Revisa el código
que escribió tu agente de IA
Tu agente ha terminado una tarea y el diff es demasiado largo para leerlo con atención. Abre el proyecto en Yenpo, empieza por Local Changes o un diff entre ramas y usa la búsqueda, la navegación y AI Reader para revisar un cambio cada vez.
Instalación y apertura de tu primer proyecto
Archivos locales en Mac · IA opcional · Cambios locales y diffs de Gitv0.1.303 EAP · Apple silicon & Intel · macOS 14+Caduca el (UTC)La IA requiere configurar un proveedor de modelos; se aplican sus tarifas de uso.
Convierte un cambio que aceptaste en código que puedes explicar
Después de trabajar con Claude Code, Codex o Cursor, elige un cambio pequeño que quieras comprender. Formula una pregunta concreta: ¿qué elementos debe devolver ahora este filtro, qué regla excluye un elemento y qué cambiaría si modificases esa regla? Anota tu predicción antes de pedir una explicación.
Mantén la entrada junto a la regla
Abre los datos, la función de filtrado y el código que la llama en pestañas separadas. Usa la búsqueda de archivos y texto para localizar los nombres de la función. Lee qué valores pasa realmente quien la llama.
Comprueba la explicación en el código
Con un proveedor de modelos configurado, pregunta por la regla o la rama que no puedes explicar. Sigue las referencias al código, lee las condiciones que las rodean y describe el resultado con tus propias palabras.
Cambia una regla y comprueba el resultado
Elige una pequeña edición manual. Predice qué casos cambiarán y cuáles seguirán igual; después, ejecuta el comando o la prueba correspondiente en tu terminal. Guarda la explicación junto con tus notas.
Prueba este ciclo de aprendizaje con un filtro pequeño y ejecutable
El ejercicio incluye datos ficticios, tres predicciones de salida, un cambio de una línea y comprobaciones del nuevo comportamiento. Puedes hacerlo sin una cuenta de modelos. Yenpo te permite leer el código local; tú ejecutas el ejemplo y sus comprobaciones.
Revisa un cambio a través del comportamiento al que afecta
Sigue un comportamiento creado por tu IA
Elige un comportamiento pequeño que haya añadido tu agente y que aún no puedas explicar. Predice su resultado, lee la regla que lo determina y haz un cambio que puedas comprobar.
Aprende con un ejercicio de filtrado ejecutableRelaciona una rama con quienes la llaman
Pregunta qué entrada selecciona una implementación, qué sucede después de la llamada y dónde un error detiene la ejecución. Lee también el código que llama a la función explicada.
Sigue una solicitud HTTPComprueba un cambio escrito por IA
Compara los commits o las ramas elegidos para investigar una cuestión concreta. Revisa la rama citada, las funciones que la llaman sin haber cambiado y las aserciones de las pruebas antes de aceptar una explicación.
Revisa las aserciones modificadasYenpo sirve para seguir leyendo el repositorio mientras analizas un cambio. No es un agente de programación: no compila, ejecuta pruebas ni integra parches. Realiza esos pasos en Claude Code, Codex, Cursor o tu terminal.
Traza un pequeño mapa antes de explorar todo el repositorio
En este proyecto didáctico, preview imprime «Moon Kite · paper» y list muestra los nombres de las piezas. Ambos usan los mismos datos. Sigue sus recorridos en el código con las notas de lectura escritas a mano que aparecen abajo.
- Confirma el punto de entrada. Lee README.md y package.json. El script de vista previa selecciona src/preview.mjs y usa moon-kite como entrada. El script de listado inicia src/list.mjs. Conserva el comando y la versión del código en tus notas.
- Usa una salida como pista. Buscar Moon Kite lleva a catalog.mjs, que contiene los datos. Sigue findExhibit hasta quien la llama en build-label.mjs, y buildLabel hasta preview.mjs. Comprueba el script de arranque antes de considerar una coincidencia de búsqueda como punto de entrada.
- Describe la función de cada archivo. preview.mjs acepta el identificador e imprime el resultado. build-label.mjs coordina la búsqueda y el formato. catalog.mjs encuentra el registro; format-label.mjs lo convierte en texto. Estas cuatro funciones bastan para esta pregunta.
Descarga el proyecto, el mapa completo y una plantilla de notas. Descomprímelo, entra en exhibit-labels y ejecuta estos comandos en Terminal con Node.js 22 o posterior. No necesitas dependencias ni conexión a un modelo.
node src/preview.mjs moon-kite
node src/list.mjs
node --test tests/lab.test.mjsLa vista previa imprime «Moon Kite · paper»; el listado imprime «Moon Kite» y «Cloud Loom» en líneas separadas. Pasan las 5 pruebas, incluidas la selección de otra exposición y la detención antes de generar salida ante un identificador desconocido. El archivo incluye ubicaciones del código y un manifiesto de hashes.
En tu propio repositorio, conserva las preguntas pendientes junto al mapa: ¿de dónde vienen los argumentos de arranque, qué implementación se selecciona y los datos proceden de un archivo o servicio? Elige el siguiente archivo a partir de una de esas preguntas. Un árbol de carpetas no revela por sí solo el recorrido de ejecución.
Mantén abiertos los archivos relevantes mientras preguntas
- Busca un punto de partida. Abre la carpeta exhibit-labels descomprimida como proyecto local. Usa Command-P para preview.mjs o Search All Files para Moon Kite. Mantén abiertos el punto de entrada y el catálogo mientras sigues las importaciones. Un archivo, una carpeta o una selección pueden servir como punto de partida para AI Reader.
- Pregunta por un comportamiento. Por ejemplo: «En el comando de vista previa con moon-kite, ¿qué archivos seleccionan el registro, formatean el texto y lo imprimen? Indica las ubicaciones del código y separa el comando de listado». Limita la respuesta a este recorrido.
- Abre las referencias al código. Una referencia abre las líneas citadas en Code Quick Look. Usa Open File para leer el código que las rodea en una pestaña. Comprueba si esas líneas respaldan realmente la afirmación.
- Sigue las consecuencias. Anota los archivos comprobados, sus funciones y la siguiente pregunta pendiente. Ejecuta un comando o una prueba concreta en Terminal cuando necesites confirmar el comportamiento. AI Reader no los ejecuta por ti.
Comprende qué permanece en tu equipo y qué se envía al modelo
Lectura local y lectura asistida por modelos
Explorar y buscar archivos locales no requiere una cuenta de modelos. Para preguntar a AI Reader, configura un proveedor, un tipo de API, un endpoint y un modelo en Settings. Se admiten Chat Completions compatible con OpenAI, OpenAI Responses y Anthropic Messages. El acceso y las tarifas dependen de tu cuenta con el proveedor.
La pregunta, el contexto relevante, los adjuntos y el código leído durante la investigación se envían al endpoint configurado. AI Reader puede leer archivos relacionados fuera de los adjuntos. Un proveedor remoto procesa ese contenido fuera de tu Mac.
Configura un proveedor de modelosElige la siguiente comprobación a partir de lo que sigue sin estar claro
Si el ejercicio selecciona la exposición equivocada, lee la entrada y la búsqueda. Si el registro es correcto pero su etiqueta no, lee el formateador. En un proyecto grande, elige del mismo modo: sigue la pregunta en una investigación concreta.
- ¿Qué ajuste prevalece? Sigue un valor desde la entrada hasta la salida.
- Deja un registro de traspaso reproducible
- ¿Se sostiene la explicación de IA? Comprueba sus afirmaciones una a una.
- ¿Dónde falló la ejecución? Sigue el error hasta su origen.
- ¿A qué puede afectar un cambio? Examina sus consumidores y lo que esperan.
El ejercicio anterior de ramas en un solo archivo sigue disponible si prefieres un punto de partida más pequeño.
Pruébalo con el próximo cambio
que haga tu IA.
Los diffs, Local Changes y la búsqueda funcionan desde el principio. Conecta un proveedor de modelos cuando quieras preguntar a AI Reader.
Descargar EAPLa interfaz admite inglés, chino simplificado y tradicional, japonés, español, portugués de Brasil, coreano, alemán, francés y ruso.
v0.1.303 EAP · Apple silicon & Intel · macOS 14+Caduca el (UTC)