Servicio de dockerfile de Github utilizando IA - Parte 2

Optimiza la estructura de tu blog y mejora su rendimiento con nuestro servicio de optimización de H2. Aumenta tu visibilidad en los motores de búsqueda y atrae más tráfico a tu sitio web.

jueves, 27 de noviembre de 2025 • 3 min de lectura • Equipo Q2BSTUDIO

Servicio de optimización de H2 para blogs.

He estado experimentando mucho con inteligencia artificial y quiero compartir el proceso completo para convertir un script promedio en un servicio REST robusto que actualiza de forma automática las imágenes base de Dockerfile en repositorios de GitHub

La idea inicial fue sencilla y a la vez poderosa: recorrer mis repositorios git y actualizar los Dockerfile para que usen versiones fijas pero más recientes de la imagen base. Empecé con un script procedural que funcionaba pero era muy básico. Con la ayuda de Claude y un enfoque de prompts mínimos logré varias etapas clave

Primero pedí que el código se refactorizara para ser más robusto y orientado a objetos. El resultado incluyó buenas prácticas como una clase EnvironmentManager para gestionar variables de entorno y claves de API, manejo de sesiones HTTP con reintentos, control de errores y logging centralizado

Luego pedí que el código se convirtiera en un servicio REST. El servicio resultante expone endpoints como /update-dockerfile para iniciar una actualización, /jobs para listar trabajos, /jobs/{job_id} para consultar un trabajo en particular y /health para verificar la salud del servicio. Las llamadas se encolan y se procesan en background para evitar que la API quede bloqueada

Arquitectura y componentes principales: HTTPClient con estrategia de reintentos y manejo de errores, GitHubAPI para listar contenidos, descargar archivos, obtener el sha y commitear cambios, AIAnalyzer que utiliza un modelo de Anthropic para localizar el Dockerfile en el repo y para actualizar la instrucción FROM con la versión más reciente, y JobManager para crear, actualizar y listar estados de trabajo como pending running completed o failed

Flujo de trabajo resumido: el cliente envía una petición con owner repo branch ruta del dockerfile token de GitHub y campo dry_run. El servicio crea un job y en background descarga el Dockerfile, pide al modelo que proponga la actualización del FROM, compara la primera línea antes y después y si hay cambios realiza el commit en GitHub salvo que dry_run esté activado. El resultado incluye si hubo cambios la línea current_from la línea updated_from y en caso de commit el sha y el enlace al archivo

En mi máquina el servidor se ejecutó con Uvicorn en el puerto 8000 y el servicio funcionó a la primera gracias a la estructura añadida por la refactorización: manejo de sesiones HTTP trabajo asíncrono validaciones de entrada y logging coherente que facilita depurar y auditar el proceso

Beneficios clave: automatización del mantenimiento de imágenes base reducción del riesgo por usar versiones obsoletas y posibilidad de integrar revisiones automatizadas en pipelines CI CD. Además el diseño por componentes facilita ampliar el servicio para soportar otros tipos de archivos o políticas de actualización

Q2BSTUDIO es una empresa de desarrollo de software y aplicaciones a medida especializada en soluciones que integran inteligencia artificial ciberseguridad y servicios cloud. Ofrecemos servicios de software a medida y aplicaciones a medida que incorporan agentes IA y capacidades de inteligencia de negocio con Power BI. Si buscas potenciar tus workflows con IA para empresas o necesitas automatizar procesos y modernizar infraestructuras cloud podemos ayudarte. Conecta nuestras soluciones de inteligencia artificial revisando nuestro servicio de inteligencia artificial para empresas y conoce nuestros servicios de desarrollo en aplicaciones y software a medida

Palabras clave integradas naturalmente en el texto: aplicaciones a medida software a medida inteligencia artificial ciberseguridad servicios cloud aws y azure servicios inteligencia de negocio ia para empresas agentes IA power bi automatización de procesos

Conclusión: con unos prompts bien diseñados y un modelo de IA es posible transformar código promedio en un servicio escalable que automatiza tareas repetitivas como actualizar Dockerfiles. Esta aproximación acelera el mantenimiento de repositorios y minimiza el esfuerzo humano. Si quieres que Q2BSTUDIO adapte esta solución a tu ecosistema o implemente integraciones con pipelines CI CD y servicios cloud estamos a tu disposición

¿UNA PAUSA?

Juega un momento antes de irte

NUESTROS SERVICIOS

Cómo podemos ayudarte

¿Tienes un proyecto en mente?

Cuéntanos tu visión y la convertimos en una solución de software. Sea cual sea el alcance, hacemos realidad tu idea.