada para mantener la concentración. Las estrategias de personalización recomiendan empezar con las herramientas predeterminadas, agregar instrucciones personalizadas gradualmente, crear prompts reutilizables para tareas comunes, configurar opciones compartidas por el equipo e iterar según los comentarios sobre la calidad. Entre los errores comunes están depender demasiado de la IA sin revisar el código, no desactivar las sugerencias de código público (por cuestiones de licencias), usar prompts pasivo-agresivos o imprecisos, proporcionar contexto insuficiente y tratar a la IA como una autoridad en lugar de como un asistente.
Mejoras en la productividad, opiniones y desafíos
Las métricas de productividad muestran un impacto: estudios señalan una mejora del 10-30% con flujos de trabajo disciplinados, 26% más PR por semana (estudio RCT de 2024) y 82% de los desarrolladores usan herramientas de IA (Stack Overflow 2024). GitHub Copilot muestra un aumento del 8% en los PR y una mejora del 15% en las tasas de merge. La opinión de los desarrolladores revela una gran satisfacción con la autonomía de los agentes, gracias a las sesiones autónomas prolongadas (Windsurf Cascade, Claude Code y Replit Agent 3); la comprensión de la base de código, que mejora considerablemente la relevancia; la posibilidad de elegir modelos para usar el LLM adecuado para cada tarea; y las funciones de memoria, que reducen la repetición gracias al contexto entre sesiones.
Los desafíos incluyen el costo de las funciones premium para desarrolladores independientes, problemas de precisión que producen errores y requieren revisión humana, límites de contexto que agotan la memoria y requieren administración, curvas de aprendizaje que exigen tiempo de configuración y preocupaciones por el deterioro de las habilidades debido a la dependencia excesiva.
La evolución de los precios
En 2025, los planes individuales van desde GitHub Copilot Individual, a $10 al mes, hasta Cursor Pro y ChatGPT Plus, a $20 al mes; Windsurf Pro ofrece un precio competitivo de $15 mensuales. Los planes empresariales suben a GitHub Copilot Enterprise, a $39 por usuario al mes, que incluye ajuste fino; Tabnine Enterprise, a $39 por usuario al mes; y precios personalizados para Cursor Enterprise y Cody Enterprise, además de Replit Teams, a $33 por usuario al mes.
Los planes gratuitos se ampliaron: Windsurf ofrece acceso gratis con sus propias claves de API, el plan básico de Tabnine se mejoró en noviembre de 2024, Cody Free ofreció 2,000 completados, GitHub Copilot anunció un plan gratuito en 2024 y Continue.dev siguió siendo completamente gratuito como proyecto de código abierto.
Sistemas multiagente y estandarización de MCP
Las tendencias futuras apuntan a sistemas multiagente con agentes especializados que colaboran (el enfoque de Qodo), aprendizaje continuo en el que la IA mejora a partir del código aceptado o rechazado por los equipos, cobertura de todo el SDLC más allá de la programación, incluida la planificación, las revisiones y la implementación, IA que prioriza la privacidad con más opciones autoalojadas y aisladas de la red, flujos de trabajo agénticos que reducen la supervisión y aumentan la autonomía, integración visual y de código mediante flujos de diseño a código (v0, Bolt.new) y estandarización de MCP, que proporciona protocolos comunes para integrar herramientas.
Entre los aspectos a observar están Devin (Cognition Labs), como ingeniero de software de IA totalmente autónomo; más agentes nativos de IDE; una integración más estrecha con Git/GitHub; interfaces de programación por voz y mejoras en los modelos locales.
La personalización como nueva ventaja competitiva
La transformación del desarrollo asistido por IA en 2024-2025 revela que la personalización es el factor diferenciador clave entre el autocompletado de código genérico y una aceleración del desarrollo realmente útil. La tardía incorporación de Google, con la integración del historial de búsqueda de Gemini, a pesar de las ventajas de su ecosistema, demuestra que la ejecución importa más que el acceso a los datos en este ámbito. La adopción generalizada de archivos de instrucciones como CLAUDE.md y .cursorrules demuestra que los desarrolladores prefieren la configuración declarativa al ajuste fino cuando cuentan con herramientas que funcionan. La promesa inicial del vibe coding dio paso a enfoques híbridos más matizados, que combinan la velocidad de la IA con el criterio arquitectónico humano. Esto sugiere que el futuro pertenece a los asistentes de IA diseñados con precisión, no a la confianza ciega.
Las implementaciones más exitosas comparten patrones comunes: memoria persistente entre sesiones, comprensión profunda de la base de código mediante RAG o ajuste fino, reglas personalizadas que codifican los estándares del equipo y agentes autónomos con supervisión humana. Las instrucciones personalizadas ofrecen el 80% de los beneficios de la personalización con un esfuerzo mínimo, por lo que son el punto de partida recomendado. El ajuste fino y LoRA, aunque cuentan con la infraestructura necesaria, se reservan para dominios especializados que representan apenas el 5% de las necesidades. La clonación de voz sigue desconectada de los flujos de trabajo de programación, lo que sugiere que hay oportunidades de integración, aunque todavía no se ha materializado la demanda.
La convergencia de las funciones de memoria, la inteligencia sobre la base de código y los agentes autónomos crea entornos de desarrollo en los que la IA realmente comprende el contexto del proyecto, las preferencias del equipo y los patrones de la organización, en vez de ofrecer sugerencias genéricas. A medida que estos sistemas maduren, la diferencia entre quienes personalizan sus flujos de trabajo de IA y quienes usan las configuraciones predeterminadas determinará cada vez más los resultados de productividad. Por eso, comprender estos enfoques de personalización será esencial para mantener prácticas de desarrollo competitivas.
¿Listo para pasar del «vibe coding» a la «programación segura»? Mira “Securing Vibe Coding: Addressing the Security Challenges of AI-Generated Code” a pedido y descubre estrategias prácticas para proteger el código generado por IA a gran escala.
Fuentes y lecturas adicionales
Personalización de Gemini:
Archivos de instrucciones y reglas personalizadas:
Vibe coding y creadores de aplicaciones con IA:
Voz y personalización de modelos:
Instrucciones personalizadas y funciones de IDE:
Memoria e inteligencia sobre la base de código:
Agentes autónomos:
TALLER A PEDIDO
Protege el vibe coding: aborda los desafíos de seguridad del código generado por IA
Sonya Moisset, Developer Advocate del equipo de Snyk, analiza las implicaciones de seguridad del vibe coding y comparte estrategias prácticas para proteger el código generado por IA a escala.