Totemize
  • Rutas totémicas
  • Precios
  • Quiénes somos
Iniciar sesiónÚnete gratis
Únete gratis
Ctrl+K
Modelo mental
  • Base de conocimiento
  • Cloud
    • Azure
      • Web Apps
        • App Service
        • App Service Plan
        • Configuración
        • Managed Identity
        • Deployment Slots
        • Networking
        • Observabilidad
      • Storage Accounts
        • Blob Storage
        • Containers
        • Azure Files
        • Queue Storage
        • Table Storage
        • Redundancia
        • Access Tiers
        • Lifecycle Management
        • Seguridad y red
  • Frontend
    • React
      • Componentes
      • Props y Estado
      • Hooks
      • Renderizado de listas
  • IA
    • Fundamentos
      • Determinismo y probabilismo
      • LLM
      • Proveedor
      • Modelos fundacionales
      • Plataforma
      • Mapa del ecosistema
      • Entrenamiento y fine-tuning
      • Tokens
      • Ventana de contexto
      • Inferencia y sampling
      • Alucinaciones y límites
    • Interacción con el modelo
      • Prompts e instrucciones
      • Context engineering
      • Salidas estructuradas
      • Validación
      • Evaluaciones
      • Tool calling
    • Economía de uso
      • API pricing
      • Tokens de entrada y salida
      • Tokens en caché
      • Créditos
      • Suscripciones
      • Límites de uso
      • Selección de modelo
    • Recuperación de conocimiento
      • Vectores
      • Embeddings
      • Chunking
      • Bases de datos vectoriales
      • Búsqueda semántica
      • Búsqueda híbrida y reranking
      • Retrieval
      • RAG
      • Citas y grounding
      • LlamaIndex
    • Agentes
      • Workflows
      • Anatomía de un agente
      • Harness
      • Agentic loop
      • Planificación y human-in-the-loop
      • Memory
      • Permisos
      • Verification
      • MCP
      • Orquestación
      • Multiagentes
      • A2A
      • Frameworks de agentes
        • Microsoft Agent Framework
        • OpenAI Agents SDK
        • Google ADK
        • LangGraph
    • Coding agents
      • Skills
      • Spec-Driven Development
      • Claude Code
        • CLAUDE.md
        • Commands
        • Hooks
        • Plugins
        • Permisos
        • Subagents
      • Codex
        • CLI
        • Extensión de IDE
        • Codex app
        • Cloud
        • AGENTS.md
        • Worktrees
      • Cursor
        • Agent mode
        • Rules
        • Models
        • Precio por uso
  • Soporte
  • Comentarios
  1. IA
  2. Coding Agents
Árbol de habilidades

Spec-Driven Development

1 min de lecturaActualizado el 9 jul 2026

Un coding agent puede explorar, planificar y modificar un repositorio, pero esa capacidad no garantiza que haya entendido correctamente el objetivo. Spec-Driven Development (SDD) usa una especificación verificable como contrato entre la intención y la implementación.

En ese sentido, SDD es un arnés de trabajo: no ejecuta tools ni administra el contexto como un harness de agente, pero envuelve su trabajo con fases, artefactos, gates y criterios de aceptación. Reduce el espacio en el que el agente puede improvisar sin perder trazabilidad.

SDD aparece después de comprender coding agents, harness, planificación, permisos y verificación. No forma parte obligatoria del agentic loop: lo dirige y restringe.

Flujo

  1. Especificar: problema, objetivo, historias, criterios de aceptación y fuera de alcance.
  2. Planificar: arquitectura, archivos afectados, decisiones, riesgos y validación.
  3. Descomponer: tareas pequeñas, ordenadas y verificables.
  4. Implementar: ejecutar las tareas sin ampliar silenciosamente el alcance.
  5. Validar: comprobar el resultado contra la especificación, no sólo contra código que compila.

Qué evita

  • Implementaciones correctas para el problema equivocado.
  • Cambios amplios nacidos de instrucciones ambiguas.
  • Pérdida de trazabilidad entre requisito, cambio y prueba.
  • Declarar una tarea terminada porque el agente dejó de iterar.

SDD no sustituye TDD, BDD, ADR, revisión humana ni controles de seguridad. Los organiza alrededor de una fuente explícita de intención y permite detectar cuándo la implementación se desvió antes de aceptar el resultado.