Mainline

Codificación con IA

Cómo funciona

Tu asistente de codificación con IA se conecta a Mainline y lee tu mapa de historias de usuario. Ve las actividades, tareas, historias y criterios de aceptación. Luego trabaja en una historia a la vez.

Cuando el código se despliega, el LLM puede reportar el despliegue automáticamente si configuras el webhook de despliegue (en la configuración de tu equipo) y le das al LLM el token de despliegue. Tú decides cuándo publicar.

Lo que el LLM puede hacer

• Leer la estructura del mapa: actividades, tareas, historias, segmentos de publicación, personas
• Leer el detalle de una historia: descripción, escenarios (dado/cuando/entonces, cada uno con su estado verificado/completado), historial de despliegues
• Reportar un despliegue mediante la API del webhook (si le das el token de despliegue)

Lo que solo tú haces

• Diseñar el recorrido del usuario
• Escribir las historias y los criterios de aceptación
• Publicar historias para los usuarios
• Decidir en qué trabajar a continuación

Ya sea que estés codificando con asistencia de IA o no, recomendamos el desarrollo guiado por pruebas. Comienza con un escenario de estilo BDD que describa el comportamiento, luego elige el tipo de prueba adecuado para lo que se está verificando, por ejemplo, unitaria, de aceptación o de contrato.

• La estrategia de pruebas de 4 capas (casos de prueba, DSL, controladores, SUT) descrita en Humble, J. y Farley, D. (2010) Continuous Delivery. Boston: Addison-Wesley. La capa DSL funciona especialmente bien con LLMs. Mantiene el contexto de las pruebas en lenguaje de dominio en lugar de implementación de bajo nivel, por lo que el LLM escribe pruebas significativas sin acoplarse a los detalles internos.
• Desarrollo Guiado por Comportamiento, descrito en Smart, J.F. (2014) BDD in Action. Shelter Island: Manning. Los escenarios escritos como dado/cuando/entonces se corresponden directamente con lo que Mainline almacena en cada historia. El LLM lee los escenarios y sabe exactamente qué probar.

Esto funciona cuando tienes criterios de aceptación en tus historias y un conjunto de pruebas que el LLM pueda ejecutar. Sin ambos, el LLM está adivinando y no tienes forma de verificar su trabajo. Si aún no los tienes, comienza con las prácticas anteriores antes de conectar un asistente de IA.

Configuración (Claude Code)

1. Ve a la configuración de tu equipo y genera un token MCP.
2. Ejecuta esto en el directorio de tu proyecto:

   claude mcp add --transport http mainline \
     https://mainline.dev/mcp/YOUR_TEAM_ID \
     --header "Authorization: Bearer YOUR_MCP_TOKEN"
   

3. Opcionalmente, dale al LLM tu token de webhook de despliegue para que pueda reportar los despliegues. El servidor MCP incluye la URL del webhook en las respuestas de las historias.

Configuración (otros clientes MCP)

Para editores y herramientas que usan un archivo de configuración JSON, agrega esto a tu configuración MCP:

{
  "mcpServers": {
    "mainline": {
      "url": "https://mainline.dev/mcp/YOUR_TEAM_ID",
      "transport": "streamable-http",
      "headers": {
        "Authorization": "Bearer YOUR_MCP_TOKEN"
      }
    }
  }
}

Herramientas disponibles

list_maps

Lista todos los mapas de tu equipo. Comienza aquí para obtener el ID del mapa.

get_map

Devuelve la jerarquía completa del mapa: actividades, tareas e historias con su estado y posición. También incluye personas y segmentos de publicación. Esto le da al LLM una visión general de tu producto.

get_story

Devuelve el detalle completo de una sola historia: descripción, escenarios (criterios de aceptación dado/cuando/entonces), número de despliegues y la URL del webhook de despliegue. Esto es lo que el LLM lee antes de comenzar a trabajar en una historia.

El flujo de trabajo

1. El LLM llama a list_maps y luego a get_map para ver el trabajo.
2. Tú le indicas en qué historia trabajar (o elige la siguiente activa).
3. Llama a get_story para leer los criterios de aceptación.
4. Escribe las pruebas y el código, guiado por los escenarios.
5. El código se despliega. Si tiene el token del webhook, reporta el despliegue.
6. Tú verificas el trabajo y publicas la historia cuando esté lista.

Desplegar y publicar son eventos separados: usa feature flags, dark launching o branch by abstraction para desacoplarlos.

Privacidad

El token MCP otorga acceso de solo lectura. No se expone información personal. Las asignaciones de historias muestran un número, no nombres. El LLM no puede modificar tu mapa, crear historias ni marcar nada como publicado en Mainline.

Seguridad

El token MCP y el token del webhook de despliegue son separados. Puedes darle al LLM acceso de lectura sin acceso de despliegue, o ambos. Los tokens se muestran solo una vez al generarse.