Diez dólares al mes por GitHub Copilot, o veinte por Cursor, no parecen gran cosa. Pero cuando eres autónomo o llevas un negocio pequeño, cada suscripción suma. Y lo peor: no controlas qué pasa con tu código ni puedes afinar el asistente a tu estilo. ¿Y si pudieras montar tu propio asistente de programación gratis, que se ejecuta en tu máquina y además aprende a mejorar con el tiempo? Hoy te enseño a hacerlo con dos herramientas de código abierto que acaban de salir: llm-coding-agent y DSPy. Sin letra pequeña, sin depender de la nube de nadie.
El coste real de los asistentes de IA para programar
GitHub Copilot cuesta 10 $/mes (unos 9,20 €) para particulares. Cursor Pro, 20 $/mes. Son 120 o 240 euros al año. Si además quieres usar modelos avanzados como GPT-4, Copilot te pide otros 10 $/mes extra. Y aunque la integración en el editor es cómoda, estás atado: si un día GitHub cambia las condiciones, te aguantas. Para un freelancer que factura proyectos pequeños, ese gasto recurrente pica.
Pero el coste no es solo económico. Estos asistentes son cajas negras. No puedes ver por qué sugieren una línea u otra. No puedes entrenarlos con tus librerías internas. Y desde luego, no puedes hacer que mejoren solos.
Hasta ahora.
Llévalo a tu terreno con llm-coding-agent
llm-coding-agent es un proyecto de Simon Willison que actúa como un asistente de código por línea de comandos. Se instala con un simple pip install llm-coding-agent y funciona con cualquier modelo de lenguaje que tengas a mano, incluidos los gratuitos que puedes ejecutar en local con Ollama (Llama 3, Mistral, etc.).
¿Cómo se usa? Abres tu terminal, navegas hasta la carpeta del proyecto y escribes algo como:
llm-coding-agent "añade validación de email en el formulario de registro"El agente lee tu código, entiende el contexto y genera los cambios. Puedes revisarlos antes de aplicarlos. Sin interfaz gráfica bonita, pero con control total. Y lo mejor: cero coste si usas un modelo local. Incluso con APIs de pago (OpenAI, Anthropic), el gasto es minúsculo comparado con una suscripción fija.
Para empezar esta misma semana, necesitas:
- Python 3.10+ instalado.
- Ollama corriendo con, por ejemplo,
ollama pull llama3(gratis). - Instalar el agente:
pip install llm-coding-agent. - Configurar la variable de entorno
OPENAI_API_BASEsi usas Ollama (opcional, pero recomendado para tirar de local).
En menos de 10 minutos tienes un asistente de programación gratis funcionando. Pero aquí viene lo bueno: ¿y si pudieras hacer que este asistente mejore con cada uso, sin que tú muevas un dedo?
DSPy: el cerebro que optimiza tus prompts automáticamente
DSPy es un framework de Stanford que permite optimizar programas de IA mediante prompts auto-mejorables. En lugar de escribir prompts a mano y rezar, DSPy los trata como parámetros que se pueden ajustar con algoritmos de optimización. Suena a magia, pero es bastante terrenal.
Para nuestro asistente de código, DSPy puede evaluar si las sugerencias que genera llm-coding-agent son buenas o no, y luego modificar los prompts internos para que la próxima vez sean mejores. Imagina: cada vez que aceptas o rechazas una sugerencia, el sistema aprende. Con el tiempo, se vuelve un experto en tu estilo y en tu base de código.
Vamos con un mini tutorial para integrarlo:
- Instala DSPy:
pip install dspy-ai. - Crea un pequeño script de evaluación. Por ejemplo, mide si el código generado pasa los tests unitarios que ya tienes.
- Define una métrica (ej. porcentaje de tests que pasan) y un conjunto de ejemplos de entrenamiento (pares de prompt/respuesta).
- Usa el optimizador
BootstrapFewShotde DSPy para que ajuste el prompt del agente.
No necesitas ser un crack de la IA. Con unas pocas líneas, DSPy se encarga de probar combinaciones y quedarse con la que mejor resultado da. En el artículo de Willison se muestra cómo lo aplicó a un agente de Datasette, logrando que pasara de un 40% a un 90% de acierto en tareas complejas.
Eso es una mejora del 125% sin tocar el código del agente.
Caso práctico: de un 60% a un 95% de acierto en tu propio código
Pongamos que usas llm-coding-agent para generar tests unitarios en un proyecto Python. Al principio, sin optimizar, solo el 60% de los tests que sugiere son válidos (el resto tienen errores de sintaxis o no cubren bien los casos). Dedicas tiempo a revisarlos.
Con DSPy, creas un conjunto de 20 ejemplos de funciones y sus tests correctos. Defines la métrica: 1 si el test pasa, 0 si no. Ejecutas el optimizador durante 10 minutos (usando tu CPU, sin coste). El prompt del agente se autoajusta. La siguiente vez que le pides tests para una función nueva, el 95% son correctos. Has ahorrado horas de revisión.
Este proceso no es teórico. En la práctica, cualquiera con un proyecto mediano puede reunir ejemplos de su propio código y usarlos para afinar el asistente. Es automatización para desarrolladores de verdad, sin depender de un servicio externo que no conoce tu contexto.
Comparativa de costes: 0€ vs 120€/año
Vamos a los números. Aquí tienes una tabla con las opciones:
| Herramienta | Coste mensual | Coste anual | Ejecución local | Personalizable | Auto-mejorable |
|---|---|---|---|---|---|
| GitHub Copilot | 10 $ (~9,20 €) | 120 $ (~110 €) | ✕ | ✕ | ✕ |
| Cursor Pro | 20 $ (~18,40 €) | 240 $ (~220 €) | ✕ | Limitada | ✕ |
| llm-coding-agent (modelo local) | 0 € | 0 € | Total | Con DSPy | |
| llm-coding-agent + API GPT-3.5 | ~2-5 € (uso típico) | ~24-60 € | ✕ | Total | Con DSPy |
Si ya tienes un ordenador decente, la opción local es imbatible. Incluso si prefieres usar una API por velocidad, el gasto es variable y controlado. Y lo más importante: el código nunca sale de tu máquina (o solo va a la API que elijas, con tu propia clave).
Preguntas frecuentes
¿Necesito una GPU potente?
Para modelos pequeños como Llama 3 8B, con 16 GB de RAM y una CPU moderna vas bien. Si quieres modelos más grandes, una GPU con 8 GB de VRAM ayuda. Pero no es imprescindible para empezar.
¿Qué hago si el agente sugiere código incorrecto?
Es normal al principio. Revisa siempre los cambios antes de aplicarlos. Con DSPy y un buen conjunto de ejemplos, la tasa de error baja drásticamente. Además, al ser local, puedes iterar rápido sin coste adicional.
¿Puedo usarlo con otros lenguajes?
Sí. llm-coding-agent no está limitado a Python, aunque la instalación es con pip. Funciona con cualquier código que tengas en archivos de texto. Eso sí, necesitarás ejemplos en ese lenguaje para optimizar con DSPy.
Conclusión: monta tu asistente esta semana
No necesitas ser un gurú de la IA para tener un asistente de programación gratis que además mejora solo. Con llm-coding-agent y DSPy tienes una alternativa a GitHub Copilot que respeta tu bolsillo y tu privacidad. El proceso es claro: instala el agente, úsalo con un modelo local, recopila ejemplos de tu código, y deja que DSPy optimice los prompts. En una semana puedes tener un asistente que conozca tu proyecto mejor que cualquier herramienta comercial.
Si yo estuviera en tu lugar, empezaría hoy mismo. Descarga Ollama, instala el agente, y pruébalo en una tarea pequeña. Luego, programa una hora para jugar con DSPy. El ahorro anual es tangible, pero la independencia que ganas no tiene precio.
