Construir con IA

DeepSeek escribió 70k líneas de código, Opus las revisó: un análisis costo-beneficio

Un desarrollador utilizó DeepSeek Flash 4.1 para crear una compleja aplicación de biblioteca de fotos y Claude Opus 5.5 para revisarla, descubriendo que el modelo premium ofrecía ganancias marginales a alto costo.

Ilustración comparando la estructura mecánica del código con los procesos de revisión por IA
Ilustración generada para este artículo

Traducido automáticamente del original en inglés.

En noviembre de 2026, un ingeniero de software publicó un relato detallado sobre la construcción de una aplicación autoalojada de gestión de fotografías utilizando exclusivamente modelos de lenguaje grandes de pesos abiertos para la generación de código. Tras completar el proyecto con DeepSeek Flash 4.1, el desarrollador sometió la base de código a una auditoría rigurosa utilizando Claude Opus 5.5 de Anthropic para determinar si los modelos de vanguardia justifican sus precios más elevados. El experimento reveló que, aunque el modelo premium identificó casos límite sutiles, no detectó fallos críticos en la arquitectura central, lo que sugiere rendimientos decrecientes para flujos de trabajo agénticos bien especificados.

Qué ocurrió

El desarrollador pasó once semanas construyendo una alternativa a Apple Photos, resultando en 71.161 líneas de código distribuidas en 360 archivos. La pila tecnológica incluía un backend en Rust usando Axum, un frontend en SvelteKit y SQLite para el almacenamiento de metadatos. La aplicación soporta clasificación de IA sin conexión, desarrollo RAW, transcodificación de video y funciones de edición complejas como la fusión HDR y la corrección de lentes. Durante todo este proceso, el autor humano no escribió ningún código de implementación. En su lugar, se centró en definir invariantes arquitectónicos estrictos, escribir especificaciones en prosa y mantener documentos de directrices como AGENTS.md y SPEC.md. Estos documentos imponían reglas como SQL parametrizado únicamente, diseño local-first y cero magia en tiempo de consulta.

Una vez que la aplicación fue estable y funcionaba en los dispositivos del desarrollador, iniciaron una fase de revisión utilizando Claude Opus 5.5. Esto se hizo para comparar el rendimiento del modelo de vanguardia contra DeepSeek Flash 4.1, que había generado toda la base de código por aproximadamente $30 durante tres meses. La revisión con Opus estaba limitada por sesiones de cinco horas, lo que requería dividir el trabajo en varios días. El objetivo no era arreglar código roto, sino ver si el modelo más caro podía encontrar problemas que el modelo más barato había pasado por alto durante dos meses de uso diario.

Cómo funciona

El proceso de revisión dependía de un marco estructurado en lugar de prompts abiertos. El desarrollador creó una "habilidad" que dirigía al LLM a evaluar el código a lo largo de 29 ejes específicos, agrupados en cinco categorías: corrección e invariantes, seguridad y límites, concurrencia, consistencia entre fronteras y calidad del código. Cada eje tenía un alcance estrecho, como la integridad de las etiquetas geográficas GPS o la seguridad de las carpetas de caída WebDAV. Al revisor se le dio acceso a todo el repositorio, sirviendo SPEC.md y AGENTS.md como la verdad fundamental para el comportamiento esperado.

El contrato para cada ejecución de revisión requería hallazgos concretos con referencias de archivo y línea, vinculados a violaciones específicas de invariantes. Las minucias de estilo y las especulaciones fueron explícitamente excluidas. Los hallazgos se calificaban por gravedad, y el proceso se detenía para triaje humano antes de aplicar cualquier arreglo. Cuando Opus identificaba problemas, también generaba pruebas de regresión e implementaba arreglos en commits aislados. Este método aseguraba que el modelo actuara como un auditor riguroso en lugar de un programador par casual, forzándolo a validar afirmaciones contra la estructura real del código.

Detalles clave

  • Volumen de código: El proyecto consiste en 71.161 líneas de código, de las cuales 58.319 son lógica de código real, escritas enteramente por DeepSeek Flash 4.1.
  • Resultados de la revisión: Claude Opus 5.5 encontró 72 problemas: 0 críticos, 8 mayores y 64 menores. Ninguno de los problemas mayores implicaba pérdida de datos o brechas de seguridad en flujos desplegados.
  • Comparación de costos: DeepSeek Flash 4.1 costó aproximadamente $30 durante 11 semanas mediante una suscripción OpenCode Go, mientras que Claude Opus 5.5 costó $17 por un mes pero sufrió de limitaciones estrictas de sesión.
  • Naturaleza de los bugs: Los hallazgos mayores eran casos límite sutiles, como interacciones de funciones entre recorte e inclinación, o documentación obsoleta tras refactorizaciones. Los pipelines centrales como importación y procesamiento de video no tuvieron hallazgos.
  • Evaluación del modelo: Opus calificó el código generado por DeepSeek como nivel senior, elogiando su estratificación estricta y la ingeniería de rutas de fallo, pero criticando su tendencia a arreglar casos específicos sin propagar cambios a todos los sitios de llamada.
  • Rol humano: La contribución principal del desarrollador fue definir la visión, escribir las reglas y realizar el triaje de los hallazgos. La escritura de código fue delegada completamente al modelo.

Por qué importa

Para fundadores técnicos y líderes de ingeniería, este estudio de caso desafía la suposición de que los modelos de vanguardia son necesarios para la producción de software de alta calidad. El hecho de que un modelo de pesos abiertos produjera una aplicación robusta y compleja sin fallos arquitectónicos críticos sugiere que las especificaciones claras y los invariantes estrictos son más valiosos que la inteligencia bruta del modelo. La prima pagada por Opus no compró corrección en el sistema central; compró un escaneo más profundo de la varianza estadística y casos límite que aún no se habían manifestado en producción. Esto implica que para muchas herramientas internas o productos bien definidos, los modelos más baratos pueden ofrecer una mejor relación precio-valor.

Sin embargo, la revisión también destaca una debilidad persistente en los actuales flujos de trabajo de codificación agéntica: la dificultad de mantener la consistencia a través de las fronteras. Opus señaló que el código a menudo arreglaba una instancia específica de un bug sin actualizar manejadores relacionados, documentación o constantes espejadas. Este problema de "barrido" sigue siendo un riesgo significativo cuando se delega la generación de código a los LLMs. Subraya que, aunque los modelos pueden escribir excelentes módulos individuales, tienen dificultades con el impacto holístico de los cambios a través de una gran base de código. La supervisión humana sigue siendo esencial para hacer cumplir los invariantes globales y asegurar que las refactorizaciones no dejen atrás código muerto o contratos obsoletos.

Qué puedes hacer

  • Define invariantes arquitectónicos estrictos en archivos markdown dedicados como AGENTS.md antes de iniciar cualquier proyecto de codificación asistida por IA.
  • Utiliza modelos de pesos abiertos o de menor costo para la generación inicial de código y la iteración para minimizar gastos durante la mayor parte del desarrollo.
  • Implementa un marco de revisión estructurado con ejes estrechos y específicos en lugar de solicitar mejoras generales de código.
  • Exige que los revisores LLM citen líneas de archivo específicas y violaciones de invariantes, rechazando sugerencias vagas de estilo u optimizaciones especulativas.
  • Realiza manualmente el triaje de todos los hallazgos automatizados para distinguir entre riesgos arquitectónicos críticos y casos límite menores.
  • Enfoca tu esfuerzo personal en escribir especificaciones precisas y mantener el conjunto de reglas, ya que este es el punto de palanca que determina la calidad del código.
  • #llm
  • #code-review
  • #deepseek
  • #claude
  • #agentic-workflows

Herramientas de la Tienda de Bytechap

$89

DocBento

Gestión documental autoalojada que lee cada escaneo y responde con citas de página.

Demo en vivo
$79

WorkBento

Suite de RR. HH. y gestión del entorno laboral impulsada por IA que puedes alojar tú mismo.

Demo en vivo

Seguir leyendo

Todos los artículos