Quan un desenvolupador obre un repositori, inicia un agent d'IA i li demana que faci un canvi, els primers deu minuts defineixen si l'eina serà adoptada o abandonada. Si l'agent endevina el gestor de paquets, ignora la ruta de proves o edita fitxers generats, la confiança s'esvaeix. Aquest problema no sempre està en el model de l'agent; moltes vegades és el repositori que no està preparat. La iniciativa Agentic AI Foundation, sota el paraigua de la Linux Foundation, impulsa projectes com MCP, goose, AGENTS.md i agentgateway per estandarditzar com els agents entenen un projecte. Tot i això, el punt d'entrada més pràctic és petit: fer que el repositori sigui llegible per a un agent des de la primera execució.
A Q2BSTUDIO, empresa especialitzada en desenvolupament de aplicacions a mida i tecnologies emergents, hem observat que la clau no és tenir el model més gran ni l'agent més ràpid, sinó preparar el context que l'agent necessita. Un repositori optimitzat per a agents redueix dràsticament la fricció inicial i permet que el desenvolupador es concentri en el que importa: validar els resultats.
El primer pas és abandonar la pregunta genèrica 'què hauria de fer l'agent?' i substituir-la per una de més concreta: 'quina tasca específica hauria de poder completar un agent en deu minuts?'. Seleccionar una sola tasca —corregir un bug localitzat, afegir una prova unitària, actualitzar una pàgina de documentació— dóna un propòsit clar al fitxer d'instruccions de l'agent. Aquest fitxer es diu AGENTS.md i és un format obert que ja utilitzen més de 60.000 projectes open source. La seva funció no és ser un abocament de polítiques, sinó el context mínim que l'agent necessita per no malgastar la primera sessió del desenvolupador.
Escriure un AGENTS.md eficaç és més semblant a redactar notes de mantenidor que a crear documentació corporativa. Ha de respondre preguntes com: quin tipus de projecte és? on viu el codi font? on són les proves? quins fitxers ha d'evitar l'agent? quin estil o decisions arquitectòniques ha de preservar? També és crucial indicar quan s'ha d'aturar: per exemple, si el canvi afecta autenticació, facturació, eliminació de dades o configuracions de producció, l'agent ha de preguntar abans d'editar. Aquest tipus de guia evita sorpreses i redueix la taxa d'abandonament en la primera execució.
L'eina goose, un altre projecte de l'AAIF, proporciona un runtime d'agent de codi obert que permet provar les instruccions del repositori. goose pot instal·lar, executar, editar i provar amb qualsevol LLM, i el seu disseny el converteix en el camí ideal per validar que l'AGENTS.md funciona. El flux recomanat inclou tres peces: una tasca inicial clara, un AGENTS.md a nivell de repositori i un punt de parada visible. Aquest punt de parada és vital: l'agent ha de poder indicar quins fitxers va modificar, quina prova executaria o per què es va aturar abans de tocar un fitxer sensible.
A Q2BSTUDIO hem integrat aquesta filosofia als nostres projectes d'IA, on la preparació del repositori per a agents d'IA s'ha convertit en una pràctica estàndard. En definir regles clares sobre zones de risc, convencions de codi i expectatives de proves, aconseguim que els agents facin la seva primera execució útil sense que el desenvolupador hagi d'actuar com a guia turístic del repositori.
L'enfocament de 'primera execució útil' també es beneficia d'altres àrees tecnològiques que dominem. Per exemple, la IA aplicada a l'automatització de processos es nodreix de repositoris ben estructurats. La ciberseguretat exigeix que els agents no toquin configuracions crítiques sense autorització, i les nostres solucions de cloud AWS/Azure garanteixen que els entorns d'execució siguin aïllats i traçables. Fins i tot l'anàltica de dades amb BI/Power BI es beneficia quan els agents poden explorar datasets i models seguint les regles definides a l'AGENTS.md.
Una llista de verificació pràctica per a qualsevol equip que vulgui preparar el seu repositori inclou: seleccionar una tasca inicial que un nou desenvolupador valoraria; crear o actualitzar AGENTS.md amb la forma del projecte, expectatives de proves i fitxers a evitar; eliminar ordres no verificades; indicar com comportar-se prop de codi de risc; executar la tasca amb goose o un altre runtime; editar AGENTS.md segons on l'agent hagi fallat; i repetir fins que la primera execució produeixi un resultat que l'equip revisaria seriosament.
L'objectiu no és que l'agent sigui perfecte, sinó que la primera sessió sigui llegible. Un desenvolupador ha de poder obrir el repositori, iniciar l'agent, demanar una tasca acotada i entendre el resultat sense haver d'explicar el projecte des de zero. Aquest petit canvi —de la caiguda inicial a la primera execució útil— marca la diferència entre una eina que es prova una vegada i una altra que s'adopta de forma continuada.
En un ecosistema on els agents d'IA estan cridats a ser companys de desenvolupament habituals, la preparació del repositori és tan important com el model subjacent. Projectes com AGENTS.md i goose, juntament amb el treball de l'AAIF, ofereixen un camí obert i portable que no depèn d'un proveïdor, editor o model concret. Des de Q2BSTUDIO creiem que la combinació de bones pràctiques de desenvolupament, cloud segur i ciberseguretat proactiva crea el terreny fèrtil perquè els agents no només aterrin, sinó que lliurin valor des del primer minut.
