Git Worktrees: haz competir dos modelos de IA

Los Git Worktrees son una metodología de trabajo de Git que te permite duplicar tu proyecto tantas veces como necesites y trabajar en paralelo sobre cada copia sin que los cambios de una afecten a la otra. Si desarrollas software con agentes de inteligencia artificial y quieres poner a competir dos modelos sobre el mismo feature, esta clase es para ti.

En qué se diferencia un Worktree de un branch tradicional

Como desarrolladores estamos acostumbrados a trabajar con branches. Creas una rama por feature, trabajas en una a la vez y, cuando terminas, haces merge a la rama principal modificando la historia del proyecto. Funciona, pero te obliga a ir de uno en uno.

Con Worktrees el enfoque cambia. En lugar de saltar entre ramas, duplicas el proyecto completo y trabajas en varias copias al mismo tiempo, cada una en su ambiente independiente.

¿Qué es un Git Worktree? Es una metodología de Git que duplica tu proyecto en varias copias para trabajar en paralelo. Los cambios que haces en un Worktree no afectan a los demás, aunque partan de la misma rama.

Y aquí viene lo interesante: esta separación es especialmente útil cuando trabajas con subagentes o agentes de inteligencia artificial, porque cada uno puede desarrollar sin chocar con el trabajo del otro [00:52].

Cómo poner a competir dos modelos con Worktrees

El ejemplo de la clase parte de un caso real: ejecutar el spec número nueve, el evaluador de flags. El objetivo era una función pura que evalúa si un flag está activo o no, con la lógica viviendo en el dominio, solo HTTP, sin UI, cubriendo flag apagada, activa y regla por ambiente, incluyendo los tests en cada caso [01:38].

¿Por qué complicarse con dos modelos? Porque no siempre sabes cuál es la mejor forma de construir algo. La estrategia es dejar que dos modelos construyan el mismo feature y luego elegir el mejor camino.

Estos fueron los pasos para montar el experimento:

1. Abrir la pestaña Local y seleccionar New Worktree.
2. Cambiar el modelo de Auto a Composer 2.5 Fast y pegar el prompt.
3. Abrir un nuevo agente con New Agent, seleccionar el proyecto y la rama main.
4. Crear otro New Worktree, pegar el mismo prompt y ponerlo a competir con ChatGPT.

Cada agente toma la raíz del proyecto y la duplica en dos copias distintas que nunca se chocan [03:14]. Cuando ambos terminan, evalúas el código de los dos y decides cuál mezclas en la rama principal.

¿Puedo usar dos modelos de IA sobre el mismo código sin conflictos? Sí. Con Worktrees cada modelo trabaja en una copia independiente del proyecto. Al terminar, comparas los resultados y eliges cuál integrar a tu rama principal.

Cómo comparar resultados y elegir cuál integrar

Cuando los dos subagentes terminaron, cada solución mostró un enfoque distinto en el gestor de cambios [03:52].

Composer 2.5 entregó un resultado más completo:

• Modificó la configuración de TypeScript.
• Agregó los scripts de test en el dominio.
• Creó el documento de test y la función de la flag.
• Generó la función para los hashes, el index de exports y los types.
• Actualizó el yarn.lock con las dependencias instaladas.

ChatGPT, por su parte, creó los scripts de los tests, los tests de la función pura, la función flag evaluator y un index con los exports. Más directo, con menos piezas.

En este caso la decisión fue quedarse con Composer, porque dividió mejor y fue más minimalista en el uso de las funciones [04:47]. Para integrarlo, se abre el chat y se usa el botón Move to local, que mezcla ese Worktree dentro de la rama principal para seguir trabajando ahí [05:05].

Qué habilidades desarrollaste en este módulo

El reto de la clase es claro: crear tu propio experimento con Worktrees. Puedes aplicarlo en funciones de backend, como en el ejemplo, o llevarlo al frontend creando dos UI diferentes y quedándote con la que mejor te parezca [05:22].

A lo largo del módulo trabajaste con varias piezas clave:

• Composer, el modelo de inteligencia artificial creado por Cursor para asistir en el desarrollo de software.
• Tu propio harness construido con MCPs y hooks para guiar a los subagentes en sus tareas.
• La paralelización de tareas, dando contexto a cada subagente para que trabaje de inicio a fin.

Lo importante es que la decisión sigue siendo tuya: tú eliges cuáles cambios van a producción y cuáles no [05:55]. Los agentes proponen, pero el criterio de qué se mezcla en la rama principal lo pones tú.

¿Ya pensaste en qué feature vas a poner a competir con dos modelos? Cuéntame en los comentarios cómo montarías tu primer experimento con Worktrees.