Por Sravan Jayanthi
Autores: Sravan Jayanthi, Mark Snidal @ Connectly AI
Presentamos Yellhorn, un MCP de código abierto que da a los agentes de código IA planificación y memoria a nivel de un desarrollador de software real. Se conecta a tu repositorio de GitHub y usa issues de GitHub para orquestar cambios grandes y de varias partes. Los agentes de código se pierden cuando las tareas están mal definidas y no logran escalar a proyectos de software grandes. Yellhorn impone una estructura de diseño de software rigurosa aprovechando los issues de GitHub como "tableros de planificación" (curando el contexto correcto, desglosando pasos e identificando checkpoints) para que los agentes acierten al primer intento.
Enlace al repositorio: https://github.com/msnidal/yellhorn-mcp
Model Context Protocol proporciona contexto a los modelos de IA en un formato estandarizado, permitiendo a los agentes elegir entre herramientas para interactuar con el mundo externo. Buenos ejemplos incluyen usar un servidor MCP de generación de imágenes para crear imágenes dentro de Cursor, tener un servidor MCP de PostgreSQL para ejecutar comandos de base de datos en Claude Desktop para no expertos y, por supuesto, aprovechar Yellhorn MCP para traer el desarrollo basado en especificaciones a tu IDE de código.
El desarrollo basado en especificaciones es el proceso de fundamentar las funcionalidades de código en el contexto de especificaciones de diseño completas. Proporciona criterios de éxito rigurosos, guiando a los ingenieros hacia una implementación exitosa.
Esto está ganando atención ahora en la era de agentes de código altamente capaces, incluyendo el desarrollo basado en especificaciones de Kiro, que escribe archivos Markdown separados de requisitos, diseño y lista de tareas dentro del proceso de codificación. Claude SPARC es otro sistema de codificación autónomo que combina Claude Code CLI con la metodología SPARC: Specification, Pseudocode, Architecture, Refinement y Completion.
Yellhorn, la herramienta MCP de Crear-Curar-Juzgar, construye especificaciones de diseño de alta calidad y conscientes del codebase directamente en un issue de GitHub, un tablero de planificación estructurado e interpretable desde el cual el agente de código puede perfilar los requisitos, la arquitectura técnica y los criterios de aceptación para la implementación.
Ejemplo de plan de trabajo generado por Yellhorn MCP
El código es muy multicapa y tiene muchas dependencias integradas, especialmente entre diferentes versiones de librerías y paquetes usados en distintas plataformas. Los agentes de código LLM tienen una visión muy limitada y tienden a escribir código que no coincide con las versiones de librerías deseadas dentro del codebase. La comprensión de Yellhorn a nivel de todo el codebase, con conocimiento adicional de tu stack tecnológico existente, le permite hacer cambios a medida en tu codebase basados en las dependencias upstream correctas.
La utilidad principal de Yellhorn es la capacidad de interactuar inteligentemente con un plan de trabajo en GitHub, superando las limitaciones de la ventana de contexto para los agentes de código, permitiéndole leer todo lo que necesita y destilar el contenido más importante para usar. Lo hemos encontrado más útil en codebases grandes, especialmente en entornos empresariales, con demasiados archivos y dependencias para ser proporcionados como contexto o buscados eficientemente por agentes de generación de código.
El desafío: Connectly AI necesitaba construir un agente de IA sofisticado de generación de leads para un cliente importante de e-commerce. Los requisitos eran complejos:
Inteligencia geográfica: Servicios de geolocalización en tiempo real para envíos y cumplimiento normativo
Orquestación de flujos de trabajo: 14 flujos de recorrido de cliente distintos (onboarding, soporte, ventas, retención)
Pipeline de analítica: Seguimiento de eventos personalizado, métricas de conversión y paneles de rendimiento
Enfoque con Yellhorn (Crear → Curar → Juzgar).
Curar: Se filtró el repositorio con .gitignore + .yellhornignore + .yellhorncontext; se extrajeron solo los módulos relevantes + versiones de SDK.
Crear: Se generó un issue de plan de trabajo en GitHub descompuesto en sub-issues (por flujo de trabajo), cada uno con criterios de aceptación y ganchos de prueba.
Juzgar: Después de cada subtarea, se comparó la implementación contra el plan de trabajo; se marcaron versiones de SDK no coincidentes y eventos de analítica faltantes.
Sin Yellhorn: experiencia previa
Nuestro equipo había intentado un proyecto similar 6 meses antes usando enfoques tradicionales de codificación con IA:
Cronograma: más de 4 semanas de iteraciones de ida y vuelta
Problemas: integraciones de API inconsistentes, conflictos de versiones, manejo de errores faltante
Deuda técnica: 40% del código requirió refactorización después de la implementación inicial
Pérdida de contexto: los agentes de código "olvidaban" decisiones arquitectónicas anteriores, generando patrones inconsistentes
Métricas técnicas finales
Codebase final: 23.247 líneas de código de producción
Arquitectura: 62 módulos principales basados en 47 dependencias externas (Google Maps, Tenacity, Redis, etc.)
Cronograma: 4 días desde la especificación inicial hasta un prototipo funcional, 8 días hasta estar listo para producción
{
"mcpServers": {
"yellhorn-mcp": {
"type": "stdio",
"command": "yellhorn-mcp",
"args": [],
"env": {
"GEMINI_API_KEY": "",
"YELLHORN_MCP_MODEL": "gemini-2.5-pro",
"REPO_PATH": ""
}
}
}
}
Tarea de ejemplo: Quiero agregar autenticación de dos factores para usuarios con diferentes roles y permisos. Quiero usar un proveedor de autenticación primario en Auth0 y gestión de sesiones con OAuth2-prox.
Usa estos prompts para interactuar con Yellhorn:
¿Cómo puedes adoptar las mejores prácticas de codificación con IA en tu equipo de ingeniería?
©️ 2025 Todos los derechos reservados. Connectly Inc. Creado con ❤️, globalmente.