Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarHabr AI→ original

YooMoney delega en agentes de IA la revisión de 411 comentarios sobre un único cambio en la documentación

En YooMoney, un único pull request (una solicitud de cambios en la documentación) acumuló 411 comentarios de revisores. Para el agente de IA escribieron una instrucción que los reparte en tres montones: la respuesta ya está en el documento, hace falta contrastar con el código, o la pregunta está realmente abierta. El agente prepara los borradores de respuesta; el analista los publica y toma las decisiones. La conclusión: conviene dar a los agentes la rutina con reglas claras y dejar la elección de la solución a las personas.

Procesado por IA desde Habr AI; editado por Hamidun News
YooMoney delega en agentes de IA la revisión de 411 comentarios sobre un único cambio en la documentación
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1Skill es una instrucción para una tarea concreta; Agents.md guarda el contexto del proyecto
Dato clave #2Trabajan en el OpenCode corporativo y los skills están en un repositorio común
Dato clave #3El artículo no da cifras de ahorro de tiempo y los 411 son un caso excepcional

Imagine que escribe una solución técnica, la publica para su aprobación y sus compañeros le dejan 411 comentarios. Así fue uno de los pull request de YooMoney. Un pull request es una solicitud para incorporar cambios: el equipo debate en ella las modificaciones y, con el enfoque Docs-as-Code (la documentación vive en el repositorio junto al código), también se aprueban así las descripciones técnicas. Arina, analista de sistemas de la compañía, contó en Habr cómo lidia su equipo con estas avalanchas: en lugar de un chat con una red neuronal, construyeron un conjunto de agentes de IA con escenarios repetibles. La propia autora califica el caso de los 411 comentarios de excepcional, pero muestra bien dónde rinde la automatización.

Del prompt al proceso

El consejo principal del equipo: no empiece por el prompt, empiece por el proceso. El trabajo de un analista suele arrancar con una tarea en Jira en la que faltan requisitos. Hay que buscar contexto, hablar con equipos vecinos y comprobar que se han cubierto todos los escenarios. En ese ciclo hay pasos que exigen experiencia y pasos que se pueden formalizar. La decisión arquitectónica no se delega en la IA. En cambio, verificar que un documento cumple las convenciones, encontrar soluciones similares en el historial del proyecto o esbozar el borrador de una descripción sí se puede automatizar sin problema.

En YooMoney usan la herramienta corporativa OpenCode y cuatro conceptos básicos. El agente recibe una tarea, recorre las fuentes y entrega un resultado. Un skill es una instrucción para una tarea concreta: el orden de las acciones y las fuentes se describen una sola vez y después basta con indicar al agente qué documento revisar. Un comando es el lanzamiento rápido de un escenario ya preparado, por ejemplo «describe los cambios del commit». El archivo Agents.md guarda el contexto básico del proyecto: la estructura del sistema, los recursos disponibles y las reglas, para que el agente no tenga que reconstruirlo en cada consulta.

Qué se delegó exactamente en los agentes

El primer escenario es la búsqueda de contexto histórico. Un proyecto puede reactivarse al cabo de varios años, cuando el código ha cambiado y las decisiones solo sobreviven en discusiones antiguas. El skill reúne las tareas pasadas, los debates y la implementación actual en el código. El analista no recibe una solución cerrada, sino un punto de partida: qué se hizo ya y qué restricciones existen.

El segundo escenario pone a la IA en el papel de oponente. El analista formula primero su hipótesis y el agente la somete a prueba. Pregunta qué pasa si un sistema externo no está disponible, cómo se comportará el timeout, qué alternativas no se han considerado y qué casos límite han quedado fuera de plano.

El tercero y el cuarto son la documentación y la revisión. El agente conoce la estructura del documento y las reglas de formato, así que prepara el borrador, busca erratas, duplicados y lagunas lógicas, y construye un diagrama a partir del texto y viceversa. Para la revisión crearon un skill que clasifica comentarios. Esos mismos 411 comentarios, el agente los divide en tres grupos: la respuesta ya está en el documento, hace falta contrastar con el código, o la pregunta está realmente abierta y puede cambiar la decisión. Escribe borradores de respuesta, pero es el analista quien los publica y toma las decisiones.

El quinto escenario es la actualización de la documentación tras un lanzamiento. El agente compara la solución técnica con el código y las tareas y entrega una lista de discrepancias. El analista confirma qué cambios hacen falta y solo después el agente actualiza el documento.

Reglas para que la automatización no se convierta en otro trabajo más

El equipo formuló tres principios. Primero: un skill, una tarea. Si un escenario ha crecido y ejecuta varias operaciones sin comprobación intermedia, conviene dividirlo. Segundo: registrar los resultados intermedios en una memoria externa del proyecto, para no reconstruir el contexto a partir de un chat interminable. Tercero: guardar skills, comandos e instrucciones en un repositorio común, organizados por áreas. Al principio cada uno hacía herramientas para sí mismo, pero los escenarios compartidos para tareas del mismo tipo, que habían pasado revisión, resultaron más eficaces.

Lo que queda fuera de plano

La autora señala un riesgo: si uno se apoya de forma constante en respuestas ya hechas, puede dejar de entender los detalles. Por eso la regla es esta: primero va la hipótesis propia y después la verificación del agente. El valor del analista, a su juicio, está en responsabilizarse del resultado, en la calidad de los datos de entrada y en saber evaluar el trabajo de la IA.

Con todo, el texto no incluye cifras de ahorro: ni horas ahorradas, ni consumo de tokens, ni coste de infraestructura. La única cifra concreta es 411 comentarios. Parte de los skills, como la búsqueda de contexto histórico, aún están en desarrollo o en pruebas. El material está vinculado al anuncio de la conferencia YooMoneyDay, así que es un relato de experiencia y no un benchmark medido.

La conclusión práctica es sencilla. Conviene poner a los agentes en tareas con reglas claras y poco contexto: clasificar comentarios, contrastar documentos con el código, buscar duplicados. La decisión y la publicación, déjelas a una persona. Cree un repositorio común de skills para que los escenarios que funcionan no se queden como notas personales.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Del prompt al proceso?

El consejo principal del equipo: no empiece por el prompt, empiece por el proceso. El trabajo de un analista suele arrancar con una tarea en Jira en la que faltan requisitos. Hay que buscar contexto, hablar con equipos vecinos y comprobar que se han cubierto todos los escenarios. En ese ciclo hay pasos que exigen experiencia y pasos que se pueden formalizar. La decisión arquitectónica no se delega en la IA.

¿Qué se sabe sobre Qué se delegó exactamente en los agentes?

El primer escenario es la búsqueda de contexto histórico. Un proyecto puede reactivarse al cabo de varios años, cuando el código ha cambiado y las decisiones solo sobreviven en discusiones antiguas. El skill reúne las tareas pasadas, los debates y la implementación actual en el código. El analista no recibe una solución cerrada, sino un punto de partida: qué se hizo ya y qué restricciones existen. El segundo escenario pone a la IA en el papel de oponente.

¿Qué se sabe sobre Reglas para que la automatización no se convierta en otro trabajo más?

El equipo formuló tres principios. Primero: un skill, una tarea. Si un escenario ha crecido y ejecuta varias operaciones sin comprobación intermedia, conviene dividirlo. Segundo: registrar los resultados intermedios en una memoria externa del proyecto, para no reconstruir el contexto a partir de un chat interminable. Tercero: guardar skills, comandos e instrucciones en un repositorio común, organizados por áreas.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
¿Qué te parece?
Cargando comentarios…