Just AI automatiza JAICP DSL: un agente de IA escribe patrones y pruebas en un minuto en lugar de seis horas

Just AI ha automatizado el trabajo con JAICP DSL mediante un agente de IA que escribe patrones y pruebas automáticas en lugar de una persona. Según el equipo, una tarea que antes exigía unas seis horas de rutina manual ahora lleva aproximadamente un minuto. Al desarrollador solo le queda revisar el resultado y corregirlo si hace falta.

Por qué hacía falta

El equipo de JAICP trabaja con un DSL específico para describir los patrones con los que el bot entiende las frases de los usuarios. Sobre el papel, la tarea parece sencilla: tomar «sí», «hola» o «no funciona» y describirlas como plantilla. En la práctica se complica rápido: los usuarios escriben con jerga, cometen errores, usan formas coloquiales y lo hacen en distintos idiomas. Para un proyecto, Just AI tuvo que cubrir ruso, inglés, alemán y turco, y allí la traducción literal a menudo no funciona.

La variabilidad resultó especialmente dolorosa. El cliente entrega una lista base de frases, pero para cubrir bien los escenarios el desarrollador tiene que inventar por su cuenta análogos, formas morfológicas y formulaciones no estándar. Las pruebas automáticas tampoco resuelven del todo el problema: aunque un script pueda generar la plantilla, alguien tiene que preparar los ejemplos de entrada, revisar la sintaxis y asegurarse de que el DSL se usa correctamente.

Por eso el equipo decidió no limitarse a una consulta normal a un LLM y construir un agente específico que conoce el contexto de la plataforma y se encarga de la rutina.

Cómo funciona el agente

La solución se apoya en Claude Sonnet 4.5, elegido por su generación estable de código DSL y su buen seguimiento de instrucciones. El agente recibió tres herramientas: búsqueda de fragmentos relevantes de documentación en Jay Knowledge Hub, generación de respuestas a partir de la misma base de conocimiento y una autoverificación independiente mediante Llm.sendRequest con GPT-4o-mini. Esta combinación permite no solo «completar» frases, sino apoyarse en ejemplos reales de JAICP y detectar parte de los errores antes de entregar el resultado al usuario.

• Extrae ejemplos y reglas de la base de conocimiento de JAICP
• Genera patrones y explica su estructura
• Muestra qué frases cubre la plantilla
• Escribe pruebas automáticas a partir de los mismos ejemplos
• Separa las respuestas por idioma y no las mezcla en un mismo bloque

El papel clave lo desempeñó el prompt, no el conjunto de herramientas. El equipo lo dividió en lógica general, un bloque para patrones, un bloque para pruebas automáticas y una autoverificación final. Las instrucciones describen por separado el análisis semántico, morfológico y sintáctico, las reglas para bloques opcionales y la agrupación de sinónimos, y después obligan al modelo a construir patrones optimizados y no enumeraciones literales. Cuando los modelos seguían «tomándose libertades», el prompt se comprimió y estructuró además con ayuda de DeepSeek, y para el multilingüismo se añadió una regla simple: primero identificar el idioma y luego aplicar su morfología.

Resultados y cifras

El agente terminado se conectó a Telegram para probar escenarios con más rapidez. Como resultado, el bot aprendió a construir un patrón DSL a partir de una sola frase del usuario, mostrar las variantes de réplicas que cubre y generar de inmediato las pruebas automáticas. Como bonus adicional, el sistema empezó a escribir incluso escenarios en DSL, aunque no se le había entrenado específicamente para ello: el modelo obtuvo los conocimientos necesarios de la documentación de la base de conocimiento. Este formato resultó útil no solo para desarrolladores con experiencia, sino también para la incorporación de novatos, a quienes les importa ver no solo la plantilla final, sino la lógica con que se construye.

«Además, el agente lo resuelve en 1 minuto, una aceleración de 360 veces».

El equipo calculó las cifras con un ejemplo concreto: hay 20 frases de un cliente que hay que convertir en patrones en cuatro idiomas, añadir variabilidad y cubrir con pruebas. A mano, el ruso lleva alrededor de una hora, los demás idiomas no menos de tres horas más, además de una hora para las pruebas automáticas y otra hora aproximadamente para idear formulaciones adicionales. En total son como mínimo seis horas de trabajo monótono, sin contar las correcciones. El agente hace el mismo borrador en aproximadamente un minuto, pero la revisión final sigue siendo humana, y eso es lo que hace que el caso resulte realista y no publicitario.

Qué significa

El caso de Just AI muestra que los agentes de IA muy especializados ya son útiles no solo para chats y búsqueda, sino también para el desarrollo interno con DSL de nicho. Si un equipo tiene documentación, reglas claras y trabajo manual repetitivo, un agente puede eliminar horas de rutina incluso sin una arquitectura compleja ni un gran ajuste fino.