Trabajar bien: hábitos que se acumulan
Ya sabes cómo funciona todo, pero tus sesiones aún divagan y queman tokens. ¿Qué hábitos lo arreglan de verdad?
La idea que hay dentro
Acota la tarea, da el contexto adecuado, mantén la ventana limpia, planifica y verifica.
Después de esta lección
Puedes aplicar hábitos diarios, acotar, higiene de contexto, verificar, para sacarle más a las herramientas de programación con IA.
Adónde lleva
Ya manejas bien el harness, pero ¿cómo se conecta a tus herramientas y datos? Un protocolo los une.
Dentro de esta lección
Ese es el escenario real de la lección, en pausa. Reclama tu pase para operarlo.
Mira cómo funciona la IA de verdad, de principio a fin.
Esta lección es solo una parada del arco completo. Desbloquéalo todo y consérvalo de por vida.
Lo que obtienes
- El camino principal de 34 lecciones, una ruta que sí se termina, de una palabra a los agentes
- Rutas por objetivo para usar IA en el trabajo y construir funciones con IA
- Labs de jefe que te hacen aplicar un acto entero, no solo reconocerlo
- Repaso espaciado que trae cada idea de vuelta antes de que la olvides
- Memoria del curso: cada término definido, con enlaces a donde aparece por primera vez
- Una tarjeta de capacidades para compartir cuando termines el camino principal
- Acceso de por vida en cualquier dispositivo, con todas las lecciones futuras incluidas
No son videos para mirar. Predices, operas la máquina y luego lo demuestras. Por eso se queda.
99 lecciones y retos interactivos. Sin videos, sin código.
Pase de lanzamiento gratis: acceso de por vida, sin tarjeta
¿Nuevo por aquí? Las primeras lecciones son gratis para probar. Empieza con la lección 0.1
Qué muestra esta lección
Acota la tarea, da el contexto adecuado, mantén la ventana limpia, planifica y verifica.
La pregunta con la que abre
Ya sabes cómo funciona todo, pero tus sesiones aún divagan y queman tokens. ¿Qué hábitos lo arreglan de verdad?
El recorrido, en palabras de la propia lección
- Misma tarea, dos sesiones. Toca la barra que crees que quemó más tokens.
- Así se lee una tarjeta de hábito: la forma descuidada → la forma deliberada.
- Da vuelta las otras cuatro. Cada una se conecta con un mecanismo que ya conoces.
- Las mismas herramientas, mucho menos manoteo: todo está en los hábitos.
- Los conteos de turnos y tokens son ilustrativos, inventados para mostrar la forma, no sesiones medidas.
- El mismo context window, el mismo deterioro, el mismo loop. Entonces, ¿por qué dos cuentas tan distintas?
- Correcto: el harness reenvía la sesión creciente en cada turno; el caching descuenta el prefijo estable (6.4), pero los turnos que dan vueltas nunca salen gratis. El arreglo no es un modelo más listo; son cinco pequeños hábitos.
- Al revés. La meta acotada corre en línea recta; la vaga da vueltas, y el harness reenvía la sesión creciente en cada turno que da vueltas. El caching descuenta el prefijo estable, pero los turnos de más nunca salen gratis.
- La tarjeta 1 está abierta: el frente era la forma descuidada; el reverso muestra la forma deliberada, el porqué y la ganancia.
- Ahora puedes manejar cualquier agent harness de forma deliberada, no a la esperanza: cura el contexto, mantenlo limpio, planifica y verifica.
- Las herramientas seguirán cambiando, nuevos harnesses, ventanas más grandes, modelos más afilados, pero estos principios no. Cada hábito ataca una propiedad fija del loop: el modelo solo ve el context window, esa ventana se deteriora a medida que se llena, cada turno reenvía la sesión creciente (el caching descuenta el prefijo estable, pero los turnos que dan vueltas nunca salen gratis), y un resultado de herramienta es una afirmación, no la verdad. Modelos más grandes y más listos no derogan ninguna de ellas, así que curar, limpiar, planificar y verificar siguen rindiendo.
- Dos personas le dan a un coding agent la misma tarea. Una escribe "arregla mi app" y gasta una fortuna dando vueltas 20 turnos; la otra la acota bien y termina en 4. Mismo modelo, mismas tools. ¿Qué los separó?
- Hábitos, no potencia. El harness reenvía la sesión creciente en cada turno; el caching descuenta el prefijo estable, pero los turnos que dan vueltas nunca salen gratis. Acota la tarea, da solo el contexto correcto, planea antes de actuar y verifica la salida: eso se acumula en cualquier harness.
- La sesión creciente se reenvía en cada turno, así que los turnos perdidos multiplican la cuenta.
- Largo de la barra = turnos que tomó la sesión. Toca la barra que quemó más tokens.
La idea clave
Puedes manejar cualquier harness de agente con intención, no con esperanza.
Qué puedes hacer después de esta lección
Puedes aplicar hábitos diarios, acotar, higiene de contexto, verificar, para sacarle más a las herramientas de programación con IA.
Ponte a prueba: ¿Qué hábito mejora más el resultado de un agente?
- Darle el contexto correcto, no todo el contexto(correcta)
- Pegar siempre todos los archivos que tengas
- Nunca planear, solo dejarlo correr
- Mantener una sola sesión infinita para siempre
El contexto relevante supera a más contexto. Volcarlo todo diluye la señal; unos pocos archivos bien elegidos guían mejor al modelo.
Adónde lleva: Ya manejas bien el harness, pero ¿cómo se conecta a tus herramientas y datos? Un protocolo los une.
Este es el resumen escrito. La lección en sí es interactiva: arriba predices, arrastras y operas el mecanismo, y la revelación te responde.