Cada Error Se Convierte en una Regla:
Cómo diffray Aprende de Tu Feedback

El líder de producto Aakash Gupta lo resumió perfectamente: "Cada error se convierte en una regla." Cuanto más tiempo trabaja un equipo con IA, más inteligente se vuelve.

Esta es exactamente la filosofía sobre la que está construido diffray. Hoy te mostraremos cómo funciona internamente.

El Problema: La Contaminación del Contexto Mata la Calidad de la Revisión

Antes de hablar sobre reglas, necesitamos entender el principal desafío técnico de la revisión de código con IA — la contaminación del contexto.

La investigación de Anthropic muestra que los LLMs, como los humanos, pierden el enfoque a medida que la ventana de contexto se llena. Las correcciones se acumulan, las discusiones secundarias se apilan, las salidas de herramientas obsoletas permanecen. El resultado es predecible:

JetBrains Research (Diciembre 2025) cuantificó esto: los contextos de agentes crecen tan rápidamente que se vuelven costosos, pero no ofrecen un rendimiento de tareas significativamente mejor. Más contexto ≠ mejores resultados.

La Solución: Subagentes Especializados con Contexto Aislado

Boris Cherny usa subagentes como "encapsulaciones automatizadas de los flujos de trabajo más comunes." Su filosofía:

En lugar de un revisor omnisciente, su comando de revisión de código genera múltiples agentes paralelos con responsabilidades distintas:

Esta capa adversarial es crucial. Los agentes secundarios desafían los hallazgos del primer pase, eliminando falsos positivos a través del escepticismo estructurado.

El resultado, en palabras de Cherny: "encuentra todos los problemas reales sin los falsos."

Cómo Funciona Técnicamente

Cuando el agente principal delega a un subagente, se genera una ventana de contexto nueva que contiene solo la descripción de la tarea y los parámetros relevantes. El subagente puede explorar extensivamente—consumiendo decenas de miles de tokens buscando código—pero devuelve solo un resumen condensado de 1,000-2,000 tokens.

Esto preserva el enfoque del agente principal mientras permite un análisis profundo.

En diffray, usamos más de 30 agentes especializados, cada uno enfocado en un dominio específico: seguridad, rendimiento, estilo de código, patrones arquitectónicos, y más. Cada agente opera en un contexto aislado y devuelve solo hallazgos sustanciales.

Creación de Reglas: Convirtiendo Feedback en Conocimiento

Ahora el evento principal. Los subagentes resuelven el problema del contexto. Pero ¿cómo haces que la IA aprenda de tus correcciones?

El Patrón CLAUDE.md

En Claude Code, los equipos mantienen un archivo CLAUDE.md en su repositorio—una especie de "constitución" para el proyecto. El archivo se carga automáticamente en contexto en cada sesión.

Pero hay una limitación crítica. La investigación de HumanLayer muestra que el prompt del sistema de Claude Code ya contiene ~50 instrucciones, y los LLMs de frontera siguen de manera confiable solo 150-200 instrucciones en total. La calidad de seguimiento de instrucciones disminuye uniformemente a medida que aumenta el conteo.

Esto significa: no puedes simplemente volcar 500 reglas y esperar magia.

Tres Niveles de Conocimiento

Las reglas efectivas codifican conocimiento en tres niveles:

## Stack Tecnológico
- Backend: Python 3.11, FastAPI, SQLAlchemy
- Frontend: React 18, TypeScript, TailwindCSS
- BD: PostgreSQL 15

## Por Qué NO Usamos ORM para Consultas Complejas
Historial: ORM generaba consultas N+1 en reportes.
Decisión: SQL crudo para analytics, ORM solo para CRUD.

## Antes de Hacer Commit
- Ejecutar `make lint` — debe pasar sin errores
- Ejecutar `make test` — la cobertura no debe bajar

El Problema con los Enfoques Manuales

El mantenimiento manual de reglas funciona... mientras tu equipo sea pequeño y disciplinado. En realidad:

Cómo diffray Automatiza la Creación de Reglas

diffray invierte el proceso. En lugar de escribir reglas manualmente, simplemente das feedback en las revisiones.

El Ciclo de Aprendizaje

Tipos de Reglas en diffray

Ejemplo Práctico: De Molestia a Regla

Imagina: diffray deja un comentario en tu PR:

Sabes que este es un módulo legacy programado para reescritura el próximo trimestre. Arreglar los tipos ahora sería una pérdida de tiempo.

Respondes: "Esto es legacy, el tipado se abordará durante la refactorización del Q2"

Lo que sucede después:

Pero importante: la regla no es permanente. La fecha de expiración significa que después del Q2, diffray comenzará a verificar tipos en ese directorio nuevamente.

La Métrica: Reduciendo la Tasa de Falsos Positivos

La medida clave de la efectividad de la revisión de código con IA es la tasa de falsos positivos. ¿Cuántos comentarios de 100 fueron inútiles?

Benchmarks típicos de la industria:

Cómo lo logramos:

Comenzando: Tres Pasos

Cada interacción hace a diffray más inteligente. Después de un mes, tendrás un revisor de IA personalizado que conoce tus convenciones mejor que un nuevo desarrollador después del onboarding.

Conclusión: IA Que Crece con Tu Equipo

La filosofía de "cada error se convierte en una regla" no es solo una frase pegadiza. Es un principio arquitectónico que separa las herramientas de juguete de las soluciones listas para producción.

diffray está construido sobre tres pilares:

El resultado: revisión de código con IA que mejora con cada PR. No porque el modelo se actualizó, sino porque aprende de tu equipo.