El vocabulario de la IA
para programar, en claro.

La atención (attention) es el mecanismo de un LLM que reparte la influencia de cada token entre los demás del contexto: cada token dispone de un presupuesto finito de atención que se reparte entre más competidores a medida que la sesión crece.

Un benchmark de código es una batería de problemas reales —issues de GitHub, repositorios abiertos, ejercicios de algoritmos— que se usan para medir y comparar modelos de IA en tareas de ingeniería de software: arreglar un bug, implementar una feature, pasar los tests.

Mythos es la línea de modelos de Anthropic que corona por encima de Opus y Sonnet, y Fable su primera materialización pública (Fable 5).

Un modelo de lenguaje guarda dos tipos de conocimiento.

No existe «el mejor modelo»: existe el modelo adecuado para cada tarea y cada presupuesto.

Un modelo tiene dos momentos vitales muy distintos.

El esfuerzo (effort) es el dial que controla cuánto razona un modelo antes de contestar: a más esfuerzo, más tokens de salida gastados en razonamiento intermedio y mayor probabilidad de resolver problemas duros.

Un LLM (Large Language Model, modelo de lenguaje grande) es el núcleo estadístico que hay detrás de casi toda la IA con la que programamos hoy: unos parámetros congelados que, dado un texto, predicen el siguiente token más probable, uno detrás de otro.

Una familia creciente de modelos open-weight procedentes de China —DeepSeek, GLM (Zhipu), MiniMax y Kimi (Moonshot)— ha roto en 2026 el duopolio Claude/GPT para programación: ofrecen capacidad cercana a Opus o GPT-5.x a una fracción del coste (GLM-5 se promocionó como «Opus por el 20% del coste») y con pesos abiertos que pueden correr en local vía Ollama u Ollama Cloud.

La familia de modelos de IA para código procedentes de Estados Unidos —Claude (Anthropic, líneas Opus/Sonnet/Mythos), GPT (OpenAI, serie 5.x), Gemini (Google) y Composer (Cursor)— domina el benchmark de código en 2026.

Un LLM es no determinista (non-determinism): dale exactamente la misma entrada dos veces y puede darte dos respuestas diferentes.

La generación aumentada con recuperación (RAG) enseña a un LLM a responder apoyándose en documento propio: se indexan textos convirtiéndolos en embeddings (vectores), se almacenan en una base de datos vectorial (Pinecone, Supabase, SQLite vectorial) y, al consultar, se busca semánticamente el fragmento más relevante antes de generar la respuesta.

Dónde corre la inferencia decide tanto el coste y la latencia de trabajar con IA como el modelo que elijas.

Cada petición a un proveedor de LLM factura dos contadores distintos: tokens de entrada (lo que el harness manda al modelo — system prompt, contexto, historial, tool results) y tokens de salida (lo que el modelo genera).

Un token es la unidad mínima de texto que un modelo tokeniza (no equivale a una palabra: el español suele partirse en más tokens que el inglés por su morfología, un sesgo lingüístico que penaliza a quienes escribimos en castellano).

Un artefacto de handoff es el documento que una sesión de agente escribe para que la siguiente continúe la tarea sin partir de cero: un spec (qué se construye, multi-sesión), un ticket (alcance de una sesión), un compaction summary o un simple changelog.

La compactación es un handoff in-memory: cuando la ventana de contexto se acerca a su límite, el harness resume automáticamente el historial de la sesión y siembra con ese resumen una sesión fresca.

El contexto es la información relevante a la que un agente de IA tiene acceso ahora mismo: lo que sabe del entorno (resultados de tools), del proyecto (AGENTS.md, ficheros cargados) y del historial de la sesión.

El handoff es el traspaso de contexto entre sesiones de un agente de IA cuando la ventana de contexto se llena o se cambia de tarea.

El prefix cache es el almacén del lado del proveedor que permite saltarse el reproceso de un prefijo compartido entre peticiones consecutivas, facturando esos tokens a una tarifa mucho menor.

Una sesión es una corrida acotada de interacción con un agente de IA: empieza con la ventana de contexto vacía, acumula turnos (mensaje del usuario + todo lo que hace el agente hasta devolver el control) y termina cuando se cierra, se limpia o se compacta en una sesión nueva.

Stateless vs stateful es la distinción que define la memoria de un agente.

Un turno (turn) es la unidad atómica de una sesión de agente: un mensaje del usuario más todo lo que el agente hace en respuesta hasta devolver el control.

AFK (away from keyboard, «lejos del teclado») es el patrón opuesto al humano en el bucle (human in the loop): lanzar un agente de IA y dejar que trabaje solo, sin que apruebes cada paso.

Un agente no es un chatbot: es una pieza de software compleja con capas —modelo, contexto, tools, memoria, bucle de orquestación y guardarraíles— que hay que diseñar con criterio de ingeniería.

Plataformas de automatización basadas en nodos (n8n, Make) que integran modelos y agentes de IA en workflows con triggers, webhooks, scraping, RAG, integraciones (Telegram, Notion, GitHub) y puesta en producción con Docker/Coolify.

Más allá del subagente individual, orquestar decenas o cientos de agentes en paralelo exige dos patrones complementarios: los dynamic workflows, scripts JS deterministas que lanzan subagentes bajo control programático, y los Agent Teams, equipos con un Team Lead que reparte trabajo via Task List y Mailbox con file locking para evitar pisadas.

Construir un agente de IA dejó de ser escribir un wrapper sobre la API de OpenAI: en 2026 hay frameworks y SDKs que dan estructura al agente —capas, memoria, guardarraíles, orquestación, webhooks—.

Hermes Agent es un agente de IA open source desarrollado por Nous Research que incorpora una memoria persistente de tres niveles para acumular lo aprendido entre sesiones y corregirse a partir de sus propios fallos.

Human in the loop —«humano en el bucle» en castellano— es el patrón de trabajo que mantiene a una persona en el camino de decisión de la IA: el agente propone, pero un humano lee, aprueba o rechaza antes de que el cambio se quede.

Un agente sin memoria es una conversación que empieza de cero cada vez.

OpenClaw (antes Clawdbot) es un agente de IA de código abierto cuyo desarrollo en público se ha convertido en una mina de lecciones prácticas sobre cómo se programa con IA a finales de 2025 y en 2026.

Un orquestador es la capa que coordina varios agentes de IA para resolver una tarea compleja: reparte trabajo entre subagentes, mantiene la memoria a corto plazo del conjunto y decide cuándo lanzarlos en paralelo o en secuencia.

Un subagente es un agente secundario que el principal lanza para ejecutar una tarea acotada, aislando su propio contexto y permisos.

Claude Code es el cliente de IA en terminal para programación que Anthropic lanzó en 2025 y que durante 2026 se ha consolidado como referencia: lleva al agente al shell para que planifique, lea y escriba ficheros, lance comandos y ejecute tests en tu propio entorno.

Frente a los asistentes que viven dentro del IDE (Cursor, Copilot Chat), los clientes de terminal —Claude Code, Codex CLI, OpenCode, Gemini CLI, GitHub Copilot CLI y Qwen Code— llevan el agente al shell: planifican, leen y escriben ficheros, lanzan comandos y ejecutan tests en tu propio entorno.

Codex CLI es el cliente de IA para programación que OpenAI lanzó para competir en la terminal con Claude Code y OpenCode.

La filtración de los source maps de Claude Code destapó la arquitectura interna del agente de Anthropic: su system prompt completo, los modos secretos (Undercover Mode, Buddy) y el cableado de herramientas, subagentes y permisos que el CLI monta sobre el modelo.

El navegador dejó de ser solo destino de testing para convertirse en una tool que el agente de IA maneja: navega, extrae, automatiza y valida en la web real.

GitHub Copilot es el asistente de IA para programar de GitHub/Microsoft: nació como autocompletado en VS Code (GhostText) y en 2026 se ha extendido a la terminal con Copilot CLI y al chat conversacional con Copilot Chat.

El panorama de asistentes de código en 2025-2026 se reparte entre IDE (Cursor, GitHub Copilot Chat, Gemini Code Assist) y terminal (Claude Code, Codex CLI, Gemini CLI, Qwen Code, OpenCode), con filosofías que van del copiloto que autocompleta al agente que planifica y ejecuta.

Frente a los clientes de IA para terminal como Claude Code, Codex CLI u OpenCode, los IDE agénticos integran el agente dentro del editor: contexto del archivo abierto, selección activa, diff en vivo y navegación multi-tab.

El ecosistema de agentes de IA para programar rota tan rápido que migrar entre herramientas (Copilot → Claude Code, Claude Code → Codex/OpenCode) se ha convertido en tarea recurrente.

OpenCode es un cliente de IA open source para programar desde la terminal, planteado como alternativa libre a Claude Code y al resto de clientes propietarios (Codex CLI, Gemini CLI, Copilot CLI).

Whisper y servicios de transcripción convierten audio y vídeo en texto, punto de partida para generar resúmenes, artículos, subtítulos e índices buscables.

Las skills de IA especializadas en vídeo —Hyperframes, huashu-design, las skills de Remotion o frontend-slides— permiten producir contenido audiovisual y presentaciones a partir de HTML y un único prompt, sin necesidad de aprender edición tradicional.

Los Agent Skills son paquetes de instrucciones reutilizables que evitan repetir contexto cada vez que arrancas una sesión con un agente de IA (Claude Code, Codex, Cursor, OpenCode, Gemini, Copilot…).

El AI harness es el andamiaje de herramientas, prompts, reglas, verificaciones y flujos que envuelve a un modelo de lenguaje para convertirlo en un agente útil de verdad.

Protocolo cliente/servidor —nacido en Anthropic y abierto desde 2024— para que un LLM, desde su arnés (cliente), invoque tools ejecutables, consuma resources y reutilice prompts expuestos por un servidor que da acceso al mundo real: bases de datos, APIs, repos, ficheros.

Los permisos (permission request, permission mode) son la lógica que decide qué acciones de un agente se ejecutan solas y cuáles requieren tu visto bueno antes de correr.

Los plugins son el mecanismo de extensión más amplio de los agentes de IA para programación: paquetes que añaden capacidades al cliente (Claude Code, OpenCode, Codex) sin tocar su núcleo.

El ecosistema de agentes se está estandarizando alrededor de varios protocolos abiertos que resuelven problemas distintos: MCP (Model Context Protocol) conecta un agente con tools y datos externos; ACP y A2A (agent-to-agent) permiten que agentes de distintos proveedores colaboren; llms.txt es el estándar para que tu web sea legible por modelos; MPP (Model Payment Protocol) abre la puerta a que los agentes paguen por servicios.

Un sandbox («caja de arena», entorno aislado) es el espacio acotado donde dejas actuar a un agente de IA para que, si mete la pata, el destrozo se quede dentro y no toque tu máquina, tus credenciales ni producción.

Las Agent Skills y los plugins son código de terceros que se ejecuta en tu entorno con los permisos del agente —un vector de ataque nuevo que la seguridad clásica del código no cubre—.

La adulación o sycophancy es el sesgo por el que un modelo tiende a decirte lo que quieres oír: te da la razón, valida tu enfoque y rara vez te lleva la contraria de forma tajante.

Los LLM generan código sintácticamente correcto pero semánticamente falso con apariencia de certeza: la respuesta convence aunque sea inventada.

Los guardarraíles (guardrails) son los filtros y políticas que acotan lo que un agente puede hacer y decir: rechazan prompts fuera de dominio, validan el output contra un esquema, limitan qué herramientas puede llamar, imponen autenticación y recortan el consumo de tokens.

El Language Server Protocol expone diagnóstico de código (errores, tipos, referencias) de forma independiente del editor.

Metodología que mide la efectividad de los tests introduciendo pequeños cambios (mutantes) en el código de producción y comprobando si la suite los detecta: si un mutante sobrevive, el test es débil.

La IA se cuela en el último tramo del flujo Git: autocompleta mensajes de commit con Conventional Commits y gitmoji, redacta el título y el cuerpo de la Pull Request a partir del git diff y el git log, e incluso revisa la PR en modo agente.

La IA genera código a una velocidad que multiplica la superficie de ataque y comprime el tiempo de reacción ante vulnerabilidades.

Un test end-to-end (o test e2e) recorre la aplicación entera como lo haría un usuario real: abre el navegador, visita una página, rellena formularios, pulsa botones y comprueba el resultado, ejercitando de golpe el frontend, el backend y la base de datos.

El desarrollo guiado por tests (Red-Green-Refactor) es una metodología sencilla de definir y radical al aplicarla: escribe el test mínimo, hazlo fallar, escribe el código justo para que pase y refactoriza.

Un test unitario verifica la unidad más pequeña de código aislada (una función, un método, un componente) sin tocar el resto del sistema: se sustituyen las dependencias externas por dobles (mocks, stubs, spies) para que el test dependa solo del código bajo prueba y sea rápido, determinista y repetible.

La verificación automatizada es el conjunto de checks deterministas que el entorno ejecuta sin juicio: tests, linter, typecheck, build, pre-commit hooks.

La IA genera código sintácticamente perfecto que puede ser semánticamente incorrecto: compila, pero no hace lo que el negocio necesita.

AGENTS.md es el fichero fundacional que el harness carga en la ventana de contexto al inicio de cada sesión: el briefing permanente del proyecto al agente.

El tokenmaxxing es el conjunto de tácticas para exprimir cada token que le mandas a un modelo de IA: recortar contexto irrelevante, cachear respuestas, repartir trabajo entre subagentes, elegir el modelo más barato que resuelva la tarea y fijar quality gates deterministas que eviten rework.

La historia de usuario es el artefacto ágil que formaliza un requisito desde la perspectiva de quien usa el producto: «Como [rol], quiero [acción] para [valor]».

Estructurar un prompt es darle a un LLM rol, acción, contexto y formato de salida para que la respuesta sea útil a la primera y barata en tokens.

Ficheros fundacionales que alinean al agente de IA con el equipo: AGENTS.md, CLAUDE.md y el comando /init.

La Developer Experience es la ergonomía del oficio de programar: herramientas, atajos, linters, flujos y documentación que reducen la fricción del día a día.

El diseño de UI pasa de ser manual a estar asistido por IA mediante sistemas de reglas (DESIGN.md, design systems exportables a Claude Code) y skills especializadas (frontend-design, Impeccable, Penpot MCP, Visual Explainer).

Flujo práctico para sesiones con IA: gestionar el contexto como recurso escaso (zona inteligente al principio del prompt, zona tonta al final, lost-in-the-middle y coste cuadrático de tokens), alinear con system prompts y reglas de proyecto, trocear tareas en deltas pequeños, usar el PRD como documento de destino y el status line como brújula, separar tareas HITL (human in the loop) de las AFK que el agente corre solo, y ser dueño del stack para que el agente no replique tu deuda técnica.

La infoxicación del sector tech convierte "estar al día" en un trabajo a tiempo completo que nadie te paga.

El método SDD se ha popularizado tanto que ya hay una capa de herramientas que lo industrializan: frameworks que estandarizan el ciclo spec → plan → tareas → implementación para que humanos y agentes de IA trabajen sobre la misma fuente de verdad.

La IA rinde más como complemento que como sustituto cuando se enfrenta a código heredado: generar tests que el legacy nunca tuvo, añadir funcionalidades sin reescribir desde cero, documentar lo que nadie documentó y refactorizar fragmentos pequeños y acotados.

Cómo enchufar modelos LLM a una app web: las peticiones a la API del modelo se hacen siempre desde el backend (en el frontend no hay secretos), ahí se guardan las API keys y se gestiona el coste por tokens.

La pull request no es un trámite que estorba entre el commit y el merge: es el rito que cierra el ciclo de un cambio, desde la issue que lo motiva hasta la rama protegida que lo fusiona.

Modern Web Guidance es el paraguas con el que Google empieza a publicar skills oficiales para el desarrollo web contemporáneo.

Usar la IA para validar ideas y llegar a un prototipo funcional en horas, no en semanas.

Cómo elegir qué construir primero con IA: la regla del 344 como brújula para decidir entre automatizar un flujo manual o construir una herramienta de gestión propia.

SPDD pone el prompt estructurado como fuente de verdad versionada: el prompt deja de ser una instrucción efímera en el chat y se convierte en un artefacto git, con su historial, sus revisiones y su contrato implícito.

Cuando la IA escribe el código, el rigor de ingeniería se traslada a la especificación.

Hacia dónde se mueve el desarrollo con agentes de IA en 2026: el agente deja de ser un asistente de autocompletado y pasa a orquestar su propio bucle de trabajo (planificar, ejecutar, verificar, corregir).

El vibe coding es el flujo asistido por IA en el que describes en lenguaje natural y el modelo genera código sin que tú teclees.

El giro del oficio: pasar de teclear cada línea a planificar, dirigir y —sobre todo— revisar lo que generan los agentes.

El uso cotidiano de la IA acelera la productividad, habilita el prototipado rápido y personaliza el aprendizaje, pero también trae infoxicación, ansiedad, pérdida de habilidades, síndrome del impostor y un menor espíritu crítico cuando se delega sin supervisión.

Si la IA escribe todo el código, el rigor de ingeniería se traslada a las especificaciones y los tests: el TDD se vuelve una forma de prompt engineering para validar lo generado.

Cómo dar los primeros pasos creando proyectos con IA sin perder criterio: elegir entre un modelo (LLM) y un agente (harness), ajustar el presupuesto —gratuito, API de pago o suscripción— y seguir un flujo de planificar, ejecutar y verificar.

Qué habilidades suben de valor cuando la IA programa: pensar en tipos y diseño de sistemas, mantener criterio y mentalidad de principiante, ser generalista, gestionar varios contextos y agentes a la vez, entender al usuario real y comprender cómo funcionan los modelos por dentro.

El miedo existencial a que la IA reemplace al programador es la «patada en la silla» que obliga a reinventarse: quien cree que su oficio no ha cambiado ya se ha quedado sin silla, aunque todavía no lo sepa.

La IA para programación tiene un cánon de personas cuyas decisiones y herramientas marcan el campo.

La IA entra en los procesos de selección técnica por varias vías: plataformas que automatizan el matching candidato‑empresa, herramientas que filtran CVs y perfiles de LinkedIn a escala, y experimentos biometricos como el escaneo de iris que colisionan frontalmente con la GDPR y la futura regulación europea de la IA.