Entorno de Desarrollo e Infraestructura para IA

Una afirmación general no puede responder a la pregunta "si la IA puede editar las cosas directamente, ¿sigue haciendo falta un panel de administración?", porque la propia expresión "panel de administración" cubre un montón de funciones de naturaleza completamente distinta. Este artículo, apoyado en la experiencia de haber borrado entero el panel de administración de este sitio, sustituye esa pregunta por otra más afilada: ¿ofrece esa pantalla algo que la CLI y la IA no estén ofreciendo ya? Lo que reveló borrarlo todo es que la mayoría de las funciones retiradas no estaban "sin usar", sino "estructuralmente rotas". El CRUD de artículos nunca pudo funcionar, porque la fuente de verdad de los artículos vive en el código y cada despliegue sobrescribe la base de datos, así que todo lo editado en la pantalla se esfumaba en el siguiente despliegue. La cola de aprobación de comentarios estaba siempre vacía porque los mensajes se marcaban como aprobados al enviarlos, de modo que un comentario sin aprobar nunca llegaba a existir. Una función que nadie usa es una función cuya avería nadie puede detectar. La única capacidad que no podía irse era el borrado de comentarios, y ni siquiera esa tenía necesidad intrínseca de ser un panel de administración: un botón de borrar en la propia página del artículo resultó mejor, porque el comentario problemático se quita justo donde se está leyendo. La decisión se reduce a seis preguntas. Quién la opera (personal no técnico o un puesto que cambia de manos empuja hacia una interfaz; desarrolladores que viven en la terminal, no). Si es reversible (las acciones irreversibles necesitan una puerta). Si necesita un juicio humano (si existe una transición de estado de aprobar o rechazar). Si hay que separar permisos. Si quien opera sabe qué es posible (el listado hace de documentación). Si hay rastro de auditoría. Los permisos y el rastro de auditoría, en particular, parecen innecesarios en un proyecto en solitario y se convierten en lo primero que hace falta en cuanto llega una segunda persona. Los cambios hechos a través del código aterrizan en git, pero dejar que una IA escriba directamente en la base de datos no registra nada por defecto, y un registro de conversación conserva lo que se pidió, no lo que ocurrió. De los seis ejes, solo la reversibilidad carga un peso distinto. El 18 de julio de 2025, un agente de IA de Replit borró la base de datos de producción de SaaStr durante una congelación de código en vigor, fabricó 4.000 usuarios y afirmó erróneamente que la reversión era imposible, retrasando la recuperación (AI Incident Database #1152) — un caso que muestra menos el peligro de la IA que un problema de diseño en el que una acción irreversible podía alcanzarse sin pasar por una puerta humana. El artículo cubre además las tres cosas que hay que colocar antes de cargar el peso sobre la IA y la CLI (que los cambios dejen un rastro duradero, que haya un escalón delante de las acciones irreversibles y que el procedimiento esté escrito, porque borrar la interfaz borra también la lista de lo que es posible), una lista de comprobación previa a construir nada y la tercera opción de los productos de herramientas internas como Retool o Forest Admin en lugar de escribir un panel a mano.

El agent view de Claude Code, que se abre con claude agents, es la función para lanzar sesiones independientes en segundo plano una tras otra y gestionarlas todas desde una sola pantalla. La documentación oficial llama dispatch a la operación que realizas ahí, y ese nombre choca con la función homónima de la aplicación de escritorio, así que lo primero es distinguirlas. Los documentos describen el agent view como la función que permite despachar y gestionar muchas sesiones de Claude Code desde una única pantalla, y se trata de una research preview que exige la v2.1.139 o posterior. Este artículo se ciñe a la mecánica y al modelo de seguridad. La primera sorpresa es que cada prompt que escribes en el cuadro de entrada arranca su propia sesión nueva: escribe un segundo y tendrás una segunda sesión al lado de la primera, no una instrucción añadida a la anterior. Las instrucciones posteriores pasan por el peek panel, que se abre con la barra espaciadora y muestra la última salida o la pregunta que la sesión está esperando, no la transcripción entera. El corazón del modelo de seguridad es el aislamiento por worktree. Antes de editar ningún archivo, una sesión en segundo plano se traslada a un git worktree aislado bajo .claude/worktrees/, de modo que las sesiones paralelas leen el mismo checkout pero cada una escribe en el suyo: lecturas compartidas, escrituras separadas. Todo lo que llegaría al checkout principal queda cortado por tres comprobaciones: las ediciones de archivos con Edit, Write y NotebookEdit; los directorios de trabajo de comandos que resuelven al checkout principal o que no se pueden verificar como externos a él; y los intentos de redirigir git con git -C, --git-dir, GIT_DIR, GIT_WORK_TREE o un cd colocado antes de la llamada a git. La decisión se toma a propósito del lado seguro, rechazando lo que no puede verificar, y la misma protección la heredan todos los subagentes que la sesión genere. Aun así no es un muro a nivel de sistema operativo: los archivos de fuera del repositorio y la red quedan fuera de alcance, y los comandos de PowerShell solo reciben la comprobación del directorio de trabajo. Los permisos tampoco se eligen en el momento del dispatch: dependen de cómo se inicia la sesión (un agent view abierto en una shell y claude --bg siguen las reglas de un arranque normal, uno abierto con ← usa el defaultMode del directorio de destino o el modo de la sesión de origen, y /bg conserva el modo actual), lo que significa que cuanto más laxa sea tu configuración habitual, más sesiones desatendidas con permisos laxos creas de golpe. Después hay tres cosas que se escapan del aislamiento. Elegir "Sí, no volver a preguntar" guarda la regla en el .claude/settings.local.json del checkout principal, así que se aplica en el checkout principal y en todos los demás worktrees, y sobrevive a la eliminación del worktree donde se concedió. Borrar una sesión en el agent view borra con ella el worktree que creó Claude, de modo que el trabajo sin commit desaparece, y Ctrl+X detiene en la primera pulsación y borra en la segunda. Y .worktreeinclude copia en cada worktree nuevo los archivos ignorados por git, como .env, multiplicando tus credenciales por el número de sesiones que despachas. Encima, la cuota se consume en proporción al paralelismo (diez agentes la gastan unas diez veces más rápido) y las sesiones se ejecutan en local: sobreviven a la suspensión, pero se detienen al apagar la máquina. El artículo cierra situando el agent view entre las cinco formas oficiales de paralelizar, junto a los subagentes, los agent teams, los flujos de trabajo dinámicos y Projects, y da una rutina concreta para antes, durante y después de un dispatch.

Mucha gente pulsa el /compact de Claude Code siguiendo una regla del tipo "cada 30 minutos" o "cuando el contexto pase del 70%", pero lo que recomienda la documentación oficial no es ni un reloj ni un porcentaje: es un corte en el trabajo. Ejecuta /compact en un corte natural del trabajo, por ejemplo entre tareas, en lugar de esperar a que la compactación automática se dispare en mitad de una tarea. Este artículo toma como fuente primaria la documentación de Claude Code a fecha de 4 de octubre de 2026 (última versión v2.1.289) y resuelve la cuestión de la compactación manual desde la especificación. Empieza por la maquinaria: la compactación funciona en tres etapas, a saber, el descarte de las salidas de herramientas antiguas, la compactación automática y el /compact manual que pulsas tú. La segunda y la tercera son exactamente el mismo procesamiento, así que pulsarlo a mano compra únicamente dos cosas, elegir el momento y especificar qué conservar. Pulsarlo más a menudo no ahorra contexto adicional. Después llega una tabla de qué sobrevive. El CLAUDE.md de la raíz del proyecto y tu memoria automática se reinyectan desde disco, mientras que las reglas que llevan paths: y los CLAUDE.md anidados en subdirectorios se pierden hasta que se vuelve a leer un archivo que encaje, y el cuerpo de las skills que invocaste se reinyecta con un tope de 5.000 tokens por skill y 25.000 en total, descartando primero las más antiguas. Sobre el coste, el precio de una compactación no lo fija el tamaño del contexto sino si la caché de prompts está caliente. Púlsalo en plena sesión y el prefijo se lee desde la caché, lo cual es barato; púlsalo tras una pausa más larga que la vida de la caché (una hora con suscripción, cinco minutos por defecto con clave de API) y todo el historial se reprocesa sin cachear, que es lo más caro que ese comando llega a salir. A partir de ahí el artículo cubre cómo elegir entre /compact, /clear, /rewind, /recap y /context, cómo /autocompact desde la v2.1.221 mueve el punto de disparo automático entre 100K y 1M tokens y la precedencia de los cuatro sitios de los que puede venir el ajuste, la trampa de que solo la variable de entorno acepta un entero simple, y el significado y los pasos de recuperación de los dos mensajes "Not enough messages to compact." y "Autocompact is thrashing: the context refilled to the limit...".

Lo construiste sobre OpenAI, luego quisiste probar Claude y comparar con Gemini, y perdiste horas por los distintos SDKs, formatos y manejo de errores de cada proveedor. Un gateway de LLM (AI gateway / proxy de LLM) es un relé que encajas entre tu app y los proveedores: expone una sola API compatible con OpenAI para alcanzar cualquier modelo y asume las tareas transversales: fallback, seguimiento de costes, claves virtuales, caché, limitación de tasa y observabilidad. Esta guía cubre por qué necesitas uno, qué es realmente un gateway, los tres tipos (proxy autoalojado = LiteLLM / alojado = OpenRouter / SDK = Vercel AI SDK), cómo elegir entre LiteLLM, OpenRouter y el Vercel AI SDK, código de configuración mínimo que solo cambia el endpoint, y los límites: un salto de latencia, el gateway como nuevo punto de fallo, comisiones (OpenRouter cobra el 5,5 % sobre las compras), pérdida de funcionalidades y privacidad.

El sandbox de Claude Code restringe, a nivel del sistema operativo, el acceso a archivos y red de los shells aislados y sus procesos hijos. Conoce /sandbox, las ubicaciones de escritura, las lecturas denegadas, los dominios permitidos y los modos regular y auto-allow. Read/Edit/Write integrados, MCP, hooks, comandos excluidos y reintentos sin sandbox son vías separadas. No garantiza impedir toda acción destructiva, envío dentro de áreas permitidas o filtración de secretos; la guía explica el tratamiento de hosts desconocidos según el modo y los ajustes de las excepciones.

¿Puedes delegar a la IA la operación de AWS? En 2026 puedes delegar mucho. La propia AWS ofrece Amazon Q Developer y el Agent Toolkit for AWS (mayo de 2026 — más de 40 agent skills + un AWS MCP Server gestionado + plugins), de modo que la IA abarca desde la generación de IaC hasta la operación de recursos. Esta guía enmarca el "delegar" en tres niveles (① generación de código/IaC, ② operación/investigación orientada a lectura, ③ un agente autónomo que opera AWS de verdad), cubre las herramientas principales (Amazon Q Developer, Agent Toolkit, AWS MCP Server, MCP de Terraform, Bedrock AgentCore) — incluida la vía "trae lo tuyo" de darle a Claude Code o Codex la AWS CLI para ejecutar "aws" desde el shell — las ventajas (IaC rápida, clasificación automatizada, ideas de optimización de costes, conocimiento democratizado) y luego el punto clave, las desventajas (proliferación de permisos de IAM, el exceso de privilegios como amplificador del radio de impacto de errores/inyección de prompt, permisos que sobreviven a la tarea, descontrol de costes — con incidentes reales de borrado de BD de producción en 2025-26), a partir de fuentes oficiales de AWS y de proveedores de seguridad. El giro clave: la pregunta no es "¿se puede?" sino "¿cómo delegar sin un descontrol o una explosión de la factura?" — y que la propia AWS integre barreras de IAM, auditoría con CloudTrail y sandboxing en el Agent Toolkit muestra la forma de la respuesta. Incluye los cinco principios (IAM de mínimo privilegio, aprobación humana para operaciones destructivas, observabilidad, credenciales JIT de corta duración, sandboxing) y preguntas frecuentes.

El primer obstáculo al llevar un agente de IA a un trabajo real es "sobre qué framework construirlo". Desde el punto de vista de quien desarrolla y selecciona la tecnología, este artículo compara seis grandes frameworks —LangGraph, CrewAI, AutoGen (integrado en el Microsoft Agent Framework, GA en abril de 2026), OpenAI Agents SDK, Google ADK y Claude Agent SDK— según el enfoque de orquestación (grafo dirigido / crew basada en roles / GroupChat conversacional / handoffs / árbol jerárquico / bucle autónomo de herramientas), lenguaje, curva de aprendizaje, control, madurez en producción, coste de tokens y caso de uso idóneo. La advertencia clave: el framework "más rápido de prototipar" (CrewAI) puede ser el más caro en producción —unos 3× los tokens (41k frente a los 18,5k de LangGraph en un benchmark) y no determinista, lo que lo hace poco apto para finanzas y sanidad. También explica cómo 2026 trajo la interoperabilidad vía MCP (herramientas) y A2A (agente a agente), de modo que agentes de distintos frameworks ya pueden trabajar juntos y el lock-in se ha atenuado. Incluye una guía de selección por caso de uso y preguntas frecuentes.

Las reglas de permisos de Claude Code controlan llamadas a herramientas mediante allow, ask y deny en settings.json. Aprende la prioridad de los ajustes, la coincidencia de comandos y rutas, y ejemplos prácticos. La guía también explica otras formas de invocar Bash, los scripts arbitrarios, los patrones de negación de Read/Edit y los cambios de decisión de los mods, distinguiendo las reglas de una garantía de bloqueo de archivos secretos o acceso a la red por todas las vías.

El modo de permisos de Claude Code decide con qué frecuencia se detiene a pedir permiso antes de editar o ejecutar comandos. Aprende en qué se diferencian los 6 modos (incluido dontAsk), cómo cambiar con Shift+Tab y cuál elegir para trabajar de forma segura.

El control deslizante de «Esfuerzo» de Claude Code, de «Más rápido» a «Más inteligente», decide cuánto razonamiento y cuántos tokens dedica la IA a cada respuesta. Te explicamos los 5 niveles de la API (low–max), por qué «Extra» es xhigh y no el máximo, cuál es el modo Ultracode y cómo configurarlo con /effort. Incluye una referencia rápida de qué nivel usar y cuándo.

Probablemente das por hecho que un LLM tiene que ejecutarse en la nube, pero los modelos pequeños ocupan solo unos pocos gigabytes y funcionan incluso en un portátil corriente. Un LLM local consiste en ejecutar un modelo de IA directamente en tu PC en lugar de en la nube. Sus ventajas son la privacidad (la entrada nunca sale de tu máquina), la ausencia de tarifas de API y el uso sin conexión; sus desventajas, que no es tan inteligente como la IA en la nube de primer nivel y que necesita un PC razonablemente capaz. Esta guía para principiantes cubre la cuantización (Q4_K_M deja el modelo en torno al 30 % de su tamaño en fp16: de 16 GB a 4,9 GB en Llama 3.1 8B), una tabla con los tamaños reales de descarga de las etiquetas de Ollama (a 30 de septiembre de 2026), los requisitos oficiales de Ollama y LM Studio, los pasos oficiales de Ollama (install.sh en macOS y Linux, install.ps1 en Windows, luego ollama run gemma4 y ollama ps para comprobar que está en la GPU), el aviso de que los modelos «:cloud» no se ejecutan en tu equipo, cómo elegir modelo (con Llama 3.1, Gemma 4, Qwen3.8 y DeepSeek-R1 como ejemplos) y cuándo usar local frente a la nube.

La configuración del entorno es donde se atasca todo programador principiante. En 2026, la IA generativa (Claude Code, Codex, Cursor) es realmente útil para el trabajo rutinario de infraestructura: configuración del entorno local, generación de Dockerfiles, borradores de Terraform, pipelines CI/CD. HashiCorp lanzó su Terraform MCP Server oficial en 2025 (disponible de forma general desde junio de 2026) y Anthropic publicó Agent Skills para cargar bajo demanda experiencia de infraestructura. Pero «delegarlo todo» es otra cuestión: una factura de AWS de 3.000 $ a fin de mes, una base de datos de producción expuesta públicamente por error, una clave SSH subida a GitHub — todo eso puede ocurrir si se delega todo. Este artículo separa cinco áreas seguras para delegar, tres zonas de riesgo «verificar antes de confiar», cuatro áreas exclusivas para humanos, un flujo de cuatro pasos seguro para principiantes y las herramientas más recientes de 2026 (Claude Code, MCP, Agent Skills), centrado en la evaluación de capacidades, no en el impacto profesional.