'dev-like' empaqueta el criterio de ingeniería de una empresa —no su código— como un skill citable para agentes

Por Zendoric · 30 de julio de 2026.

Un desarrollador que firma como marcusrbrown ha publicado en Hacker News dev-like, una herramienta que hace algo bastante específico: en lugar de enseñar a un agente de código a programar "bien" en abstracto, lo hace programar como una empresa concreta. El usuario invoca `/dev-like <objetivo>` señalando el nombre de un equipo o compañía de ingeniería; la herramienta rastrea fuentes públicas y construye un perfil citado de su proceso, su stack y sus renuncias (tradeoffs). Ese perfil se instala como un "skill", una extensión que un agente de codificación puede cargar y aplicar a partir de ahí.

El ejemplo que ofrece la propia web es ilustrativo. Ante un plan ficticio —"SQL crudo en el controlador, sin tests para ir rápido, Redis para cachear"— un agente genérico da consejos de manual. El mismo agente cargado con el perfil de Every, la compañía de medios y herramientas conocida por escribir en público sobre cómo construye software, responde citando el criterio documentado de esa casa: si SQL crudo en el controlador dificulta que el siguiente ingeniero (o el siguiente agente) encuentre la consulta, es no rotundo; si saltarse los tests contradice el modelo de Every para mantener velocidad cuando los agentes escriben código, se marca como tal; cada veredicto enlaza a la fuente pública que lo sostiene. El repositorio en GitHub conserva la transcripción verificada de ese intercambio.

La instalación se ofrece por dos vías: como plugin del propio Claude Code (`/plugin marketplace add marcusrbrown/dev-like`), el gestor de extensiones de Anthropic para su agente de terminal, o vía `npx dev-like <slug>` para instalaciones en caché sin intervención humana (headless). Si el objetivo no está aún perfilado, la herramienta ejecuta lo que el propio proyecto llama "OSINT en vivo" —inteligencia de fuentes abiertas— y genera el perfil sobre la marcha, guardado de forma aislada en `.agents/skills/`. Existe además un registro público de perfiles ya compilados, una vía para pedir que se perfile una empresa nueva, y unas guías de ética y consentimiento que explican qué se scrapea de fuentes públicas y cómo puede una empresa pedir quedar fuera.

En general, esto encaja en una tendencia que venimos siguiendo de cerca: a medida que los modelos de código se comoditizan, la disputa se traslada al sustrato que rodea al agente —qué extensiones, qué memoria, qué convenciones carga—, no solo a qué tan listo es el modelo subyacente. Los marketplaces de skills y plugins de agentes (Claude Code entre ellos) son el terreno donde eso se está jugando, y dev-like es un experimento pequeño pero nítido de esa lógica: convertir el criterio tácito de un equipo —el que normalmente solo se transmite por ósmosis dentro de la oficina— en un artefacto portátil, instalable y con notas al pie.

Nuestra lectura es que el mecanismo de atribución explícita es lo más defendible del proyecto, y también lo más frágil. Cada veredicto cita su fuente, lo que evita el problema que sí hemos señalado en otros casos —el entrenamiento opaco sobre material ajeno, como el que llevó a Anthropic a pagar 1.500 millones de dólares por cómo obtuvo ciertos datos, no por entrenar en sí—: aquí no hay ambigüedad sobre de dónde sale cada recomendación. Pero un perfil construido solo con lo que una empresa publica en fuentes propias es, por definición, la versión que esa empresa quiere mostrar de sí misma, no necesariamente cómo trabaja puertas adentro. Confundir marketing técnico con práctica real es un riesgo que el propio proyecto no puede resolver solo con buena fe declarada en sus guías de consentimiento.

Dicho esto, conviene no sobredimensionar la señal: al cierre de esta pieza, la publicación en Hacker News sumaba un punto y cero comentarios, es decir, un proyecto indie que aún no ha encontrado tracción ni escrutinio público serio. Lo relevante no es que dev-like vaya a cambiar cómo se programa, sino lo que anticipa: si el criterio de ingeniería —no solo el código— se puede empaquetar, citar y distribuir como un módulo instalable, la próxima frontera de la productividad asistida por IA no es que el agente escriba más rápido, sino que herede, con trazabilidad, el buen juicio acumulado por los mejores equipos. Esa es exactamente la clase de apalancamiento —democratizar algo hoy escaso y caro, el criterio senior— que sostiene nuestra tesis de fondo sobre la abundancia a largo plazo, aunque el camino hasta ahí pase por herramientas modestas, con nombres como este, que hoy apenas nadie ha visto.