| name | project-development |
| description | Metodología para el desarrollo de proyectos basados en agentes, desde la ideación y validación de "Task-Model Fit" hasta la arquitectura de pipelines de producción. |
🚀 Agentic Project Development
Esta habilidad proporciona una metodología estructurada para construir aplicaciones y sistemas impulsados por agentes de IA. A diferencia del desarrollo tradicional, los proyectos de agentes requieren un enfoque centrado en la gestión de la incertidumbre, la validación de capacidades del modelo y la construcción de pipelines robustos e idempotentes.
Mental Model: No automatices por intuición; automatiza por evidencia. El éxito de un proyecto de agente depende de encontrar el "Task-Model Fit" y construir una infraestructura que permita iterar sobre los prompts y datos sin romper el flujo de ejecución.
🚩 Fragilidad y Autonomía
- Fragilidad: Alta. La deriva de rendimiento del modelo y la ambigüedad de los datos de entrada pueden invalidar una arquitectura en días.
- Libertad: Media en la elección de herramientas, pero Baja en la disciplina de validación y estructuración de pipelines.
🚀 Cuándo Activar
- Al iniciar un nuevo proyecto que involucre agentes autónomos o flujos de trabajo de LLM.
- Para evaluar si una tarea es apta para ser automatizada con la tecnología actual.
- Al diseñar la arquitectura de un sistema de procesamiento por lotes (batch processing) o análisis de datos masivos.
- Para rescatar proyectos de agentes que han fallado debido a falta de estructura o costes excesivos.
🧠 Ciclo de Vida del Proyecto Agentic
1. Discovery & Task-Model Fit
¿Es la tarea apta para el modelo actual?
- Manual Prototyping: Realiza la tarea manualmente en el chat. ¿Puede el modelo hacerlo consistentemente?
- Complexity Assessment: ¿Requiere razonamiento multi-paso, acceso a herramientas o solo síntesis?
- Boundary Definition: Define qué NO hará el agente para evitar "scope creep" y fallos catastróficos.
2. Pipeline Architecture (The Canonical Flow)
Divide la tarea en etapas deterministas siempre que sea posible:
- Acquire: Obtención de datos crudos (Web, DB, Files).
- Prepare: Limpieza y formateo para el contexto del LLM.
- Process: La única etapa que involucra llamadas al LLM (Gemini 3).
- Parse: Extracción de datos estructurados de la respuesta.
- Render: Generación del output final (UI, Reporte, Código).
3. Filesystem as State Machine
Usa el sistema de archivos para mantener el estado de la tarea. Cada etapa debe leer de una carpeta y escribir en otra, permitiendo reinicios y depuración atómica.
🛠️ Implementación en Gemini Elite Core
Patrón: Architectural Reduction
A medida que los modelos (ej. Gemini 3 Ultra) se vuelven más capaces, simplifica la arquitectura.
- Antes: Necesitabas 5 agentes y un supervisor para un resumen técnico.
- Ahora: Un solo prompt con un buen "Context Engineering" puede lograr lo mismo con menor latencia y coste.
Patrón: Idempotencia y Caching
Asegura que re-ejecutar el pipeline no desperdicie tokens si los inputs no han cambiado.
bun run pipeline.ts --stage process --batch-id 2026-03-02
🔗 Integraciones
evaluation: Validación de cada etapa del pipeline.filesystem-context: Implementación del almacenamiento de estado.context-optimization: Maximización de la señal en la etapa de 'Process'.
📚 Referencias Internas
references/case-studies.md: Análisis de proyectos reales (Análisis de mercado, Refactorización masiva).references/pipeline-patterns.md: Patrones técnicos de parsing, manejo de errores y estimación de costes.
