De Programador Vibe Coder a Ingeniero Agéntico en 3 Semanas

Día 1 - Bienvenido al curso: Creación de un juego 3D con la IA de Cursor

Si quieres aprender:

- ¿Cómo se crea un juego de disparos en 3D usando IA para escribir el código?

- ¿Qué es Cursor AI y cómo se configura para tu primer proyecto?

- ¿Es posible crear un juego FPS con IA, incluso sin conocimientos de programación?

- ¿Cómo funciona la programación interactiva con un agente de IA en la práctica?

- ¿Cómo se genera un juego en 3D a partir de un simple texto?

- ¿Cómo se empieza con la prueba gratuita de Cursor y se configura en Mac o PC?

¡Entonces esta clase es para ti!

En esta primera clase, te sumergirás directamente en la creación de un juego de disparos en primera persona en 3D usando IA, sin necesidad de experiencia previa en programación. En lugar de una introducción tradicional, te pondrás manos a la obra y crearás un proyecto funcional desde cero con Cursor AI, uno de los editores de código con IA más populares del mercado.

Aprenderás a descargar e instalar Cursor en Mac y Windows, a crear una cuenta de prueba gratuita y a configurar tu primer directorio de proyecto. Una vez dentro del editor, explorarás la interfaz de tres paneles: el explorador de archivos, el editor de código y el panel de chat del agente de IA, y descubrirás cómo cada uno se adapta a tu flujo de trabajo.

El núcleo de esta lección es práctico: escribirás una instrucción sencilla para que el agente de IA cree un sitio web para un juego de disparos en primera persona en 3D en una arena contra un oponente controlado por la computadora, usando las teclas de flecha y la barra espaciadora para disparar. Gracias a un potente modelo como GPT 5.2 Codex, verás cómo la IA genera un archivo `index.html` y comienza a escribir el código del juego en tiempo real: una experiencia de programación inmersiva.

Esta lección sienta las bases de todo el curso, demostrando cómo herramientas como Cursor y los modelos de la clase ChatGPT pueden generar código funcional a partir del lenguaje natural. Comprobarás de primera mano que cada sesión produce resultados ligeramente diferentes, lo que te permitirá descubrir la imprevisibilidad creativa que caracteriza el desarrollo con IA. Al final, tendrás un sencillo pero jugable juego de disparos en 3D funcionando en tu navegador, y una idea clara de las posibilidades que ofrece la IA para crear proyectos desde cero.

Día 1 - Creación de un juego de disparos en primera persona con un agente de IA basado en Cursor

Si quieres aprender:

- ¿Cómo puedes crear un juego de disparos en 3D usando IA sin escribir una sola línea de código?

- ¿Qué es Cursor AI Agent y cómo genera un juego FPS completo a partir de una simple instrucción?

- ¿Cómo iteras y solucionas problemas al programar un juego con herramientas de IA como Cursor y Claude?

- ¿Qué son los bucles Ralph en Claude Code y cómo producen proyectos de juegos complejos de una sola vez?

- ¿Cómo puedes usar la IA para añadir características como detalles de enemigos, una interfaz de usuario y escalado de dificultad a tu juego?

- ¿Cómo es el flujo de trabajo al crear un juego usando IA como tu compañera de programación?

¡Entonces esta clase es para ti!

En esta clase práctica, verás cómo se crea un juego de disparos en primera persona en 3D completo desde cero usando Cursor AI Agent, sin escribir código manual. Partiendo de una simple instrucción de texto, la IA genera todos los archivos del proyecto, incluyendo HTML, JavaScript y CSS, creando un juego FPS completamente jugable en minutos. Verás todo el flujo de trabajo de codificación de Vibe en acción: desde la instrucción al agente, pasando por las pruebas del juego, hasta la iteración con instrucciones posteriores para añadir detalles a los enemigos, una interfaz de usuario (HUD) y una mayor dificultad. La lección también muestra qué sucede cuando algo falla y cómo solucionar problemas indicándole a la IA que corrija los errores automáticamente. Como anticipo de las técnicas avanzadas que se abordarán más adelante en el curso, verás un impresionante juego de disparos sin necesidad de apuntar, creado con Ralph Loops y Claude Code: una sola instrucción produce un juego de disparos pulido con modelo de arma, minimapa, botiquines y seguimiento de bajas. Esta lección es tu primer paso para crear proyectos reales con IA, sentando las bases para crear aplicaciones cada vez más complejas utilizando herramientas como Cursor, ChatGPT y Claude en las próximas semanas.

Día 1 - El manual que faltaba para la codificación de IA agencial

Si quieres aprender:

- ¿Qué es la programación con IA agente y en qué se diferencia de la programación tradicional?

- ¿Cómo pueden los desarrolladores —desde principiantes hasta ingenieros senior— usar agentes de IA para crear productos de software completos?

- ¿Cuáles son las herramientas, conceptos y flujos de trabajo clave de la programación agente, incluyendo MCP, prompts, hooks y agentes de programación como Claude Code y Cursor?

- ¿Cómo distinguir la realidad de la exageración en la programación asistida por IA?

- ¿Cuáles son las ventajas y desventajas reales de usar modelos de lenguaje natural (LLM) y agentes de IA en tu flujo de trabajo de desarrollo?

- ¿Cómo puedes asegurar tu futuro profesional dominando el panorama de la programación con IA agente?

¡Entonces esta clase es para ti!

Esta clase introductoria sienta las bases para un curso completo de tres semanas diseñado para ser el manual que faltaba para la programación con IA agente, inspirado en la publicación viral de Andrej Karpathy sobre el cambio radical que está transformando la profesión de programador. La conferencia comienza analizando la observación de Karpathy sobre la aparición de una nueva y poderosa capa de abstracción en el desarrollo de software, que involucra agentes de IA, subagentes, indicaciones, contexto, memoria, herramientas, complementos, MCP, flujos de trabajo e integraciones con IDE, y cómo la mayoría de los desarrolladores se ven obligados a descifrarla sin una guía.

El curso está dirigido a dos perfiles: ingenieros principiantes que desean crear productos completos a gran escala con la ayuda de agentes de codificación de IA, y desarrolladores sénior experimentados que se sienten abrumados por el panorama de la IA con agentes, que evoluciona rápidamente. Independientemente de su perfil, esta conferencia describe lo que aprenderá: la capacidad de crear, depurar, solucionar problemas y mejorar software a cualquier escala utilizando herramientas de codificación con agentes como Claude Code, Cursor, ChatGPT y otros agentes de codificación basados ​​en LLM.

Aprenderás a desenvolverte en el ecosistema actual de la codificación de vibe y la IA agente, comprendiendo cómo se integran en la práctica las indicaciones, los tokens, las API, el contexto del código y los flujos de trabajo de los agentes de IA. Fundamentalmente, este curso adopta un enfoque equilibrado: en lugar de dejarse llevar por la euforia, te enseña a identificar tanto las ventajas como las desventajas reales del desarrollo asistido por IA, para que puedas maximizar la productividad a la vez que gestionas las limitaciones de los modelos de IA estocásticos y evolutivos. Al finalizar, tendrás el modelo mental y las habilidades prácticas para utilizar con confianza la IA agente en tu flujo de trabajo de desarrollo, y el conjunto completo de habilidades que exigen cada vez más las descripciones de puestos de trabajo actuales.

Día 1 - Conoce a tu instructor y el plan de estudios del curso de programación en IA de 3 semanas.

Si quieres aprender:

- ¿Cómo es el plan de estudios del curso de 3 semanas de Programación en IA y cómo se estructura en las fases de codificación, ingeniería y desarrollo de agentes?

- ¿Cómo se integran los agentes de IA y herramientas como Claude Code, Cursor, Copilot y Codex en un flujo de trabajo de codificación moderno?

- ¿Cuál es la diferencia entre usar código para crear agentes de IA y usar agentes de IA para que escriban código por ti?

- ¿Cómo funcionan los sistemas multiagente, la orquestación y los enjambres de agentes autónomos en proyectos comerciales reales?

- ¿Qué habilidades, marcos de trabajo y técnicas de generación de indicaciones necesitas para pasar de principiante a experto en programación de IA con agentes?

- ¿Cómo puedes crear e implementar software a gran escala usando herramientas de codificación con IA y flujos de trabajo de varios pasos?

¡Entonces esta clase es para ti!

En esta clase introductoria, conocerás a tu instructor, Ed Donner, cofundador y CTO de Nebula.io, exdirector general de JP Morgan y educador con más de 400.000 estudiantes. Recibirás una explicación completa del programa del curso de tres semanas de AI Coder. Ed explica cómo este curso está diseñado específicamente para usar agentes de IA en la escritura de código, abarcando tanto herramientas populares como programación en profundidad en la interfaz de línea de comandos (CLI) con Claude Code y OpenCode.

Verás cómo el programa se organiza en tres fases. **Semana 1: Programación Vibe para divertirse y obtener beneficios**: abarca el panorama de la programación con agentes, las habilidades básicas sobre agentes, la ingeniería de contexto y los fundamentos de las indicaciones, además de sesiones prácticas con Cursor, Copilot, Codex y dos proyectos reales, incluyendo un MVP comercial. **Semana 2: Ingeniería Vibe**: profundiza en los flujos de trabajo de programación en la CLI con Claude Code, comandos, puntos de control, bucles Ralph, complementos MCP, estrategias de depuración y la creación de un proyecto completo de plataforma SaaS. **Semana 3 — Ingeniería Agéntica como Experto** — eleva el nivel con sistemas multiagente, hooks, sandboxing, trabajo con grandes bases de código, enjambres de agentes, marcos de orquestación y un proyecto final que integra todos los conceptos.

Al finalizar esta lección, comprenderás la estructura completa del curso, sabrás qué herramientas y plataformas usarás en cada fase y verás cómo los 8 niveles de adopción de IA —desde la solicitud básica de ChatGPT hasta la orquestación multiagente autónoma— se alinean con tu trayectoria de aprendizaje. Esta es tu hoja de ruta paso a paso para convertirte en un ingeniero agéntico experto, capaz de implementar software de calidad para producción con un equipo de agentes de IA trabajando contigo.

Día 1 - Vibe Coding, Agentic Coders y Coding Agents como Claude Code

Si quieres aprender:

- ¿Qué es la programación intuitiva (vibe coding) y cómo evolucionó de un tuit viral a un movimiento que está transformando el desarrollo de software?

- ¿Cuál es la diferencia entre programación intuitiva, ingeniería intuitiva y programación con agentes? ¿Por qué es importante?

- ¿Qué son los agentes de programación como Claude Code, Cursor y Gemini CLI, y cómo los utilizan los desarrolladores?

- ¿Cuáles son las tres plataformas principales (IDE, plugins y CLI) para trabajar con herramientas de programación asistida por IA?

- ¿Cómo filtrar la información irrelevante y centrarse en las herramientas de programación con IA que aportan valor real?

- ¿Cuál fue el punto de inflexión a finales de 2025 que hizo que la programación con IA y agentes fuera mucho más potente?

¡Entonces esta clase es para ti!

En esta clase, explorarás los orígenes y la evolución de la codificación intuitiva (término acuñado por Andrej Karpathy) y rastrearás cómo pasó de una simple idea de permitir que los LLM generaran código a convertirse en un paradigma fundamental del desarrollo de software asistido por IA en 2025. Recorrerás la montaña rusa emocional que experimentaron los desarrolladores: desde el asombro inicial, pasando por la frustración y el enojo ante los repetidos errores de la IA, hasta la aceptación y el dominio que llegaron al comprender las fortalezas y las limitaciones de estas herramientas.

Aprenderás la terminología clave utilizada en este campo en constante evolución (codificador intuitiva, ingeniero intuitiva y codificador agéntico) y comprenderás cómo estos términos cambian de significado según el contexto. Ya sea que alguien utilice agentes de IA para ayudar en la codificación o que los desarrolle por sí mismo, sabrás distinguir entre ambos y comunicarte con claridad.

La clase desglosa las tres principales plataformas para interactuar con agentes de codificación: **IDE** como Cursor, Codex, Antigravity y Windsurf; **Plugins** como GitHub Copilot, que se ejecuta como extensión dentro de VS Code; y **herramientas de línea de comandos** como Claude Code, Gemini CLI, Cursor CLI y Amp. Descubrirás por qué la interfaz de línea de comandos —una experiencia de terminal de aspecto retro— se convirtió inesperadamente en una de las formas más productivas y potentes de colaborar con un agente de IA en tu código.

También aprenderás sobre el punto de inflexión crucial impulsado por modelos como Claude Opus 4.5, GPT 5.2 y Gemini 3, que redujeron drásticamente los frustrantes errores repetitivos que plagaban los flujos de trabajo anteriores y abrieron una nueva ola de productividad en la programación con agentes. Finalmente, recibirás consejos prácticos sobre cómo distinguir lo relevante del ruido en un entorno saturado de anuncios diarios, para que puedas concentrarte en las herramientas y los flujos de trabajo que realmente importan.

Si quieres aprender:

- ¿Cuáles son los 8 niveles de codificación de IA y cómo se relacionan desde la solicitud básica de ChatGPT hasta la orquestación completa de agentes?

- ¿Cómo evoluciona un agente de IA en tu IDE, desde un asistente en la barra lateral hasta un flujo de trabajo de codificación autónomo?

- ¿Cuál es la diferencia entre usar un agente de codificación en Cursor y en Claude Code desde la línea de comandos?

- ¿Cómo colaboran los sistemas multiagente para desarrollar software y cómo se ve la orquestación de agentes en la práctica?

- ¿Cuál es el punto óptimo para implementar agentes autónomos en el desarrollo de software empresarial?

- ¿Cuánto cuestan realmente las herramientas de codificación de IA y es posible empezar gratis?

¡Entonces esta clase es para ti!

En esta clase, explorarás un marco de trabajo eficaz para comprender la adopción de la IA en la codificación: las 8 etapas de la IA, descritas originalmente por Steve Yegge. Recorrerás cada fase paso a paso, comenzando con interacciones básicas con ChatGPT y autocompletado de IA (Etapa 1), pasando por codificación de agentes en un IDE como Cursor con flujos de trabajo de aprobación manual (Etapa 2), y progresando al modo YOLO donde confías en que el agente de IA ejecute cambios de forma autónoma (Etapa 3). Aprenderás el cambio conceptual en la Etapa 4, donde tu atención pasa del código al agente en sí, y luego el salto a la Etapa 5: trabajar con un agente de codificación basado en CLI como Claude Code, dejando que las diferencias se desplacen mientras el agente compila por ti. A partir de ahí, verás cómo entran en juego los sistemas multiagente: generar múltiples agentes autónomos que trabajan simultáneamente en tu proyecto (Etapa 6), escalar a más de 10 agentes que coordinas tú mismo (Etapa 7), y finalmente alcanzar la orquestación completa, donde un agente maestro administra agentes administradores y agentes trabajadores en una jerarquía estructurada y orientada a objetivos (Etapa 8). La clase asigna estos 8 niveles directamente a la estructura del curso: la Semana 1 cubre las Etapas 2 a 4 usando Cursor y flujos de trabajo basados ​​en agentes e IDE, la Semana 2 profundiza en la Etapa 5 con Claude Code en la línea de comandos, y la Semana 3 introduce la orquestación multiagente en las Etapas 6 a 8. También recibirá orientación práctica sobre costos de IA y API, incluyendo cómo tomar el curso sin gastar un centavo, planes recomendados para herramientas como Cursor y Claude Code, y cómo monitorear su gasto en diferentes plataformas. La idea clave: si bien la Etapa 8 representa el marco de IA con agentes más avanzado, el punto óptimo para las empresas para crear software confiable y escalable se encuentra entre las Etapas 5 y 6, y ahí es donde el curso ofrece el valor comercial más fundamental.

Si quieres aprender:

- ¿Cómo es el panorama de la programación con agentes y cuál es tu lugar en los 8 niveles de adopción de la IA?

- ¿En qué se diferencian los flujos de trabajo de los agentes de IA de la programación tradicional y por qué tus resultados serán únicos en cada ocasión?

- ¿Por qué varían los resultados de los agentes autónomos entre modelos como ChatGPT y Claude, y cómo deberías aprovechar esta diferencia?

- ¿Cuál es la mejor manera de desenvolverse en el vertiginoso mundo de la IA con agentes sin dejarse llevar por las modas pasajeras?

- ¿Cómo puedes hacer un seguimiento de tu progreso a través de un programa estructurado y multifase para convertirte en un experto en programación con agentes?

- ¿Cómo puedes ganar visibilidad y experiencia en programación con IA compartiendo tu experiencia de aprendizaje?

¡Entonces esta clase es para ti!

En esta clase de resumen del primer día, reflexionarás sobre todo lo visto en la fase del panorama de la programación con agentes y sentarás las bases para lo que viene. El instructor aborda una realidad crucial del trabajo con agentes de IA: dado que modelos como ChatGPT y Claude evolucionan semanalmente, tus respuestas a las indicaciones y los resultados de tu código diferirán de los de los demás, lo que convierte esta experiencia en una auténtica aventura interactiva. Comprenderás por qué aceptar la variabilidad en los resultados de los agentes autónomos es una ventaja, no un inconveniente, y cómo mantener la concentración en medio del constante flujo de anuncios sobre IA.

Esta clase refuerza los 8 niveles del marco de IA presentados el primer día, confirmando tu comprensión del panorama de la orquestación, desde interacciones sencillas basadas en indicaciones hasta sistemas multiagente y flujos de trabajo autónomos. Verás el programa completo de tres semanas detallado, con tu primer hito alcanzado: una comprensión fundamental del ecosistema de IA con agentes, incluyendo herramientas, IDE, terminales y los conceptos básicos que sustentan la programación con agentes.

De cara al futuro, obtendrás una vista previa del enfoque del segundo día en los fundamentos de los agentes, incluyendo el archivo `agents.md`, fundamental, y los principios de ingeniería de contexto que impulsan el comportamiento eficaz de los agentes de IA. El instructor también explica cómo obtener apoyo directo durante todo el curso —mediante preguntas y respuestas, correo electrónico y LinkedIn— y te anima a compartir tus proyectos públicamente para potenciar tu creciente experiencia en este campo en constante evolución. Has completado el 7%, y aún te queda un emocionante 93% de programación práctica y multietapa para agentes.

Si quieres aprender:

- ¿Qué es un modelo de lenguaje grande (LLM) y cómo genera texto?

- ¿Qué son los tokens y por qué los LLM los utilizan en lugar de palabras?

- ¿Cómo recuerda ChatGPT tu conversación si los LLM no tienen estado?

- ¿Qué es el razonamiento LLM y por qué "pensar paso a paso" produce mejores resultados?

- ¿Cuál es la diferencia entre un LLM como GPT y una aplicación de IA como ChatGPT?

- ¿Cómo funciona el proceso de inferencia token por token?

¡Entonces esta conferencia es para ti!

En esta conferencia de teoría fundamental, construirá un modelo mental claro de cómo funcionan los modelos de lenguaje grandes, desde cero. Comenzará por comprender lo que realmente hace un LLM: tomar una secuencia de tokens como entrada y generar una distribución de probabilidad sobre cada siguiente token posible. Aprenderá qué son los tokens, en qué se diferencian de las palabras y cómo los LLM generan resultados, un token a la vez, a través del proceso de inferencia.

A partir de ahí, explorará la distinción fundamental entre un LLM en sí (como GPT) y las aplicaciones de inteligencia artificial creadas a su alrededor (como ChatGPT, Cursor o Duolingo Max). Esta distinción es esencial para cualquiera que trabaje con sistemas de IA agentes o construya arquitecturas de agentes de IA, porque la capa de software que envuelve el LLM es donde reside gran parte de la funcionalidad real.

Luego, la conferencia analiza los trucos clave que hacen que los LLM parezcan inteligentes. Primero, comprenderá la **ilusión de la memoria**: cómo las aplicaciones de IA pasan todo el historial de conversaciones a cada llamada de LLM para simular una ventana de contexto con estado, aunque cada llamada al modelo no tenga ningún estado. En segundo lugar, se sumergirá en **Razonamiento y pensamiento LLM**: el descubrimiento de que hacer que un modelo genere su cadena de pensamiento antes de responder mejora drásticamente la precisión en tareas de razonamiento complejas. Verá un ejemplo de probabilidad concreto en el que un mensaje estándar produce una respuesta incorrecta, pero un enfoque basado en el razonamiento la resuelve correctamente.

Esta sesión sienta las bases teóricas para el trabajo práctico que le espera, brindándole la comprensión fundamental de la arquitectura LLM, la predicción de tokens y el diseño rápido que impulsa todo, desde simples chatbots hasta sofisticados sistemas de inteligencia artificial de múltiples agentes.

Si quieres aprender:

- ¿Qué son las herramientas en el contexto de los agentes LLM y cómo permiten que los sistemas de IA realicen acciones en el mundo real?

- ¿Cómo utiliza un LLM los tokens para decidir cuándo llamar a herramientas externas como una calculadora o código Python?

- ¿Qué es un bucle en los flujos de trabajo de IA con agentes y por qué llamar a un LLM varias veces desbloquea un razonamiento complejo?

- ¿Cuál es la definición actual y ampliamente aceptada de un agente de IA?

- ¿Cómo interactúan las herramientas y los bucles para impulsar productos como Cursor Agent y Claude Code?

- ¿Cómo ha evolucionado la definición de agentes de IA desde el planteamiento inicial de OpenAI hasta el consenso de 2025?

¡Entonces esta clase es para ti!

En esta clase, explorarás dos de las técnicas más importantes que transformaron los grandes modelos de lenguaje, de simples generadores de texto a potentes sistemas de IA con agentes: las herramientas y los bucles. Aprenderás cómo los agentes LLM utilizan la llamada a herramientas, una técnica en la que el modelo genera tokens especiales que indican el deseo de ejecutar una acción, como buscar en internet, usar una calculadora o ejecutar código Python. Mediante una demostración en vivo de ChatGPT, verás exactamente cómo un LLM responde con código ejecutable en lugar de una respuesta directa, lo que hace que el concepto de uso de herramientas sea concreto e intuitivo. Es fundamental que comprendas que el propio LLM nunca ejecuta estas herramientas; siempre es el software circundante el que interpreta los tokens de salida y ejecuta la acción, lo que te permitirá comprender cómo funciona realmente esta arquitectura.

A continuación, descubrirás el bucle: la elegante idea de llamar a un LLM varias veces en secuencia, comprobar si se ha alcanzado un objetivo y repetir el proceso hasta que se cumpla. Este sencillo patrón de flujo de trabajo es lo que permite a los agentes de IA resolver tareas complejas que un único ciclo de solicitud y respuesta no puede gestionar. Conectarás esto directamente con tu experiencia práctica al crear un juego de disparos en primera persona con Cursor Agent, donde observaste cómo un LLM ejecutaba herramientas en bucle para generar, escribir y ejecutar código de forma autónoma.

Finalmente, la clase recorre la evolución de la definición de agente de IA: desde el concepto inicial de OpenAI de sistemas de IA autónomos que trabajan de forma independiente, pasando por la descripción de Hugging Face y Anthropic de los flujos de trabajo controlados por LLM en su influyente publicación de blog *Building Effective Agents*, hasta el consenso de 2025 impulsado por Simon Willison: **un agente de IA es un LLM que ejecuta herramientas en bucle para lograr un objetivo**. Al finalizar, tendrás una comprensión clara y sólida de qué hace que un agente de IA sea un agente, y cómo estos componentes básicos impulsan los agentes de IA empresariales y los sistemas multiagente más avanzados de la actualidad.

Si quieres aprender:

- ¿Qué es la ingeniería de contexto y en qué se diferencia de la ingeniería de indicaciones?

- ¿Cómo influyen las indicaciones del sistema, las descripciones de las herramientas, la memoria y el historial de conversaciones en el contexto de entrada para los agentes de IA?

- ¿Qué es un archivo agents.md (o claude.md) y por qué es fundamental para la programación de agentes?

- ¿Cómo funcionan las ventanas de contexto y cuáles son los límites de tokens para GPT 5.2, Claude Sonnet 4.5 y Gemini?

- ¿Qué es la compactación de contexto y conviene confiar en ella o gestionar el contexto manualmente?

- ¿Por qué, a menudo, reducir la cantidad de información en el contexto produce mejores resultados en la programación de IA?

¡Entonces esta clase es para ti!

En esta clase, dominarás la ingeniería de contexto para agentes de IA: el arte y la ciencia de crear la entrada perfecta para que tu LLM produzca el mejor resultado posible. Aprenderás por qué la ingeniería de contexto ha reemplazado a la ingeniería de indicaciones como la habilidad definitoria para trabajar con LLM, y explorarás cada componente que conforma el contexto: indicaciones del sistema que definen el rol y el tono del agente de IA, descripciones de herramientas que definen las capacidades disponibles, capas de memoria persistente e historial completo de la conversación, incluyendo tokens de razonamiento, salida de código y resultados de llamadas a herramientas. La lección proporciona una guía completa del archivo agents.md (claude.md para Claude Code, gemini.md para Antigravity), un archivo especial a nivel de proyecto que inyecta estándares de codificación, detalles del proyecto y objetivos directamente en la ventana de contexto en cada sesión. Comprenderás los límites de la ventana de contexto en los principales modelos (400 000 tokens para GPT 5.2, 200 000 para Claude Sonnet/Opus 4.5 y 1 millón para Gemini), por qué el rendimiento se degrada mucho antes de alcanzar esos límites y estrategias efectivas de gestión de contexto para mantener resultados óptimos. Por último, examinarás la compactación del contexto —cómo las herramientas de codificación de IA, como Claude Code, resumen automáticamente el historial de conversaciones para liberar espacio— y aprenderás las mejores prácticas sobre cuándo confiar en el compactador y cuándo actualizar manualmente el contexto para obtener resultados óptimos.

Si quieres aprender:

- ¿Qué es un archivo agents.md y por qué es fundamental para una ingeniería de contexto eficaz con agentes de codificación?

- ¿Cómo se estructura una jerarquía de archivos agents.md en los directorios del proyecto para un rendimiento óptimo de los agentes de IA?

- ¿Cuáles son las mejores prácticas para escribir mensajes del sistema concisos y de alta relevancia que maximicen la ventana de contexto?

- ¿Cómo se compara agents.md con claude.md, gemini.md y las reglas de Cursor? ¿Qué enfoque se está convirtiendo en el estándar de facto?

- ¿Deberías diseñar meticulosamente tu estrategia de ingeniería de contexto o dejar que los agentes de IA se autocorrijan? ¿La mentalidad de 2025 vs. 2026?

- ¿Cómo se optimiza y mantiene tu archivo agents.md para que cada token funcione de manera eficiente dentro de un contexto limitado?

¡Entonces esta clase es para ti!

En esta lección, dominarás el arte y la ciencia de la ingeniería de contexto para agentes de codificación aprendiendo a escribir, estructurar y mantener el archivo agents.md, el archivo Markdown que prepara a tu agente de IA con los objetivos del proyecto, los estándares de codificación y los criterios de éxito antes de que escriba una sola línea de código.

Comenzarás comprendiendo qué es Markdown y por qué los LLM funcionan tan bien con él, para luego profundizar en la guía completa para crear archivos agents.md concisos, específicos y asertivos. La lección explica cómo funciona la jerarquía de agents.md: colocar un archivo en la raíz del proyecto para el contexto global y anidar archivos adicionales en subdirectorios que solo se cargan cuando el agente de codificación de IA trabaja en ese ámbito, con archivos internos que anulan las reglas externas para mayor precisión.

Explorarás estándares de codificación prácticos para incluir en la ingeniería de indicaciones, desde fomentar la simplicidad y los README breves hasta especificar gestores de paquetes como UV y evitar patrones de programación excesivamente defensivos. La conferencia explica por qué centrarse en las instrucciones positivas ofrece mejores resultados que las negativas al diseñar el contexto para agentes de IA, y cómo usar trucos de formato como las etiquetas "IMPORTANTE" en mayúsculas y el código entre comillas invertidas para potenciar la información.

La sesión también compara implementaciones específicas de herramientas: agents.md para Cursor, Codex y GitHub Copilot; claude.md para Claude Code; y gemini.md para flujos de trabajo basados ​​en Gemini, destacando la convergencia de la industria hacia agents.md como estándar.

Finalmente, se examinarán dos estrategias de ingeniería de contexto contrapuestas: el enfoque disciplinado de 2025, que consiste en reescribir, podar y restablecer continuamente la ventana de contexto para un control máximo, frente a la mentalidad emergente de 2026, que consiste en definir objetivos finales y permitir que los sistemas de IA se autocorrijan mediante subagentes y bucles. Aprenderá cuándo se aplica cada estrategia, desde proyectos sencillos hasta bases de código a gran escala, para que pueda tomar decisiones informadas sobre la gestión del contexto en su propio flujo de trabajo de codificación de IA.

Si quieres aprender:

- ¿Cuáles son los diferentes flujos de trabajo de codificación de IA y cómo han evolucionado desde la microgestión hasta los ciclos totalmente autónomos?

- ¿Qué es un ciclo de Ralph Wiggum y cómo permite que tu agente de codificación de IA funcione durante la noche para producir resultados impresionantes?

- ¿Cuándo deberías usar el modo YOLO en lugar de un flujo de trabajo estructurado de planificación, ejecución y revisión con tu LLM?

- ¿Cómo los ciclos de Ralph Wiggum, los enjambres multiagente y los ciclos de retroalimentación impulsan la codificación de IA hacia la mentalidad de 2026?

- ¿Qué flujo de trabajo de codificación de IA es el adecuado para el software empresarial de misión crítica en comparación con la creación de un MVP desde cero?

- ¿Cómo se garantiza la calidad del código al utilizar agentes de codificación de IA como Claude Code?

¡Entonces esta clase es para ti!

Esta clase te guiará a través de los seis flujos de trabajo de codificación de IA que definen cómo los ingenieros de software interactúan con los agentes de codificación hoy en día, desde la microgestión estricta hasta la orquestación multiagente totalmente autónoma. Aprenderás cómo la mentalidad de 2025 de control cauteloso e iterativo (microgestión, planificación-ejecución-revisión y desarrollo basado en especificaciones) dio paso a la mentalidad de 2026 de mayor confianza: el modo YOLO, los bucles de Ralph Wiggum y los enjambres multiagente. Acuñado por el desarrollador australiano Geoffrey Huntley, el bucle de Ralph envuelve la iteración interna de un LLM dentro de un bucle de retroalimentación más amplio: llama al agente de codificación repetidamente (hasta 10 o más ciclos), evalúa el resultado, genera su propia retroalimentación e itera de forma autónoma durante horas sin intervención humana. Verás cómo esta técnica produjo un resultado mucho más impresionante a partir de la misma solicitud simplemente dejando que el bucle se ejecutara durante la noche. La lección también cubre configuraciones multiagente donde los agentes de prueba, los agentes de retroalimentación y los agentes de gestión trabajan en una jerarquía o enjambre para manejar tareas complejas mediante la orquestación. Fundamentalmente, aprenderás cuándo se adapta mejor cada flujo de trabajo: enfoques estructurados para bases de código empresariales de misión crítica, proyectos de gran envergadura y trabajos altamente innovadores que involucren herramientas nuevas como servidores MCP, en comparación con YOLO y Ralph Loops para MVP, prototipos, aplicaciones React o CRUD estándar y proyectos nuevos donde la tolerancia al riesgo es mayor. La conferencia concluye con una práctica recomendada esencial para todo ingeniero de software, ya sea junior o senior, que trabaje con LLM: en última instancia, eres responsable de entregar código probado y de calidad, independientemente de cuánta automatización y asistencia de codificación con IA utilices para lograrlo.

Si quieres aprender:

- ¿Cómo se comparan los modelos de aprendizaje automático (LLM) para encontrar el mejor modelo para tareas de codificación de IA?

- ¿Qué posición ocupan realmente los agentes de codificación como Claude Code y GPT 5.2 en cuanto a inteligencia y rendimiento?

- ¿Es la codificación con IA realmente 10 veces más rápida, o es una exageración?

- ¿Cómo se puede usar el Análisis Artificial para evaluar los LLM en cuanto a velocidad, precio y capacidad de codificación?

- ¿Qué tareas se benefician más de los agentes de codificación con IA y en qué aspectos aún presentan limitaciones los LLM?

- ¿Qué cambios se produjeron en noviembre de 2025 que hicieron que los agentes de codificación autónoma fueran significativamente más fiables?

¡Entonces esta clase es para ti!

En esta clase, obtendrás una evaluación objetiva y honesta de lo que los LLM pueden y no pueden hacer por los ingenieros de software hoy en día, disipando tanto la exageración como el escepticismo que rodean la codificación con IA. Explorarás Artificial Analysis (artificialanalysis.ai), un recurso esencial para comparar LLM en términos de inteligencia, velocidad, precio y parámetros de referencia específicos de codificación. La clase analiza cómo se comparan los mejores modelos, incluidos GPT 5.2, Claude Opus 4.5, GPT 5.2 Codex y Gemini 3 Pro, y por qué el punto de inflexión de noviembre de 2025 marcó un cambio radical en lo que los agentes de codificación pueden ofrecer de forma fiable. Aprenderás dónde la codificación con IA ofrece mejoras sustanciales (como en front-ends de React estándar y proyectos nuevos) y dónde las mejoras son solo incrementales, especialmente en bases de código más grandes e innovadoras. En lugar de dejarse llevar por las modas o descartar las herramientas, crearás un ciclo de retroalimentación realista para evaluar el rendimiento de LLM, comprendiendo las mejores prácticas para aprovechar la iteración de la IA en tu propio flujo de trabajo. Al finalizar, sabrá exactamente cómo utilizar el Análisis Artificial para mantenerse al día a medida que evolucionan los modelos, evaluar la capacidad de codificación y el uso de herramientas, y establecer expectativas fundamentadas sobre lo que los agentes de codificación de IA autónoma pueden lograr en el desarrollo de software del mundo real.

Si quieres aprender:

- ¿Cómo empezar con la programación intuitiva usando Cursor AI y otras herramientas de codificación asistida por IA?

- ¿Cuáles son las principales diferencias entre Cursor, GitHub Copilot y Codex para la codificación asistida por IA?

- ¿Cómo configurar un flujo de trabajo de codificación completo con Node.js, Git y Cursor AI siendo principiante?

- ¿Cuáles son las mejores prácticas cuando tu agente de codificación con IA ofrece resultados inesperados?

- ¿Cómo simplificar las indicaciones y depurar eficazmente al crear aplicaciones con herramientas de programación intuitiva?

- ¿Cómo es una sesión práctica real de programación intuitiva, desde la configuración del proyecto hasta la primera compilación?

¡Entonces esta clase es para ti!

En este tutorial práctico, pasarás de la teoría a la práctica con tu primer día completo de programación intuitiva usando herramientas de codificación reales con IA. Trabajarás directamente en Cursor AI, explorarás sus diferencias con GitHub Copilot y Codex, y aprenderás el flujo de trabajo principal para la programación con IA automatizada: desde la configuración del entorno hasta la clonación de un proyecto y el inicio del desarrollo de aplicaciones.

La lección te guiará paso a paso en la instalación de Node.js, el uso de la terminal en Cursor, la ejecución de comandos Git para clonar un repositorio y la configuración de un nuevo proyecto Kanban como base de código. Además, aprenderás las mejores prácticas esenciales para la programación intuitiva con Cursor: cómo tener paciencia al generar código, cómo proporcionar retroalimentación efectiva a tu agente de IA y cuándo simplificar las indicaciones para mejorar la calidad del código y los resultados.

Esta es una guía completa y accesible para principiantes sobre cómo empezar a usar herramientas de programación intuitiva en un flujo de trabajo de desarrollo real. Ya sea que elijas Cursor AI, GitHub Copilot u otra plataforma con IA, al finalizar esta sesión tendrás un entorno de proyecto funcional y la confianza necesaria para comenzar a desarrollar con indicaciones en lenguaje natural y programación con IA automatizada.

Si quieres aprender:

- ¿Qué es el archivo agents.md y cómo guía la codificación Vibe con IA usando Cursor?

- ¿Cómo se escriben requisitos de negocio y estándares de codificación claros para un agente de codificación con IA?

- ¿Cuáles son las configuraciones esenciales de Cursor AI y los atajos de teclado para optimizar tu flujo de trabajo?

- ¿Cómo se configuran la ejecución automática y el modo YOLO de Cursor para crear aplicaciones más rápido?

- ¿Qué buenas prácticas debes seguir al crear instrucciones para la codificación Vibe con Cursor?

- ¿Cómo puedes mejorar iterativamente tu archivo agents.md para obtener mejores resultados en la generación de código asistida por IA?

¡Entonces esta clase es para ti!

En este tutorial práctico, profundizarás en la guía completa para configurar y comprender el archivo agents.md, el documento principal que define cómo Cursor AI genera código para tus proyectos. Comenzarás aprendiendo los atajos de teclado esenciales del cursor para navegar por la barra lateral y el chat de agentes. Luego, abrirás y explorarás el archivo agents.md, que controla todo el flujo de trabajo de codificación de Vibe.

La lección te guiará a través de cada sección de un archivo agents.md bien diseñado, comenzando con los requisitos comerciales claros para crear una aplicación web de gestión de proyectos estilo Kanban, con tarjetas de arrastrar y soltar, columnas fijas y una interfaz de usuario elegante y profesional. Verás cómo definir detalles técnicos, como el uso de Next.js, especificar una paleta de colores y diseñar una estrategia de desarrollo que incluya la estructura del proyecto, pruebas unitarias, pruebas de integración con Playwright y resolución de errores.

También aprenderás estándares de codificación prácticos para incluir en tus indicaciones: desde garantizar el uso de las últimas versiones de las bibliotecas y enfoques idiomáticos hasta mantener la simplicidad, evitar la sobreingeniería e incluso prohibir los emojis en la salida generada. La clase abarca las mejores prácticas para escribir instrucciones precisas e inequívocas que produzcan código de alta calidad, y explica cómo iterar en tu archivo agents.md ejecutándolo, evaluando los resultados y refinando tus requisitos.

Finalmente, configurarás los ajustes de Cursor AI, incluyendo las opciones de ejecución automática y modo YOLO, comprendiendo las ventajas y desventajas entre la ejecución en entorno aislado y la automatización sin aislamiento. Tanto si eres principiante y te inicias en las herramientas de codificación de Vibe como si buscas optimizar tu flujo de trabajo de desarrollo asistido por IA, esta clase te proporciona una base práctica y paso a paso para crear aplicaciones con Cursor AI y comandos en lenguaje natural.

Si quieres aprender:

- ¿Cómo se crea una app con IA usando el modo agente de Cursor de principio a fin?

- ¿Qué es el modo YOLO en Cursor y cómo optimiza tu flujo de trabajo de programación de IA?

- ¿Cómo se escribe un archivo agents.md eficaz para guiar al agente de IA de Cursor a través de tu proyecto?

- ¿Cómo puedes usar el modo de planificación y la retroalimentación iterativa para lanzar una app funcional con una mínima programación manual?

- ¿Cómo es un flujo de trabajo real con un agente de IA al crear una app Kanban con funcionalidad de arrastrar y soltar?

- ¿Cómo se solucionan problemas y se perfecciona el código proporcionando retroalimentación específica al agente de IA?

¡Entonces esta clase es para ti!

En esta clase práctica, verás cómo se crea desde cero una app de gestión de proyectos Kanban completamente funcional usando el agente de IA de Cursor en modo YOLO, con una programación manual mínima. Comenzarás configurando el espacio de trabajo del agente Cursor: expandiendo el panel del agente, seleccionando el modo de modelo automático y activando el modo de planificación para que lea tu archivo agents.md y genere un plan de implementación MVP completo con fases, descripción general de la arquitectura y orden de ejecución. A continuación, pulsarás "Construir" y verás cómo el agente de IA crea de forma autónoma todo tu código base: generando una interfaz Next.js, creando componentes, escribiendo y ejecutando pruebas unitarias, detectando errores y corrigiendo su propio código en un ciclo en vivo. Podrás monitorizar el uso de la ventana de contexto en tiempo real y ver exactamente cómo un agente con tecnología LLM utiliza las herramientas para lograr un objetivo. Una vez que la aplicación Kanban se esté ejecutando en localhost, probarás las funciones principales, como arrastrar y soltar entre columnas, añadir y eliminar tarjetas, renombrar columnas y reordenar dentro de ellas. Después, practicarás proporcionando al agente comentarios específicos: informando de errores, solicitando mejoras en la interfaz de usuario y pidiendo mejoras en la experiencia de usuario, como un arrastrar y soltar más fluido y esquemas de color personalizados, y verás cómo itera hacia un resultado pulido. Al final, dispondrá de un flujo de trabajo claro y repetible para utilizar el modo agente y el modo YOLO de Cursor para crear, probar y perfeccionar rápidamente software con IA, junto con consejos y trucos prácticos para escribir indicaciones eficaces, gestionar el contexto y maximizar las ganancias de productividad en el desarrollo de software asistido por IA.

Si quieres aprender:

- ¿Cómo se instala y configura GitHub Copilot como extensión de VS Code para la programación asistida por IA?

- ¿Puede el agente de codificación de GitHub Copilot crear una aplicación completa de tablero Kanban a partir de un único archivo de instrucciones?

- ¿Cómo se compara GitHub Copilot en VS Code con Cursor para la creación de proyectos con IA?

- ¿Cuál es el flujo de trabajo adecuado para depurar cuando un agente de codificación afirma haber corregido un error, pero no lo hizo?

- ¿Cómo se utilizan el modo Plan y el modo Agente en GitHub Copilot Chat para implementar un proyecto paso a paso?

- ¿Qué opciones de planes gratuitos ofrece GitHub Copilot y cómo se realiza el seguimiento del uso?

¡Entonces esta clase es para ti!

En esta clase práctica, usarás GitHub Copilot en VS Code para crear una aplicación de tablero Kanban completamente funcional desde cero, partiendo de un único archivo agents.md en un repositorio de GitHub. Comenzarás instalando VS Code, añadiendo la extensión GitHub Copilot e iniciando sesión en tu cuenta de GitHub para activar el agente de codificación con IA. A continuación, abrirás el proyecto Kanban, iniciarás Copilot Chat con el agente y el modo de planificación, y observarás cómo genera una implementación completa, incluyendo la gestión de tareas mediante arrastrar y soltar, el cambio de nombre de columnas y una interfaz de usuario limpia, todo ello guiado por las instrucciones de tu proyecto.

Más allá de la compilación inicial, esta lección abarca una de las habilidades más importantes al trabajar con cualquier agente de codificación con IA: la depuración rigurosa. Cuando la función de eliminar tarjetas falle y Copilot proponga una solución sin pruebas, aprenderás exactamente cómo rebatirla: indicándole al agente que reproduzca el problema, demuestre la causa raíz, implemente la solución y demuestre que funciona. Este flujo de trabajo de depuración estructurado se aplica a GitHub Copilot, Cursor y cualquier herramienta de desarrollo asistida por IA.

También explorarás cómo administrar los permisos de los agentes durante una sesión, compararás la salida de Copilot con el tablero Kanban de Cursor que vimos anteriormente en el curso y comprobarás cómo incluso un modelo más pequeño como Claude Haiku puede ofrecer resultados impresionantes a través del flujo de trabajo de agentes de GitHub Copilot en VS Code.

Si quieres aprender:

- ¿Cómo se instala y configura la extensión OpenAI Codex para VS Code para el desarrollo de IA?

- ¿Puede un agente de codificación de IA crear una aplicación Kanban completa a partir de una sola solicitud con la generación automática de código?

- ¿Cómo se compara OpenAI Codex con GitHub Copilot y otras herramientas de IA en un entorno de desarrollo integrado (IDE)?

- ¿Qué es el modo "Acceso completo del agente" en Codex y cómo afectan los ajustes de esfuerzo de razonamiento a la generación de código de IA?

- ¿Es necesario saber programación front-end para crear aplicaciones complejas en minutos con IA?

- ¿Cómo se gestionan varias extensiones de VS Code con IA y se organizan los flujos de trabajo de los proyectos?

¡Entonces esta clase es para ti!

En esta clase práctica, verás la creación automática de una aplicación Kanban totalmente funcional utilizando la extensión OpenAI Codex para VS Code, sin necesidad de codificación manual. Partiendo de un directorio de proyecto nuevo con solo un archivo de planificación `agents.md`, verá cómo Codex lee la documentación de forma autónoma, analiza los requisitos y genera un tablero Kanban de Next.js optimizado con funcionalidad de arrastrar y soltar, cambio de nombre de columnas, gestión de tareas y una interfaz de usuario profesional, produciendo 74 archivos en aproximadamente 15 minutos de desarrollo con IA.

Aprenderá a instalar la extensión de Codex en VS Code, configurarla con su cuenta de OpenAI, seleccionar el modelo adecuado (GPT 5.2 Codex) y ajustar la configuración del esfuerzo de razonamiento para obtener resultados óptimos. La lección explica cómo cambiar entre herramientas de IA en su IDE (de GitHub Copilot a Codex) y demuestra técnicas prácticas de flujo de trabajo, como clonar un repositorio inicial, organizar las carpetas del proyecto y usar el modo de Acceso Total al Agente (YOLO) para que la IA automatice todo el proceso de compilación.

Esta sesión también aborda cómo monitorizar el uso de la ventana de contexto y el consumo de tokens durante la generación, y analiza con franqueza las capacidades y limitaciones de la programación con IA de cero disparos. Comprobarás de primera mano que es posible crear aplicaciones front-end impresionantes en minutos, incluso sin tener amplios conocimientos de React o desarrollo front-end. Además, comprenderás que los flujos de trabajo más complejos y los sistemas de mayor tamaño requieren las estrategias más avanzadas que se abordarán en las próximas clases. Esta es una demostración contundente del estado actual de las herramientas de código de IA agente y cómo puedes aprovecharlas como socio de desarrollo colaborativo.

Si quieres aprender:

- ¿Qué es Google Antigravity IDE y cómo se compara con Cursor y VS Code para el desarrollo de IA?

- ¿Cómo se configura Antigravity IDE con Gemini 3 Pro para flujos de trabajo de codificación basados ​​en agentes?

- ¿Es posible crear aplicaciones complejas en minutos con la IA de Antigravity y sus funciones de agente integradas?

- ¿Cómo se comporta Gemini 3 Pro como modelo de generación de código de IA al crear un proyecto real desde cero?

- ¿Cuáles son las principales diferencias entre el sistema de reglas de Antigravity IDE y el enfoque estándar de agents.md?

- ¿Cómo funciona la automatización de pruebas de Antigravity con Playwright durante el desarrollo con IA?

¡Entonces esta clase es para ti!

En esta clase práctica, crearás una aplicación Kanban completamente funcional con Google Antigravity IDE, potenciado por Gemini 3 Pro, el nivel más avanzado del modelo de IA de vanguardia de Google. Partiendo de un clon de proyecto nuevo, aprenderás a configurar Antigravity, un IDE de IA de última generación derivado de VS Code, para un flujo de trabajo de codificación automatizada que transforma el desarrollo desde la solicitud inicial hasta la aplicación funcional.

Aprenderás a descargar e iniciar Antigravity desde antigravity.google, iniciar sesión con la autenticación de Google Cloud y navegar por su interfaz, similar a la de VS Code. La lección abarca los pasos de configuración esenciales, como habilitar la corrección automática de errores de lint, configurar el modo de ejecución automática para un desarrollo de IA ininterrumpido y crear el archivo `.agent/Rules/strategy.md` (la alternativa de Antigravity al archivo `agents.md` estándar) con el modo de activación correcto para un contexto siempre activo.

Con el entorno de desarrollo configurado, configurarás Gemini 3 Pro High para que compile la aplicación Kanban de forma autónoma, observando cómo el agente de IA planifica, escribe código, abre navegadores para verificar visualmente su trabajo y ejecuta pruebas automatizadas de Playwright para validar la funcionalidad. Verás cómo el modelo detecta las pruebas fallidas, las corrige y repite el proceso, todo ello sin intervención manual. La clase concluye con una revisión en directo del tablero Kanban finalizado, probando la función de arrastrar y soltar, la creación de tarjetas y la edición en línea, a la vez que se identifican áreas donde la IA podría perfeccionarse aún más. Se trata de una comparación directa y práctica de cómo Google Antigravity y Gemini 3 Pro se comparan con Cursor, GitHub Copilot y OpenAI Codex para la creación de aplicaciones reales con herramientas de IA.

Si quieres aprender:

- ¿Cuál es la mejor herramienta de codificación con IA en 2026: Cursor, GitHub Copilot, OpenAI Codex o Google Antigravity?

- ¿Cómo se comparan los principales IDE de codificación con IA en una prueba práctica y de funcionalidades reales?

- ¿Pueden los agentes de codificación con IA como Gemini 3 Pro y GPT 5.2 gestionar tareas de codificación iterativas con múltiples archivos de forma profesional?

- ¿Cuáles son las principales diferencias en el flujo de trabajo, las reglas del agente y los modos de planificación y ejecución entre los mejores IDE de IA actuales?

- ¿Cómo elegir la herramienta de codificación con IA adecuada para tu equipo y tus proyectos?

¡Entonces esta clase es para ti!

En esta clase, verás el veredicto final de una comparación directa entre las cuatro mejores herramientas de codificación con IA de 2026: Cursor AI, GitHub Copilot, OpenAI Codex y Google Antigravity. Tras probar cada IDE de IA en las mismas tareas de codificación reales —incluida la creación y mejora iterativa de un tablero Kanban con funciones como la creación de tarjetas, arrastrar y soltar, y la eliminación—, verá exactamente cómo se desempeña cada herramienta bajo presión. La lección explica cómo trabajar iterativamente con asistentes de codificación de IA, evaluando cómo cada agente gestiona las indicaciones, la refactorización y los cambios en varios archivos de código. Observará las similitudes que comparten estas herramientas de IA —agentes en la barra lateral, modos de planificación y ejecución, y configuración de reglas en agents.md o .agent—, así como las sutiles diferencias que pueden influir en su elección. La clasificación final sitúa a OpenAI Codex (con tecnología GPT 5.2) en primer lugar, con Google Antigravity (que ejecuta Gemini 3 Pro) en un muy cercano segundo lugar, mientras que Cursor y GitHub Copilot siguen siendo opciones sólidas y probadas. La conclusión principal: las cuatro herramientas de codificación de IA pueden realizar tareas similares, y la mejor herramienta de codificación de IA para usted depende de su flujo de trabajo, su equipo y su plan de precios. Una vez sentadas estas bases, la atención se centra en desarrollar las técnicas adecuadas para utilizar estos agentes de codificación de la forma más eficaz, empezando por el proyecto práctico YOLO en la próxima clase.

If you want to learn:

- What's the difference between an AI coding IDE and the LLM powering it — and why does it matter?

- Which LLMs work best for agentic coding in VS Code, Cursor, and other AI-powered IDEs?

- When should you use YOLO mode vs. step-by-step prompting with AI coding agents?

- How do frontier models like GPT 5.2 Codex, Gemini 3 Pro, and Claude Opus 4.5 compare for vibe coding workflows?

- Should you pick a fast AI model or a smart one — and how does that choice affect your budget and productivity?

- What mental model should you use when choosing the best AI model for your software development workflow?

Then this lecture is for you!

In this hands-on projects lecture, you'll move from theory to practice by putting your AI coding setup into YOLO mode — letting a top frontier LLM run autonomously to build real code. The session begins with a clear recap of the four IDE environments explored earlier in the week: Cursor (a fork of VS Code by AnySphere), GitHub Copilot (a VS Code extension), Codex (used as both a VS Code extension and a CLI tool), and Antigravity (Google's own VS Code fork). You'll learn why the distinction between the IDE tooling and the underlying LLM is the most important decision in your vibe coding workflow.

The lecture breaks down the specific AI models used across these platforms — including Composer (AnySphere's proprietary fast frontier model), Claude Haiku 4.5, Claude Sonnet 4.5, GPT 5.2-Codex with its 272K context window, and Gemini 3 Pro with its massive one-million-token context window. You'll understand what "fast frontier" vs. "top frontier" means in practice and how context window size impacts agentic coding performance across frontend, backend, and full-stack tasks.

Most importantly, you'll walk away with practical rules of thumb for choosing the right LLM: favor intelligence over speed, set a budget and pick the smartest model it supports, write more precise prompts when using smaller or open-source models, and reserve YOLO mode for top-tier frontier models like Claude Opus 4.5, GPT 5.2 Codex, or Gemini 3 Pro. For fast frontier models, the recommended workflow is baby steps — reviewing diffs, approving changes incrementally, and maintaining oversight throughout your coding session. This lecture gives you the mental model to match the right AI model to the right workflow for maximum productivity in modern software development.

If you want to learn:

- What are the five key principles for successful vibe coding with AI coding agents?

- How should you structure your agents.md file to get the best results from LLMs like Claude Code and Cursor?

- Why does starting simple and working incrementally lead to better outcomes in AI-assisted software development?

- How do you avoid common pitfalls when using agentic coding workflows — especially the temptation to YOLO?

- What's the real productivity boost from vibe coding, and when does it actually slow you down?

- How should junior vs. senior engineers approach AI coding tools differently?

Then this lecture is for you!

In this lecture, you'll learn five foundational principles for successful vibe coding — all united under one critical mental model: Be the Boss. You'll discover how to craft a concise, effective agents.md that clearly defines what needs to be built, the coding style to follow, and measurable success criteria. You'll understand why starting with a simple MVP and building incrementally — constantly testing and validating at each step — is far more effective than trying to boil the ocean with a complex prompt upfront.

The lecture tackles one of the biggest traps in agentic coding workflows: getting lazy after early wins. You'll learn why you must remain skeptical, challenge your AI coding agent at every step, demand evidence of fixes, and never let your guard down — even when the LLM sounds confident. You'll also get a realistic, balanced perspective on when vibe coding delivers a genuine 10X productivity multiplier (like scaffolding a frontend in a greenfield project) versus when it offers only incremental improvement or even subtracts value (like working with legacy codebases or newer technologies outside the model's training data, such as Streamable HTTP MCP servers).

Whether you're a junior engineer using AI models like Claude Code, Gemini, or Sonnet as a learning accelerator, or a senior engineer leveraging these tools to build full-stack systems faster — spanning frontend, backend, Terraform, and DevOps — this lecture gives you the disciplined, trust-but-verify mindset you need to get the most out of AI-assisted software development.

If you want to learn:

- What is OpenRouter and how do you use OpenRouter models in Cursor AI projects?

- How do you set up an API key on OpenRouter to connect to AI models like Claude, OpenAI, and Gemini from a single platform?

- What are the real trade-offs of AI-assisted development and YOLO coding workflows?

- How can you responsibly use a coding agent to build a Next.js app with an AI-powered digital twin chatbot?

- How do you access free AI models in the cloud through OpenRouter without needing separate accounts for every provider?

- What policies and best practices should developers follow when submitting AI-generated code?

Then this lecture is for you!

In this lecture, you'll set up OpenRouter as the backbone for making AI model calls in your coding projects — a critical step before diving into YOLO mode with Cursor AI. Before writing a single line of code, the lecture grounds you in responsible AI-assisted development. You'll examine Anthropic's research on how AI assistance impacts coding skills formation in junior developers, revealing that those who relied on AI scored significantly lower on comprehension quizzes than those who coded without it. You'll also walk through Jellyfin's real-world open-source policy on LLM-generated code contributions — a sharp, practical framework that insists developers must own, understand, and be able to explain every line of code they submit.

With those trade-offs firmly in mind, you'll move into the hands-on setup. You'll create an OpenRouter account, generate and securely copy your API key, configure privacy and guardrail settings to enable free model endpoints, and optionally add credits to access powerful paid AI models like Claude and GPT. The lecture explains how OpenRouter simplifies your development workflow by acting as a single gateway to connect to multiple frontier AI models — OpenAI, Anthropic, Google Gemini, and more — without managing separate accounts and API keys for each provider.

This setup directly feeds into the project you'll build throughout the course: a personal portfolio website powered by a Next.js app router, complete with an AI agent digital twin chatbot that answers questions about your career. You'll learn why keeping things simple is essential when vibe coding, how to recover when errors arise, and why the golden rule of AI-assisted development is that the code must always come from you. Whether you're deploying your first web app or optimizing an existing tech stack, this lecture gives you the responsible foundation to turbocharge your workflow with AI.

If you want to learn:

- How do you build a professional Next.js website using an AI agent in Cursor?

- What is YOLO mode in Cursor, and how do you configure it for fully autonomous code generation?

- How do you connect your OpenRouter API key to Cursor and set up your .env file correctly?

- How can GPT Codex build a stunning personal website from just a LinkedIn PDF and a single prompt?

- What's the fastest way to go from zero to a working Next.js app running on localhost?

- How do you troubleshoot and resolve errors in an AI-driven development workflow?

Then this lecture is for you!

In this hands-on lecture, you'll follow along as a complete Next.js website is built from scratch using GPT 5.2 Codex-High as the AI agent inside Cursor — the AI-powered code editor. This is full YOLO mode: one prompt, one PDF, and the agent does the rest.

You'll start by setting up a new project in Cursor, creating a properly formatted `.env` file with your OpenRouter API key (or OpenAI API key), and configuring a `.gitignore` to keep your secrets safe. You'll then walk through Cursor's agent settings — enabling auto-run mode, selecting the right AI model, and preparing the workspace for autonomous code generation.

The core of the lecture is a single, carefully crafted prompt that instructs the AI agent to read a LinkedIn profile PDF and build a stunning, enterprise-meets-edgy personal website using Next.js with the App Router. You'll watch the agent plan, scaffold, and generate the entire web app — including an About Me section, career journey timeline, portfolio placeholder, and working contact links — all without manual coding.

When the first build hits an error, you'll see how to debug in real time by simply pasting the terminal output back into the Cursor chat and letting the AI agent resolve the issue autonomously. The result is a polished, fully functional Next.js site running on localhost, complete with smooth navigation, dark-themed UI, and content pulled directly from the LinkedIn PDF.

This lecture covers project setup, environment variable configuration, Cursor AI agent settings, prompt engineering for web development, error resolution in an AI-driven workflow, and evaluating the output of autonomous code generation. Whether you're exploring AI-assisted development for the first time or looking to turbocharge your workflow with tools like Cursor, OpenRouter, and GPT Codex, this session delivers a practical, start-to-finish tutorial you can replicate immediately.

If you want to learn:

- How do you use OpenRouter to add AI chat functionality to a web application?

- What is an AI digital twin and how can you build one with vibe coding?

- How do you configure an OpenRouter API key and select the right AI model for your project?

- What are the best practices for checkpointing and taking backups when vibe coding with an AI agent?

- How do you debug and iterate on AI-generated code to fix rough edges?

- How can you review and improve the prompts powering your AI chatbot?

Then this lecture is for you!

In this hands-on lecture, you'll follow along as we use vibe coding and an AI agent in Cursor to add a fully functional AI digital twin chat to a personal portfolio website. The digital twin acts as an interactive chatbot that can answer questions about a professional's career, powered by a large language model accessed through OpenRouter. You'll learn how to set up your OpenRouter API key in a `.env` file, browse available models on OpenRouter — including free and paid options like GPT-OSS from OpenAI — and configure your AI agent to wire everything together automatically. The lecture walks through the complete workflow: prompting the AI agent with clear instructions, letting it build the frontend chat interface and backend API route in a Next.js app, then testing the results in the browser. You'll see both the impressive results and the rough edges that come with YOLO-mode vibe coding, and learn why it's critical to take backups — whether through Git commits or simple folder duplication — before each major change. Finally, you'll dive into the generated code to review the API route that calls OpenRouter, examine the system prompt driving the digital twin's responses, and discuss how to iterate and improve by enriching the prompt with detailed career information. This session highlights a practical, real-world approach to integrating LLMs into web applications while reinforcing the importance of code review, testing, and thoughtful debugging throughout your AI development workflow.

If you want to learn:

- How do you get unstuck when Claude Code or an AI model keeps making the same mistake during vibe coding?

- How can you use AI to write a comprehensive tutorial and code review of your own project?

- How does cross-model collaboration work between Codex and Claude Opus for better code quality?

- What's the best workflow for reviewing and improving AI-generated code before deploying it?

- How do you use Cursor to switch between LLMs like Claude Opus 4.5 and OpenAI Codex for different tasks?

- How can a complete beginner learn front-end coding by having an AI agent explain its own work?

Then this lecture is for you!

In this lecture, you'll see the final results of a multi-session vibe coding project — a polished personal website with a digital twin chat interface — and learn critical techniques for working effectively with AI coding agents. You'll discover what to do when your AI model gets stuck in a loop: rather than repeatedly prompting the same fix, you'll learn to instruct the agent to scrap its approach and rebuild from scratch, a simple but powerful debugging workflow. Once the project is running, you'll watch the agent generate a comprehensive Markdown tutorial covering the full technology stack, code structure, and detailed code samples — all written for a complete beginner in front-end development. This tutorial becomes both a learning resource and a way to verify the AI's work. Next, you'll see cross-model collaboration in action using Cursor: the project context is handed off from Codex to Claude Opus 4.5, Anthropic's strongest model, which performs an independent and thorough code review — including dependency analysis, security concerns around .env files, and prioritized remedial actions. You'll learn how to route that review back to the original agent to implement fixes or push back on suggestions. This lecture demonstrates a practical, repeatable workflow: vibe code fast, then use AI-generated tutorials and cross-model code reviews to understand, validate, and improve what was built. You'll also get guidance on simplifying projects when working with smaller or free models on OpenRouter, and a preview of the multi-agent collaboration patterns coming in later weeks.

If you want to learn:

- What are front-end and back-end in a web app, and how do they work together?

- How do APIs connect the front-end to the back-end in modern software development?

- What are React, Next.js, and other popular front-end frameworks used in AI-assisted development?

- What is Docker, and how do Dockerfiles, images, and containers actually work?

- How do you install and set up Docker Desktop for your first vibe coding project?

- Why is Docker an essential tool for agentic engineering and autonomous coding workflows?

Then this lecture is for you!

In this foundational lecture, you'll get a clear, beginner-friendly breakdown of how modern web applications are structured — covering front-end, back-end, APIs, and Docker — so you're fully prepared to build AI-powered projects using vibe coding and agentic AI workflows.

You'll start by understanding the difference between front-end code (HTML, CSS, JavaScript running in the browser) and back-end code (server-side logic handling databases, LLM calls, API keys, and secrets stored in .env files). You'll see how the front-end and back-end communicate through API calls, and why Python is the most common back-end language for AI coding and working with large language models.

Next, you'll explore the front-end landscape — from vanilla HTML and JavaScript to component-based frameworks like React, Vue, Angular, and Svelte — and learn why Next.js (built by Vercel) is the higher-level application framework used throughout this course. You'll also hear an honest take on how AI coding tools like Claude Code, ChatGPT, and Cursor generate front-end code that can look like slop, and where human UX expertise still adds irreplaceable value.

Finally, you'll get a concise introduction to Docker: what it is, why it matters for software engineering and agentic coding, and the three core concepts — Dockerfile (the recipe), Docker image (the blueprint), and Docker container (the live, isolated environment). You'll walk through installing Docker Desktop step by step, including tips for Windows users working with WSL, so you're fully set up and ready to build your first project with a JavaScript front-end and a Python back-end powered by AI agents.

If you want to learn:

- How do you set up a full-stack project using GitHub Copilot as your AI coding agent?

- What's the best way to structure a FastAPI backend with a React/Next.js frontend in a single repository?

- How do you write an effective agents.md prompt to guide GitHub Copilot through building a full-stack application?

- How can you build a REST API with FastAPI, a SQLite database, and AI chat features using an agentic development workflow?

- What are best practices for managing GitHub Copilot usage, premium requests, and model selection in VS Code?

- How do you inherit an existing frontend codebase and extend it into a complete full-stack app with AI tools?

Then this lecture is for you!

In this hands-on lecture, you'll set up a full-stack project from a cloned GitHub repository and configure GitHub Copilot in VS Code to build out a complete project management application. You'll start by reviewing your Copilot plan settings, tracking premium request usage, and selecting the right AI model for your development workflow. From there, you'll clone the starter repo containing an existing Kanban board frontend built with Next.js and prepare to extend it into a production-ready app with a Python FastAPI backend, SQLite database, REST API endpoints, and user authentication.

You'll walk through the full project structure — frontend, backend, scripts, environment configuration, and .gitignore setup — and learn how to properly manage your .env file with API keys for OpenRouter. The core of this session focuses on crafting a detailed agents.md prompt file that defines the MVP scope, technical decisions (FastAPI, Docker, UV package manager, OpenRouter for AI calls), coding standards, and project documentation references. This prompt acts as the blueprint that guides GitHub Copilot's agentic coding workflow as it generates boilerplate, scaffolding, and new code across the full stack.

You'll also learn why starting from an existing codebase — rather than building from scratch — is a valuable skill when working with AI code generation tools, and how to structure your prompts so the agent understands the starting point, dependencies, and the plan ahead. By the end of this lecture, your repository will be fully configured and ready for GitHub Copilot to begin building the backend, database layer, and an AI-powered chat feature that interacts with your project board.

If you want to learn:

- How do you plan and scaffold a full-stack project using GitHub Copilot and AI tools?

- What is the best step-by-step workflow for building a FastAPI backend with an AI copilot?

- How do you write an effective prompt to guide an AI agent through project planning?

- Why should you avoid YOLO mode and take a methodical approach when building with AI?

- How do you use checkpoints, Git commits, and testing to build bulletproof code with GitHub Copilot?

- What does a real development workflow look like when combining FastAPI, React, and AI-assisted coding?

Then this lecture is for you!

In this hands-on lecture, you'll watch a full-stack application take shape from a structured plan through scaffolding — all driven by GitHub Copilot as your AI coding partner. The session begins with a detailed 10-part project plan written in Markdown, covering everything from Docker setup and FastAPI backend configuration to database modeling, API routes, React frontend integration, and AI connectivity via OpenRouter. You'll learn why experienced developers put the AI on guardrails by defining high-level steps upfront rather than letting the LLM generate the entire plan unchecked — and when it's appropriate to let the AI propose its own approach.

You'll see the plan enriched into actionable checklists with tests, success criteria, and an agents.md file — all generated by prompting GPT-5 through Copilot's agentic workflow. The lecture demonstrates best practices for prompt engineering: asking the AI agent clarifying questions before any code is written, setting minimum unit test coverage targets, and approving each step before moving forward. From there, scaffolding begins — setting up the FastAPI backend with Docker, writing start and stop scripts, serving a "Hello, World!" endpoint, and verifying everything works with robust integration testing.

Throughout the process, you'll observe real pitfalls: the AI skipping tests, introducing unexpected dependencies like requirements.txt instead of UV, and attempting to move on before validation. Each issue becomes a teaching moment about why step-by-step checkpointing with Git commits is essential, and how to course-correct your AI copilot when it drifts. Whether you're a senior developer refining your AI-assisted development workflow or a beginner learning how modern Python full-stack projects are built, this lecture gives you a repeatable, methodical blueprint for building with confidence.

If you want to learn:

- How do you build a full-stack Kanban app using only GitHub Copilot as your AI coding assistant?

- How does Docker work with FastAPI to serve both a Python backend and a static frontend?

- What's the best way to test and verify each step when an AI agent is writing your codebase?

- How do you add authentication to a FastAPI app built entirely with GitHub Copilot?

- What are the common traps developers fall into when using LLMs for coding and test coverage?

- How do you use Git snapshots to safeguard your progress when building with AI?

Then this lecture is for you!

In this hands-on lecture, you'll follow along as a full-stack Kanban application is built from scratch using GitHub Copilot's agent mode — with Docker and FastAPI powering the backend. You'll watch the entire coding workflow unfold in real time: from reviewing the Dockerfile and Python requirements setup, to launching the FastAPI server, verifying API endpoints like `/health` and `/api/hello`, and serving a fully interactive Kanban frontend with drag-and-drop functionality.

The lecture walks through a structured, multi-part build plan. You'll see how to prompt GitHub Copilot effectively, how to trust but verify each step by testing routes in the browser at `localhost:8000`, and how to review code diffs before accepting AI-generated changes into your codebase. Part three introduces the static frontend — a polished Kanban Studio board — while part four layers in user authentication with sign-in, sign-out, and session persistence.

You'll also learn a critical lesson about AI-driven development: how LLMs can chase arbitrary targets like 80% test coverage by generating low-value tests, and how to re-steer the agent toward writing meaningful, valuable tests instead. The lecture covers practical developer workflow habits including running start scripts, managing terminal sessions, handling permission errors, and committing progress with Git before moving on to more complex steps like database integration. Whether you're a Python developer exploring AI-assisted coding or a full-stack developer looking to accelerate your workflow with GitHub Copilot, Docker, and FastAPI, this session delivers actionable, real-world guidance.

If you want to learn:

- How do you hook up a React frontend to a FastAPI backend in a full-stack Kanban app?

- How does OpenAI Codex handle debugging drag and drop issues in a JavaScript UI?

- When should you reset your context window and start a new chat with an AI coding agent?

- How do you persist Kanban board state across sessions using a proper database schema instead of a JSON blob?

- What's the best workflow for Git checkpointing while building an app using only Copilot and Codex?

- How do you guide an AI developer agent when it gets stuck in a debugging loop?

Then this lecture is for you!

In this lecture, you'll follow along with Day 5 of building a full-stack Kanban application using OpenAI Codex as your AI coding agent. The session picks up at a critical milestone — wiring the React frontend to the FastAPI backend — and walks through the entire process of testing, breaking, and fixing drag and drop functionality. You'll watch Codex design a relational database schema with dedicated tables for users, boards, columns, and cards, replacing a simpler JSON blob approach with a more scalable architecture. The lecture covers approving and executing multi-part build plans, running production builds with Docker, and verifying data persistence by logging in across browser sessions. A significant portion focuses on debugging drag and drop bugs: you'll see how Codex entered a loop — repeatedly failing its own automated tests even after the fix was already working — and why human involvement was essential to confirm the UI was functioning correctly. You'll also learn a key context window management technique: resetting the chat and having the agent re-read `plan.md` to maintain accuracy as the codebase grows. Every step is checkpointed with Git commits, demonstrating a disciplined full-stack development workflow powered by AI coding tools. By the end, the app is fully functional with working authentication, persistent state, and reliable drag and drop — ready to move on to AI connectivity in part eight.

If you want to learn:

- How do you integrate an AI assistant into a full-stack app using OpenRouter and Codex?

- What does it look like to build a Kanban board with AI chat functionality using GitHub Copilot?

- How do you manage context windows and fresh chat sessions to keep your AI coding agent efficient?

- What's the best way to checkpoint progress with Git when building an app with AI pair programming?

- How do you go from an MVP to a production-ready product with FastAPI, React, and Docker?

- What comes after vibe coding — and how does vibe engineering with Claude Code take things further?

Then this lecture is for you!

In this Week 1 finale, you'll watch the AI assistant Kanban app come together as we complete the final integration parts — connecting the frontend chat interface to a live OpenRouter API backend, with no mocking. You'll see firsthand how to manage Codex agent sessions by starting fresh chats, loading only essential context like `agents.md` and `plan.md`, and making efficient use of the context window to position your AI coding assistant for success.

The lecture walks through completing parts eight, nine, and ten of the build plan using GitHub Copilot powered by Codex. You'll see real decisions made in real time — choosing between mocked and live integration tests, configuring the OpenRouter base URL, and prompting the agent to update its own documentation when it forgets server startup commands. Each milestone is checkpointed with Git commits, reinforcing a disciplined full-stack development workflow.

The highlight: launching the completed app in Docker and interacting with a working AI assistant chat panel embedded in the Kanban board. The AI reads your board state, summarizes projects across columns, and even moves cards on command — all backed by a persistent database, FastAPI backend, and React frontend with authentication.

You'll also get an honest look at what needs improvement — a bloated `main.py` that needs refactoring, missing code review steps, and next steps like adding multiple users, streaming responses, deploying to Vercel or AWS, and connecting a remote database like Supabase. This is the launchpad: a real, deployable, full-stack Python and JavaScript application with AI integration that could become a commercial product. Week 1 wraps here. Week 2 begins the transition from vibe coding to vibe engineering with Claude Code.