Epílogo: lo que construiste y cómo seguir

Palabras clave

Quarto, publicación reproducible, agentes de programación, Markdown, Python, EPUB, análisis de datos, k-means

Cerca del final del análisis del agua, cambió una opción en un script, y el informe para los funcionarios, las diapositivas para el concejo, la entrada de blog y el dashboard cambiaron todos con ella, sin volver a escribir un solo número. Para ese momento eran los proyectos del libro. La guía de Londres, la evaluación de Acme y el análisis del agua empezaron cada uno con texto plano y datos, se convirtieron en un estante de documentos para lectores distintos, y se reconstruyen con un solo comando. Los proyectos van a envejecer. El método no, y cabe en una tarjeta.

TipPide, revisa, publica

Pide. Escribe las reglas antes del primer pedido: un AGENTS.md corto mantiene a un agente dentro del alcance, las reglas de los datos y los comandos del proyecto a lo largo de las sesiones. Luego pide una tarea a la vez, nombrando el archivo, la columna y la salida, y terminando con una comprobación.

Revisa. Calcula cada número, para que se actualice y se pueda rastrear hasta sus datos. Antes de una reconstrucción, predice qué debería cambiar; después, comprueba que cambió. Di lo que un resultado no muestra.

Publica. Calcula una vez, publica muchas: un solo script escribe los resultados, y cada salida los lee. Protege con guardas las oraciones cuyas palabras dependen de los datos, y conserva un estado que sepas que funciona, un punto de control o un commit, para que trabarse sea un desvío corto.

El análisis del agua agregó cuatro hábitos que sirven para cualquier análisis. Sigue un caso, tu propia Tunja, a lo largo de cada paso, porque los agregados esconden lo que muestra un solo lugar. Llama a cada variable por lo que mide, como hizo “de prestadores” con el IRCA. Nunca definas grupos según la variable de resultado con la que los vas a comparar. Y abre cada referencia que te dé un agente antes de citarla.

Los formatos nunca fueron el objetivo. El trabajo con datos, software y aplicaciones de IA rinde cuando su público se involucra con él y actúa en consecuencia: una gerente decide, un concejo financia un acueducto, un lector prueba el método. Quarto, git y un servicio de alojamiento hacen que ese trabajo sea reproducible, para que otros puedan confiar en él, actuar a partir de él y construir sobre él; un agente lo hace rápido; revisar lo mantiene correcto. Lo que te queda es el criterio que ninguna herramienta tiene: para quién es el trabajo, y qué haría que lo leyeran.

Lo que ahora puedes hacer

Si trabajaste las partes II y V, la guía de Londres y el análisis del agua, puedes:

  • explicar cómo Quarto convierte una sola fuente de texto plano en muchos formatos, y por qué un número calculado no puede alejarse de sus datos;
  • dirigir un agente de programación de forma segura, con reglas escritas, una tarea por prompt y una comprobación después de cada una;
  • construir y publicar un sitio a partir de datos para varios lectores, como hiciste para Londres y para el análisis del agua;
  • leer el cambio de un agente con git diff antes de quedártelo, y deshacer uno con git restore;
  • predecir qué salidas actualiza un dato de entrada o una opción que cambia, reconstruir y explicar el resultado;
  • decir qué edición de este libro muestra cada figura interactiva, y por qué.

Si también trabajaste las partes III y IV, la evaluación de Acme, puedes:

  • calcular los resultados una vez y hacer que cada documento los lea, con pruebas, guardas y el renderizado, cada uno atrapando lo que los otros dejan pasar;
  • pedir por su nombre diapositivas, un sitio con marca y un white paper, y revisar cada uno contra lo que lo hace funcionar;
  • hacer un solo documento para muchos valores, y renderizar y revisar cada uno con un script;
  • hacer que la CI reconstruya cada pull request, para que una guarda que los resultados ya no respaldan lo ponga en rojo.

Si alguna de estas cosas no está firme, vuelve a los ejercicios de esa parte, empezando desde un estado que sepas que funciona en el Apéndice E — Los puntos de control de un vistazo, y respuestas.

Proyectos propios

La guía de Londres, la evaluación de Acme y el análisis del agua fueron práctica. Los cinco proyectos de aquí son el tipo de documento que ya haces, o que pronto te van a pedir, construidos a la manera del libro. Cada uno termina con la misma prueba, una reconstrucción desde una copia nueva, para que sepas que otra persona también podría hacerlo.

Dentro de cada proyecto, el orden es el que siguió el libro. Empieza con una salida para un lector; haz que calcule, para que ningún número se escriba a mano; luego agrega formatos. El segundo formato es donde el enfoque empieza a devolver lo que costó prepararlo; el primer cambio en los datos es donde se paga solo.

Tip¿Qué proyecto primero?

Elige el que tenga un lector real y una fecha: un resumen que tu gerente lee el primer lunes, un material complementario que se entrega con una nueva versión del artículo, un informe que vence en tres semanas, un informe que los inversionistas esperan el día 5, una revisión de diseño la semana que viene. Luego comprueba que puedes usar sus datos con un agente (más abajo). Si dos cumplen, empieza por el más pequeño. Termina un proyecto, con la prueba del clon nuevo incluida, antes de empezar otro; el segundo va más rápido.

Empieza cada proyecto de la misma manera

El documento de diseño es la excepción: vive en un repositorio que ya tienes, así que sáltate esta preparación y empieza en una rama de ese repositorio, como en el 3  La vía rápida. Para los demás, crea la carpeta del proyecto y entra en ella (Consigue los archivos): para el resumen, mkdir ~/metrics-brief y luego cd ~/metrics-brief. Crea dentro una carpeta data/ (mkdir data) y copia ahí tus archivos, sin cambios; el Finder o el Explorador de archivos sirven. Empieza el historial con git init -b main y haz commit de los datos, git add data y luego git commit -m "Data, as exported" (Empieza un historial). Luego encárgale al agente la preparación, con las reglas escritas antes del primer pedido (Reglas que perduran: AGENTS.md). Este prompt y los que siguen son ejemplos: cambia los nombres de archivo y de columna por los tuyos.

Pídele a tu agente
Prepara esta carpeta para un informe de Quarto con `uv`: ejecuta `uv init --bare` y luego `uv add ipykernel nbclient nbformat pyyaml pandas matplotlib`. Escribe AGENTS.md: los archivos de data/ son entradas, nunca los edites; cada número sale de data/ a través de código; ejecuta quarto a través de `uv run`. Escribe un .gitignore para .venv/, .quarto/ y las salidas renderizadas. Muéstrame `git status`.

El agente escribe AGENTS.md, pyproject.toml, uv.lock y .gitignore; las estructuras de abajo muestran el resto. Los archivos nuevos aparecen en git status como no rastreados (untracked), no en git diff, así que ábrelos y léelos, y luego haz commit tú. De ahí en adelante, lee cada cambio con git diff (Pásale la corrección al agente) y haz commit después de cada prompt cuyo resultado revisaste, para que una vuelta mala quede a un git restore de distancia.

TipMantén privados los datos privados

Lo que lee un agente se envía al modelo, en los servidores de su proveedor (Modelo más harness). Antes de que un archivo confidencial se encuentre con un agente, lee la política de IA y de datos de tu organización; si el agente no está aprobado para esos datos, construye el proyecto con un archivo inventado que tenga las mismas columnas, rotulado como tal, y renderiza tú el real. La Datos confidenciales reúne los hábitos completos, y lo que hace el plan de cada proveedor con lo que se le envía.

Un informe interno de métricas

Para quién es. Cualquiera que manda las mismas cifras cada mes: una analista, un responsable de operaciones, una gerente. Cada mes exportas un CSV desde tu propia herramienta (un CRM, un sistema de tickets, un programa de finanzas) y lo conviertes en un resumen de una página, como página web y como archivo de Word. Empieza con:

metrics-brief/
├── AGENTS.md
├── data/
│   ├── 2026-09.csv   each month's export, saved unchanged
│   └── 2026-10.csv
├── brief.qmd         the agent writes it
├── pyproject.toml
└── uv.lock

Construyes brief.html y brief.docx. El primer prompt hace una salida que calcula:

Pídele a tu agente
Escribe brief.qmd con los formatos html y docx. Lee el archivo más reciente de data/ (los archivos se llaman YYYY-MM.csv) e indica su mes, su número de filas y el total de `amount`, cada uno como código en línea. Renderiza, y dime qué archivo leyó.

Luego, la comparación a partir de la cual actúa un lector:

Pídele a tu agente
En brief.qmd, agrega una tabla del total de `amount` por `region` para el mes más reciente y el anterior, con el cambio, y un gráfico de barras del cambio con pie de figura y texto alternativo. Renderiza los dos formatos; comprueba que el total de la tabla sea igual al de la oración.

Una exportación puede cambiar de forma cuando alguien le cambia el nombre a una columna, así que haz que el resumen lo diga en lugar de imprimir disparates, y deja que el código elija las palabras de la única oración que depende de los datos:

Pídele a tu agente
Haz que brief.qmd se detenga con un error que nombre la columna si a la exportación más reciente le falta `date`, `region` o `amount`. Pruébalo con una copia con una columna renombrada en una carpeta temporal, luego borra la copia y vuelve a renderizar.
Pídele a tu agente
Agrega una oración que diga si el total subió o bajó desde el mes anterior, con palabras que elija el código a partir de los dos totales. Renderiza, y muéstrame la oración.

Lo que solo tú puedes revisar. Abre la exportación en su propia herramienta y compara el total de una región con el del resumen. Abre el archivo de Word: ¿cabe en una página? Muéstraselo a un lector y pregúntale qué haría distinto después de leerlo; si la respuesta es “nada”, el resumen necesita otra pregunta, no más gráficos.

La prueba de reconstrucción es el archivo del mes siguiente. Cuando llegue, guárdalo en data/, predice qué números van a cambiar, renderiza y compara (Predice, cambia, reconstruye). Para ensayar ahora, quita la exportación más reciente (rm data/2026-10.csv), predice, renderiza y luego tráela de vuelta con git restore data/2026-10.csv.

Terminaste cuando la exportación del mes siguiente reconstruye los dos formatos sin ninguna otra edición, el total de una región coincide con el de la herramienta y la prueba del clon nuevo da el mismo resumen.

Un material complementario de investigación reproducible

Para quién es. Personas investigadoras con un artículo en curso. El material complementario reúne las figuras y tablas del artículo, cada una calculada a partir de los datos, con pies, texto alternativo y citas, como página web y como PDF que los revisores pueden abrir y que tú puedes reconstruir después de cada revisión. Empieza con:

paper-supplement/
├── AGENTS.md
├── data/
│   ├── README.md        each file's source, licence and date
│   └── measurements.csv your data, unchanged
├── references.bib     the agent writes it
├── supplement.qmd     the agent writes it
├── pyproject.toml
└── uv.lock

Construyes supplement.html y supplement.pdf, con el PDF hecho con Typst como en la Una sola fuente, tres formatos.

Pídele a tu agente
Escribe supplement.qmd con los formatos html y typst. Agrega la Tabla S1 a partir de data/measurements.csv: n, media y desviación estándar de `value` por `group`, con pie de tabla. Renderiza los dos; comprueba que los valores de n sumen las filas del archivo.
Pídele a tu agente
Agrega la Figura S1, `value` por `group` como diagrama de caja, con un pie de figura y un texto alternativo que diga lo que muestra la figura, no solo lo que es (`fig-cap`, `fig-alt`). Renderiza los dos formatos; comprueba que la figura y su pie aparezcan en el PDF.
Pídele a tu agente
Agrega una sección de Datos que cite cada fuente de data/README.md, desde un references.bib nuevo configurado como `bibliography`. Enumera cada DOI y URL que usaste para que yo pueda abrir cada uno; no cites nada que no hayas podido encontrar.
Pídele a tu agente
Agrega una sección "Uso de IA" que nombre el agente, su versión y las tareas que hizo aquí, con un TODO donde yo enumeraré las comprobaciones que hice. Renderiza, y muéstrame la sección.

El último prompt sigue la Usar IA en una investigación: decláralo y hazte cargo: la herramienta nunca es autora, tú respondes por lo que produjo y dices cómo la usaste. Las comprobaciones las escribes tú, porque solo tú las hiciste.

Lo que solo tú puedes revisar. Compara cada número del texto del artículo con el del material complementario. Abre cada referencia, porque un agente puede producir una verosímil que no existe (Un dashboard y un documento técnico (opcional)), y lee la oración que la cita. Confirma que puedes compartir los datos: deciden el consentimiento, la aprobación ética y los acuerdos de datos, no el agente. Lee las reglas de la revista sobre el material complementario y sobre el uso de IA.

Terminaste cuando cada figura y tabla de los dos formatos sale de una celda y tiene pie y texto alternativo, cada cita abre la obra que nombra, la declaración de uso de IA nombra la herramienta, las tareas y tus comprobaciones, y la prueba del clon nuevo da el mismo material complementario.

Un informe de curso

Para quién es. Estudiantes con un trabajo práctico que involucra datos. Construyes report.pdf y lo entregas con la fuente, para que quien corrige pueda reconstruirlo y ver que cada número salió de los datos. Empieza con:

coursework/
├── AGENTS.md
├── data/survey.csv   the data the assignment gives you, unchanged
├── README.md         how to rebuild it (the agent writes it)
├── report.qmd        the agent writes it
├── pyproject.toml
└── uv.lock

Un trabajo de curso tiene una regla que los otros proyectos no tienen: el trabajo que se califica tiene que ser tuyo. Empieza con la política de IA del curso, antes de cualquier otro prompt.

Pídele a tu agente
Agrega a AGENTS.md las reglas de la política de IA de mi curso, pegada abajo, y que data/survey.csv no se debe editar nunca. Luego enumera, una línea cada una, lo que puedes y lo que no puedes hacer por mí según esas reglas.
Pídele a tu agente
Escribe report.qmd con el formato typst y las secciones que pide la consigna del trabajo (pegada abajo), y una oración con código en línea que dé el número de respuestas de data/survey.csv. Renderiza report.pdf; dime cómo comprobaste el número.
Pídele a tu agente
Escribe README.md: qué es el proyecto y cómo reconstruir report.pdf desde una copia nueva (instalar uv y Quarto, y luego `uv run quarto render report.qmd`). Luego agrega una declaración de uso de IA al final de report.qmd en la forma que pide mi curso. Renderiza, y muéstrame las dos cosas.

Si la política prohíbe usar un agente en trabajos que se califican, construye el proyecto a mano, como en el 5  Un primer informe, a mano: todo lo de aquí, salvo los prompts, sigue valiendo.

Lo que solo tú puedes revisar. Lee tú la política, y pregúntale a quien dirige el curso cuando no esté clara; el resumen que haga el agente no es un permiso. Asegúrate de poder explicar cada línea de código y cada oración, porque quien corrige puede preguntarte. Compara el PDF con las reglas de extensión y formato de la consigna. Entrega la fuente como lo pide el curso; para un zip con exactamente lo que registraste en commits (sin .venv/ ni archivos renderizados), ejecuta git archive -o coursework-source.zip HEAD.

Terminaste cuando report.pdf responde a la consigna, la declaración de uso de IA coincide tanto con lo que hiciste como con lo que permite la política, y la prueba del clon nuevo, hecha siguiendo tu propio README.md, da el mismo PDF.

Un informe mensual para inversionistas

Para quién es. Quien funda una empresa, o un equipo temprano, y les escribe a sus inversionistas cada mes, como hizo Acme en el 14  Informes que se generan solos, pero con cifras propias. Tus cifras, no las de un modelo: clientes, ingresos, gasto mensual (burn) y caja, en una hoja de cálculo que exportas como CSV, y unas líneas con tus propias palabras sobre lo que pasó y lo que necesitas. Empieza con:

investor-update/
├── AGENTS.md
├── data/metrics.csv   one row a month: month, customers, mrr, burn, cash
├── notes/
│   └── 2026-10.md     your highlights and asks, in your words, no numbers
├── update.qmd         the agent writes it
├── pyproject.toml
└── uv.lock

Las cifras para inversionistas son confidenciales: mantén privado el repositorio, y manda el PDF, no un enlace a una página. Construyes update.pdf y update.docx para cualquier mes.

Pídele a tu agente
Escribe update.qmd, un informe mensual para inversionistas con los formatos typst y docx, parametrizado por `month` (una celda etiquetada `parameters` cuyo valor por defecto es "latest", que significa el último mes de data/metrics.csv). Muestra los valores de `customers`, `mrr` y `cash` de ese mes, cada uno como código en línea, y la autonomía (runway) en meses como `cash` dividido por `burn`, con una nota que diga cómo se calcula. Agrega papermill con `uv add papermill`, renderízalo para el mes anterior al último con `-P`, y dime qué mes muestra.
Pídele a tu agente
Agrega el cambio de cada cifra respecto del mes anterior, con su palabra (sube, baja o sin cambios) elegida por el código a partir de las cifras tal como se imprimen, y haz que el renderizado se detenga con un mensaje que enumere los meses válidos si `month` no está en los datos. Pruébalo con un mes que no esté.
Pídele a tu agente
Debajo de las cifras, incluye notes/<month>.md, mis propias palabras sobre lo destacado y lo que pido, y detente con un mensaje claro si falta el archivo de notas de ese mes. Renderiza el último mes en los dos formatos, y muéstrame las notas como aparecen en el PDF.

En la prueba, estos prompts funcionaron tal como están escritos, con una empresa inventada. Tres cosas que no resuelven te tocan a ti. La autonomía aquí es la caja dividida por el gasto mensual; si tus inversionistas esperan el gasto neto, el gasto menos los ingresos, dilo en el prompt y en la nota. Cada renderizado sobrescribe el anterior: update.pdf es el último mes que renderizaste, y un renderizado que falla deja en su lugar los archivos del mes anterior, así que revisa el mes impreso en el PDF antes de mandarlo, o nombra cada archivo por su mes con -M output-file:update-2026-10, como hace la Cada valor, revisado. Y el primer mes de los datos no tiene un mes anterior; el agente de la prueba escribió que no había un mes anterior con el cual comparar, y el tuyo debería decir algo, no detenerse.

Lo que solo tú puedes revisar. Compara la caja con el extracto bancario y los ingresos con tu herramienta de facturación, cada mes. Lee las notas como las leería un inversionista: un pedido sin un número o una fecha no es un pedido. Muéstrale el informe a tu socio o socia antes de que salga.

La prueba de reconstrucción es el mes siguiente. Agrega la fila y el archivo de notas, renderiza sin -P y comprueba que el valor por defecto encontró el mes nuevo.

Terminaste cuando el informe de cualquier mes de los datos se renderiza en los dos formatos con las cifras y las notas de ese mes, un mes que no está en los datos detiene el renderizado con la lista de meses válidos, y la prueba del clon nuevo da el mismo PDF.

Un documento de diseño con números en vivo

Para quién es. Una persona ingeniera que propone un cambio en una base de código: un documento de diseño, o RFC, cuyo argumento se apoya en mediciones y en lo que el código permite. Los datos no son un conjunto de datos sino el código mismo: un benchmark que ejecutas, y opciones leídas del código fuente, para que el documento no pueda citar un tiempo que nadie midió ni enumerar una opción que el código ya no tiene. El ejemplo de abajo compara dos maneras de contar palabras en un paquete pequeño, textstats; cambia los nombres por los de tu repositorio. Empieza con tu repositorio, en una rama, con los paquetes de Quarto agregados como en el 3  La vía rápida:

your-repository/
├── src/textstats/
│   ├── core.py        the code the proposal changes
│   └── config.py      its settings
└── rfc/
    ├── bench.py       the agent writes it
    ├── results.json   bench.py writes it; commit it
    └── rfc.qmd        the agent writes it
Pídele a tu agente
Escribe rfc/bench.py: mide el tiempo de `count_words_loop` frente a `count_words_counter` de src/textstats/core.py con textos de tres tamaños, cinco repeticiones cada uno, y escribe rfc/results.json con la mediana y el rango de tiempo de cada uno, la versión de Python, la máquina y la fecha en que se ejecutó. Ejecútalo, y muéstrame las medianas.
Pídele a tu agente
Escribe rfc/rfc.qmd, un documento de diseño en html y typst con las secciones Contexto, Propuesta, Mediciones, Alternativas y Decisión. Mediciones lee rfc/results.json para una tabla y un gráfico con texto alternativo, dice en qué máquina y con qué Python se midió, y elige por código la palabra "más rápido" o "más lento", con una guarda. Deja las otras secciones como un título y una línea que diga qué va ahí. Renderízalo, y muéstrame la oración con esa palabra.
Pídele a tu agente
Agrega una tabla de las opciones de src/textstats/config.py, leídas del código al renderizar (el nombre, el valor por defecto y la descripción de cada una), para que el documento no pueda enumerar una opción que el código ya no tiene. Renderiza, y dime cómo las leíste.

Construyes rfc/rfc.html y rfc/rfc.pdf; la prosa de Contexto, Propuesta, Alternativas y Decisión es tuya. De la prueba: Quarto ejecuta el código del documento desde su propia carpeta, rfc/, así que cada ruta dentro de él es relativa a rfc/: el documento lee results.json, no rfc/results.json, y llega al código como ../src/textstats/config.py o, mejor, importando el paquete, como hizo el agente de la prueba. Un agente que copia en el código las rutas del prompt obtiene un error de archivo no encontrado. Los archivos renderizados también quedan en rfc/: agrégalos a .gitignore. Y el texto alternativo no se puede calcular en las opciones de celda de un documento de Python (!expr es solo para knitr de R); escribe un texto alternativo que describa el gráfico sin sus números, y deja que la tabla los lleve.

Lo que solo tú puedes revisar. Revisa el nombre de la máquina en results.json: en una Mac, platform.processor() de Python dice solo “arm”, y el agente de la prueba tuvo que pedirle al sistema el nombre del chip. Ejecuta el benchmark dos veces. En la prueba, la función más rápida siguió siendo la más rápida, pero las medianas se movieron hasta alrededor de un seis por ciento entre ejecuciones, más de lo que sugería el rango de cinco repeticiones: informa la dirección y la proporción, no el tercer decimal, y di en qué máquina se ejecutó. Haz commit de results.json con el documento, para que quien revise lea los números que mediste; vuelve a ejecutarlo cuando cambie el código. Luego pregúntale a quien revise si la sección Alternativas nombra la opción que habría propuesto.

La prueba de reconstrucción es el código. Agrega una opción a config.py y renderiza: la tabla la muestra. Luego vuelve a quitarla.

Terminaste cuando las tablas de mediciones y de opciones salen de results.json y del código al renderizar, la palabra “más rápido” o “más lento” la elige el código y está protegida por una guarda, y la prueba del clon nuevo da el mismo documento.

La prueba del clon nuevo

La última comprobación de cada proyecto es la que hará un colega, un revisor o quien corrige: reconstruirlo desde lo que registraste en commits, en una copia limpia. Lo que solo existía en tu computadora, un archivo al que nunca le hiciste commit o un paso hecho a mano, aparece aquí y no en su bandeja de entrada.

  1. En la carpeta del proyecto, ejecuta git status. Si enumera algo, haz commit (Empieza un historial) hasta que diga nothing to commit, working tree clean.

  2. Clona el proyecto en una carpeta nueva y renderízalo ahí. Para el resumen:

    git clone ~/metrics-brief ~/metrics-brief-check
    cd ~/metrics-brief-check
    uv run quarto render brief.qmd

    El clon no tiene .venv/ ni salidas, porque .gitignore las dejó fuera del historial, así que el primer renderizado vuelve a construir el entorno, como en la Renderízalo tú. Un clon local copia entre carpetas de tu propia computadora; no se sube nada. Para los otros proyectos, usa sus nombres de carpeta y de archivo.

  3. Abre lado a lado cada salida de las dos carpetas y compara cada número.

Un renderizado que falla o un número distinto es un hallazgo, no un fracaso: haz commit del archivo que falta, o convierte el paso manual en código, y vuelve a clonar. Cuando las dos coincidan, borra la carpeta de comprobación; es solo una copia.

Los agentes, los modelos y las opciones de Quarto van a seguir cambiando, y algunos detalles de este libro con ellos. El ciclo no. Pide una cosa. Revísala contra los datos. Publica solo lo que revisaste, desde una sola fuente, tan seguido como cambien los datos.

Cómo seguir