modern-software-engineering

name	modern-software-engineering
description	Aplicá ingeniería de software moderna al diseñar arquitectura, planear refactors, revisar código, definir una estrategia de tests o mejorar delivery mediante feedback ejecutable.

Ingeniería de software moderna

En 30 segundos

• Qué es: ingeniería como aprendizaje disciplinado mediante feedback ejecutable.
• Problema: cambios grandes o sin hipótesis postergan la evidencia y acumulan complejidad.

Tratá cada cambio como una hipótesis refutable. Para fundamentos y fuentes, consultá references/dave-farley-modern-software-engineering.md.

Proceso

Paso	Acción	Cierre
1. Formular	Expresá el objetivo de aprendizaje y la observación que refutaría la propuesta.	La hipótesis distingue claramente éxito, falla e incertidumbre.
2. Recortar	Elegí el incremento útil más chico que sea seguro, reversible y entregable.	El paso reduce una incertidumbre concreta sin una reescritura especulativa.
3. Diseñar feedback	Para comportamiento, usá Red → Green → Refactor: test o reproducción en rojo, implementación mínima en verde y pasada explícita de refactor. Si TDD no aplica, nombrá la evidencia equivalente antes de implementar.	El check falla por la razón esperada o la evidencia sustituta está definida y justificada.
4. Gestionar complejidad	Durante Refactor, revisá modularidad, cohesión, separación de responsabilidades, information hiding, abstracción y coupling.	La complejidad accidental disminuye o queda aceptada con una razón observable.
5. Evaluar delivery	Estimá el efecto sobre confiabilidad, recovery, frecuencia y seguridad de entrega.	El cambio no mejora throughput ocultando un costo de estabilidad, ni al revés.
6. Verificar	Corré los checks relevantes, preservá comandos/resultados y comparalos con la hipótesis.	La evidencia permite avanzar, frenar o revertir sin depender de confianza declarada.

En dynamic workflows, diseñá primero el check que juzga la corrida; exigí artifacts concretos por rama; preservá fallas y cobertura; y agregá review adversarial solo cuando aumente la calidad del feedback.

Contrato de salida

Incluí solo los campos aplicables:

• Objetivo de aprendizaje: hipótesis y señal que la refutaría.
• Paso más chico: incremento reversible elegido.
• Feedback: Red inicial o evidencia equivalente, más resultado observado.
• Complejidad: efecto sobre cohesión, límites, information hiding y coupling.
• Estabilidad/throughput: trade-off esperado y observado.
• Condición de stop: evidencia para seguir, frenar o revertir.

Criterio de cierre

Terminá cuando la hipótesis, el recorte y el feedback estén vinculados con evidencia observada; la pasada de Refactor haya ocurrido y su resultado esté narrado, incluso si no había nada que cambiar; y el efecto sobre estabilidad y throughput sea explícito. Sin esa evidencia, reportá aprendizaje pendiente.

Fronteras y deferencias

Decisión	Skill responsable
Cuánto delegar a IA y qué ownership conserva la persona	ai-assisted-engineering
Test list, step size y tidy first/after/later/never dentro de TDD	empirical-software-design
Legibilidad, SOLID con síntomas y Dependency Rule	clean-craftsmanship
Composición y ejecución del workflow multiagente	ultracode