De prompts a agentes: cómo un ingeniero de Doubletapp reformuló el enfoque en IA

Andrés Zhárov, desarrollador iOS de Doubletapp, compartió una experiencia de evolución que refleja el camino de toda la industria. Primero, prompts mágicos simples como "make no mistakes" y "write if you need more context", que casi milagrosamente extraían código funcional de ChatGPT. Luego, la fase de euforia de agentes, cuando parecía que podría automatizarse prácticamente todo. Pero finalmente llegó a la conclusión: se necesitaba un enfoque completamente diferente. No tanto el arte de escribir prompts perfectos, sino la ingeniería de construir infraestructura de IA confiable.

De la magia a la sistematicidad

El primer período fue la era de la codificación intuitiva. Abrió ChatGPT, escribió una tarea, obtuvo fragmentos de código, los ensamblé en una aplicación. Si tenía suerte, funcionaba.

Activa Deep Thinking y el resultado es más estable. Parecía haber encontrado una varita mágica. Pero la realidad fue más dura.

Los resultados resultaron ser inestables. Los prompts crecen en tamaño, pero la confiabilidad disminuye. La misma tarea se resuelve de manera diferente en días diferentes.

Se necesitaba un enfoque completamente diferente: no pedir código al modelo, sino sistematizar cómo interactuamos con él. La industria evolucionó. Pasaron de un simple chat a agentes locales, luego se dieron cuenta de la importancia de la orquestación, no solo de una cadena de llamadas.

Y en algún momento, todos comprendieron colectivamente: no debemos escribir código en ChatGPT. En su lugar, debemos escribir prompts que escriban prompts correctos. Y formar una infraestructura que funcione de manera confiable con estos prompts.

Ingeniería de contexto como fundamento

El punto clave es la ingeniería de contexto. No es simplemente "proporciona más contexto y el modelo lo entenderá". Es la construcción sistemática de la arquitectura de qué información y en qué orden ve el modelo, qué herramientas tiene disponibles, cómo están conectadas entre sí. Elementos importantes:

• La preparación correcta del contexto es la mitad del éxito del agente
• Las herramientas deben ser predecibles y seguras para el modelo
• El manejo de errores y la reversión deben ser como en código ordinario
• Las pruebas y el monitoreo no son opcionales, son un requisito
• El versionado de prompts y configuraciones, como en Git

Esto ya no es el arte de escribir un super-prompt. Esto es ingeniería.

Orquestación en lugar de magia

Luego viene la orquestación. No un agente grande que hace todo a la vez. Sino un sistema donde cada componente es responsable de una parte.

Uno analiza el contexto, otro trabaja con la lógica, un tercero valida el resultado. Esto se parece a la arquitectura ordinaria de una aplicación, pero aplicada a sistemas de IA. Y aquí es donde aparece una paradoja interesante: comienza a preocuparse por prompt-injection no como una vulnerabilidad exótica, sino como parte de su seguridad, como una vez lo fue SQL-injection.

Se necesitan guardrails, validación de entrada, limpieza de interfaces entre componentes, todo como en desarrollo ordinario. Luego viene el meta-prompting, cuando el modelo mismo lo ayuda a generar y optimizar prompts. Pero esto ya no es magia, sino una herramienta.

Lo que esto significa

Los desarrolladores están pasando a un nuevo nivel: de "pide código a ChatGPT" a "construye un sistema que sepa trabajar con IA de forma confiable". El desarrollo de IA se vuelve más predecible, escalable y técnicamente competente. Como el desarrollo ordinario, pero con nuevos desafíos.