Agentes de IA

Repensar la revisión de código en la era de los agentes de IA

Robert C. Martin y líderes de la industria argumentan que los ingenieros deben pasar de la lectura línea por línea del código a revisar la intención, los criterios y las decisiones arquitectónicas, ya que la IA genera cada vez más software.

Una estructura de código holográfica flotando sobre un teclado con una mano señalándola.
Ilustración generada para este artículo

Traducido automáticamente del original en inglés.

Robert C. Martin, ampliamente conocido como Uncle Bob, reveló recientemente que ya no lee el 95 por ciento del código producido por sus agentes de IA. Esta admisión marca un giro significativo en las prácticas de ingeniería de software, sugiriendo que los revisores humanos ya no pueden mantener el ritmo de la velocidad de generación automática de código. A medida que los equipos integran agentes de IA en sus flujos de trabajo, el modelo tradicional de inspección detallada línea por línea se vuelve obsoleto, forzando una reevaluación de lo que constituye una supervisión efectiva.

Qué ocurrió

La discusión gira en torno a un cambio fundamental en cómo los equipos de ingeniería abordan la calidad y la revisión del código. Martin, cuyo libro Clean Code ha influido en generaciones de desarrolladores, argumenta que los humanos son demasiado lentos para gestionar el código a la velocidad requerida por los modernos agentes de IA. Sugiere que mantener una supervisión de alto nivel es necesario, pero la interacción directa con cada línea de código fuente ahora está fuera del dominio humano. Esta perspectiva desafía la creencia arraigada de que el código se escribe principalmente para que otros humanos lo lean, implicando que el lector ha cambiado de un desarrollador humano a un sistema automatizado o a una abstracción de mayor nivel.

A pesar de declarar que el código está en gran medida fuera del alcance de la revisión humana, Martin no abandona por completo el escrutinio. En su lugar, se centra en la integridad estructural y los patrones de diseño. Utiliza herramientas que visualizan la arquitectura del proyecto, permitiéndole expandir, colapsar y profundizar en componentes específicos sin tener que navegar por la sintaxis bruta. Este método le permite identificar problemas como puntuaciones elevadas de Change Risk Anti-Patterns (CRAP), resultados bajos en pruebas de mutación y direcciones incorrectas de dependencias. Al interactuar con estos diagramas dinámicos, puede ejecutar escenarios hipotéticos y ajustar capas de componentes antes de que el código se consolide, desplazando efectivamente el proceso de revisión desde la implementación hacia el diseño.

Otras voces de la industria ofrecen perspectivas matizadas sobre esta transición. Ray Myers argumenta que quienes afirman dejar de leer código a menudo están participando en una forma "minúscula" de lectura, donde inspeccionan selectivamente áreas críticas mientras dependen de la verificación automatizada para el resto. David Poll, quien lidera el equipo de pull requests y revisión de código de GitHub, enfatiza que el objetivo no es dejar de leer, sino dirigir la atención hacia donde sea más útil. Aboga por sistemas que resalten las partes significativas de un cambio, permitiendo que las áreas de baja confianza queden fuera del conjunto de atención del revisor. Este consenso sugiere que, aunque el volumen de código revisado manualmente disminuye, la importancia estratégica de la revisión restante aumenta.

Cómo funciona

El nuevo modelo de revisión se basa en tres artefactos principales: intención, criterios de aceptación y decisiones. La intención captura el propósito del cambio, incluyendo qué está dentro del alcance y qué se excluye deliberadamente. Esta información se deriva de los prompts y las interacciones entre el ingeniero y el agente de IA. Los criterios de aceptación se dividen en requisitos específicos para el cambio actual y patrones invariantes de un registro de "AI slop" del equipo. Un agente verificador, independiente del que escribió el código, revisa estos criterios y proporciona evidencia de cumplimiento. Los revisores luego evalúan si el problema se está resolviendo correctamente dentro de las restricciones definidas.

Las decisiones representan las opciones arquitectónicas, de comportamiento y técnicas tomadas durante el desarrollo. Dado que los agentes de IA manejan la mayor parte del código repetitivo, la contribución humana radica en seleccionar bibliotecas, definir modelos de datos y determinar estrategias de manejo de errores. Los revisores se centran en estas decisiones para asegurar la alineación con los objetivos del sistema. Este enfoque preserva el modelo mental de la base de código, un concepto al que Mitchell Hashimoto se refiere como la "defensa de la pizarra". Los ingenieros deben poder explicar por qué se hicieron ciertas elecciones específicas y dónde residen los posibles fallos, asegurando que el intercambio de conocimiento permanezca intacto incluso sin familiaridad línea por línea con el código.

Detalles clave

  • Robert C. Martin informa que no lee el 95 por ciento del código generado por sus agentes de IA, citando desajustes de velocidad entre humanos y máquinas.
  • La puntuación CRAP, o Change Risk Anti-Patterns, es una métrica de 2007 que combina la complejidad ciclomática con la cobertura de pruebas para identificar código riesgoso.
  • Los diagramas dinámicos similares a UML permiten a los revisores visualizar dependencias y estructura, habilitando ajustes interactivos antes de que el código se finalice.
  • Los agentes de verificación comprueban los criterios de aceptación contra un registro de "AI slop" del equipo, proporcionando veredictos basados en evidencia en lugar de requerir inspección manual.
  • David Poll de GitHub afirma que el objetivo es dirigir la atención humana a las partes significativas de un cambio, no eliminar la lectura por completo.
  • La responsabilidad última por el código permanece con los humanos, ya que los agentes de IA se consideran totalmente irresponsables y no pueden asumir los resultados.

Por qué importa

Para los líderes de ingeniería y los desarrolladores, este cambio requiere una modificación de mentalidad, pasando de la comprobación táctica a la supervisión estratégica. La revisión de código tradicional servía a dos propósitos: asegurar la alineación con los estándares y facilitar el intercambio de conocimientos. La IA interrumbe ambos al generar código compatible rápidamente y oscureciendo el proceso de toma de decisiones. Al centrarse en la intención, los criterios y las decisiones, los equipos pueden mantener la calidad sin atascar el flujo de desarrollo. Este enfoque asegura que los ingenieros senior dediquen su tiempo a juicios arquitectónicos de alto valor en lugar de a minucias sintácticas.

Además, este modelo aborda el riesgo de silos de conocimiento. Si solo una persona entiende el código generado por IA, el equipo se vuelve vulnerable. Al documentar decisiones y exigir a los ingenieros que defiendan sus elecciones, el equipo construye un modelo mental compartido. Esta práctica asegura que múltiples personas entiendan cómo funciona el sistema y por qué se eligieron ciertos caminos. Transforma la revisión de código de un ejercicio de control de acceso a una sesión de diseño colaborativa, fomentando una comprensión más profunda del sistema entre todos los miembros del equipo.

Qué puedes hacer

  • Implementar herramientas que visualicen la estructura y las dependencias del código, permitiendo a los revisores evaluar la arquitectura antes de sumergirse en los detalles de implementación.
  • Definir una intención clara para cada tarea, documentando qué está dentro del alcance y qué se excluye en los prompts proporcionados a los agentes de IA.
  • Establecer un registro de "AI slop" para capturar patrones comunes y errores, utilizándolo para automatizar la verificación de los criterios de aceptación.
  • Exigir a los ingenieros que documenten las decisiones técnicas y arquitectónicas clave, creando un registro que pueda ser revisado independientemente del código.
  • Capacitar a los revisores para enfocarse en áreas de alto riesgo y decisiones estratégicas, utilizando pruebas automatizadas para manejar tareas de validación rutinarias.
  • Realizar sesiones regulares de pizarra donde los ingenieros expliquen sus opciones de diseño y las defiendan ante preguntas de sus pares para reforzar la comprensión compartida.
  • #ai agents
  • #code review
  • #software engineering
  • #clean code
  • #developer productivity

Herramientas de la Tienda de Bytechap

$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