Flant: cómo un desarrollador Go convirtió Zed y Gemini en un agente IA útil

Un desarrollador Go de Flant describió un viaje práctico familiar para muchos equipos: de la curiosidad sobre plugins de IA y decepción en ellos a un esquema funcional donde un agente realmente quita al desarrollador parte de la rutina. El punto principal del artículo es simple: por sí sola, una LLM apenas aumenta la productividad si tiene pobre acceso al contexto del proyecto, interfaz lenta y herramientas inadecuadas para un lenguaje particular. Primero, el autor pasó por un escenario típico de adopción temprana.

En GoLand 2022, probó un plugin de IA con un modelo en nube integrado y obtuvo tres modos de él: autocompletado, chat y agente. El autocompletado aceleró ligeramente el trabajo pero frecuentemente cometía errores debido al contexto limitado. El chat dentro del IDE se convirtió rápidamente en sincronización infinita de estado: el modelo hacía suposiciones, y el desarrollador gastaba tiempo aclarando.

El modo agente podía escribir y refactorizar código, pero muy frecuentemente requería rehacimiento manual, así que el ciclo de "establecer tarea — verificar — reescribir" resultaba más largo que el trabajo regular sin IA. La siguiente etapa fue con acceso corporativo a varios modelos. El autor evaluó la calidad de respuesta de GPT-4o significativamente más alta que GigaChat, pero esto no resolvió el problema principal.

Cuando la empresa abrió acceso por clave API, intentaron plugins populares como Cline y Continue en el IDE. El resultado fue débil nuevamente: el acoplamiento de IDE, lógica de interfaz web y modelo externo ralentizaba las cosas, y el trabajo permanecía pesado. Los agentes de terminal fueron el punto de giro.

OpenCode era popular entre colegas, pero el autor eligió Crush por la instalación más fácil y por el hecho de que la herramienta está escrita en Go. Fue allí donde obtuvo beneficio real por primera vez: el agente podía analizar el proyecto, leer archivos, escribir código y usar LSP y MCP. Sin embargo, el agente de terminal no fue el punto final.

Para el trabajo cotidiano con un repositorio Git y base de código, la conveniencia del editor seguía faltando. Así que el autor cambió a Zed — un editor rápido basado en Rust con panel de IA integrado, su propio agente y soporte para agentes externos a través de ACP. En el artículo, detalla cómo conectar Zed a un servicio LLM corporativo a través de Open-WebUI y una API compatible con OpenAI, elegir el modelo Gemini 3 Flash y configurar un perfil write con las herramientas necesarias: diagnostics, read_file, grep, list_directory, terminal, thinking y web_search.

Se enfatiza por separado un detalle práctico: la clave API no se almacena en el archivo de configuración y se ingresa manualmente a través de la interfaz del editor. La parte técnica más importante se refiere al lenguaje Go y la calidad del contexto. El autor demuestra con un ejemplo simple que el grep integrado encuentra solo coincidencias de texto y fácilmente lleva al modelo a suposiciones incorrectas si la consulta se formula vagamente.

Para hacer que el agente funcione más cerca de la semántica del código, conecta gopls en modo MCP experimental. Dado que LSP regular en Zed actualmente está orientado a humanos en lugar de agentes, tiene que ejecutar un gopls-mcp separado con sus propias variables de entorno y timeout aumentado. Pero después de eso, el agente obtiene una clase diferente de herramientas: vista general del workspace, APIs de paquetes, búsqueda de símbolos, referencias de símbolos, renombramiento seguro, diagnósticos e incluso verificación de dependencias contra vulnerabilidades conocidas.

El artículo proporciona una lista de verificación útil para elegir una pila para codificación con IA. Primero, necesita seleccionar una LLM que pueda trabajar en modo agente y normalmente resuelva tareas de programación; para una evaluación aproximada, el autor recomienda mirar el equilibrio de calidad, precio, velocidad y tamaño de la ventana de contexto. Luego — elegir el agente en sí: importa la compatibilidad con el modelo requerido, un conjunto sensato de herramientas integradas, soporte a MCP y, si es necesario, capacidad multiagente.

Y solo después tiene sentido trabajar en prompts. Entre las técnicas que el autor considera realmente viables están role prompting, provisión explícita de contexto, planificación paso a paso, step-back prompting y uso de ejemplos de código existente o pruebas. La conclusión principal del artículo es que la productividad del desarrollador crece no por la presencia de "alguna IA" en el editor, sino por el ensamblaje preciso de todo el circuito: un ambiente rápido, un modelo apropiado, herramientas de lenguaje y disciplina en la formulación de tareas.

Cuando un agente ve el proyecto no a través de búsqueda ciega por cadenas sino a través de LSP y MCP, y cuando se le ha dado el contexto, perfiles y roles correctos de antemano, deja de ser un asistente ruidoso y comienza a ahorrar tiempo real en código, navegación y verificaciones.