HERRAMIENTAS
Andrew Ng publica un flujo de trabajo ‘spec-first’ para agentes de código con verificación humana
El fundador de DeepLearning.AI, Andrew Ng, propone tratar los agentes de código como colaboradores rápidos pero verificados. Su flujo “spec-first” pide definir bien la tarea, calibrar autonomía y revisar pruebas, arquitectura, seguridad, despliegue y comportamiento en producción, con ciclos iterativos. La guía desaconseja ejecuciones largas sin controles y refuerza la supervisión humana informada.
Qué ha ocurrido
Andrew Ng, fundador de DeepLearning.AI, ha publicado una orientación práctica para usar agentes de código como colaboradores supervisados. El enfoque arranca con investigación y especificación escrita (requisitos, diseño y arquitectura), fija un nivel de autonomía, y obliga a probar y revisar arquitectura, seguridad, despliegue y comportamiento en producción. Insiste en iteraciones y en que carreras largas sin verificación pueden fallar aunque ejecuten fielmente una mala arquitectura.
Qué significa para creadores
Si eres creador que desarrolla webs, productos o automatizaciones, adopta un guion ‘spec-first’: escribe requisitos y arquitectura antes de soltar al agente, limita su autonomía por tarea, añade pruebas y controles de despliegue y monitoriza producción. Conserva contexto entre sesiones (por ejemplo, archivos como AGENTS.md o CLAUDE.md), controla permisos, sanea deuda generada por agentes y solo usa agentes en paralelo cuando la coordinación lo justifique. Mide el valor por lo que puedes verificar, no por horas sin pausas; y evita aprobaciones mecánicas: la supervisión funciona cuando quien revisa tiene contexto suficiente para interrumpir a tiempo.
Fuente y contexto
La guía forma parte de su AI Engineering Skills Map (publicado el 4 de septiembre) y fue resumida por DeepLearning.AI el día 6, en un mercado que empuja hacia tareas más largas. Informes de Anthropic cuestionan que un botón de aprobación garantice control, y un ejercicio citado por The Register y pruebas de Yijia Shao con Devin señalan límites de la supervisión humana. Ng, con trayectoria en Google Brain, Baidu y Stanford, impulsa la adopción mediante cursos en DeepLearning.AI (agentes, revisión de código, LangChain, crewAI y flujos); las colaboraciones no implican aval y las condiciones comerciales no son públicas.