Next.js
App Router, RSC, buenas prácticas Vercel, evitar waterfalls, optimizar bundle y usar las skills React/Next.js del proyecto.
Cómo uso IA para mejorar la calidad del código y la productividad en el día a día.
Un gran código empieza con bases sólidas.
Cuando me preguntan si uso IA en mi día a día, esta es mi respuesta: un flujo repetible que mantiene la calidad alta y el resultado predecible en cualquier stack.
Productividad y calidad2x
El flujo, paso a paso
Bases sólidas
Antes de generar una sola línea, definir la base: requisitos claros, alcance y criterios de éxito.
Elegir el modelo adecuado
Elegir un modelo capaz para la tarea: Gemini, Claude, Kimi o ChatGPT — según contexto, calidad de código y disponibilidad.
Elegir la herramienta adecuada
Cursor, Windsurf, Claude Code, Codex u otra — el IDE o agente que mejor se adapte a tu stack y flujo.
Historias de usuario y criterios de aceptación
HUs bien escritas con criterios de aceptación explícitos para que la IA (y el equipo) sepan qué significa "hecho".
Skills y reglas
Usar skills del proyecto (ej. buenas prácticas React, SOLID) y reglas de Cursor para que la IA siga tus estándares.
MCPs que amplían la IA
Mis MCPs favoritos: Playwright, Context7, Supabase, Chrome DevTools, GitHub, Notion — para docs, BD, automatización en navegador y repos.
Dar contexto a la herramienta
Adjuntar archivos relevantes, pegar mensajes de error y describir el objetivo para que la IA tenga suficiente señal.
Arquitectura y patrones claros
Estructura de proyecto y patrones de diseño definidos (backend y frontend) para que el código generado encaje en el sistema.
Contrato de datos
Definir esquemas y contratos (tipos de API, modelos de BD) para que la IA no invente ni borre campos.
Código con buenas prácticas
Clean Code, SOLID y guías del framework (ej. buenas prácticas Vercel React/Next.js) aplicadas de forma consistente.
Pruebas
Pruebas unitarias, E2E y flujos automatizados con Playwright para detectar regresiones y validar comportamiento.
Pipelines CI/CD
GitHub Actions (u otro) para ejecutar tests, lint y deploy — cada cambio validado antes del merge.
Code review
Revisión humana o asistida por herramientas (PRs en GitHub, SonarQube, revisión por pares) para mantener calidad y consistencia.
Aplicado a cada stack
El mismo flujo se adapta al stack: primero bases y calidad, luego prácticas específicas del stack.
Java Spring Boot
Arquitectura en capas, convenciones REST, Spring Security, código limpio y pruebas (JUnit, MockMvc, Testcontainers).
Python
FastAPI o Django, type hints, pytest y estructura de proyecto clara (layout src, inyección de dependencias).
React Native
Expo cuando sea posible, conciencia de rendimiento, módulos nativos cuando haga falta y el mismo nivel de calidad que en React web.