El panorama del desarrollo de software ha experimentado una transformación sin precedentes con la llegada de los agentes de código. Estos sistemas, impulsados por grandes modelos de lenguaje (LLMs), han evolucionado desde simples autocompletadores hasta agentes autónomos capaces de planificar, implementar, depurar y desplegar aplicaciones completas con mínima supervisión humana ( , & al., , p. lou2024agents , , , , & (). From LLMs to LLM-based agents for software engineering: A survey of current, challenges and future. arXiv preprint. Retrieved from https://arxiv.org/abs/2408.02479 ) . A diferencia de los asistentes tradicionales que respondían a prompts individuales, los agentes modernos operan en bucles de percepción-razonamiento-acción, permitiéndoles abordar tareas complejas que abarcan múltiples archivos y etapas del ciclo de vida del software ( , & al., , , , , , , , , & (). The rise and potential of large language model based agents: A survey. arXiv preprint. Retrieved from https://arxiv.org/abs/2309.07864 ) .

El objetivo de este artículo es proporcionar una visión integral de los agentes de código disponibles en 2025, analizar sus capacidades diferenciales y ofrecer criterios para su selección según el contexto de desarrollo. Para lograr una comprensión profunda del tema, examinaremos tres elementos críticos: la arquitectura subyacente que define su autonomía, los benchmarks de evaluación que miden su efectividad real, y los protocolos de integración que expanden sus capacidades mediante herramientas externas ( , & al., , p. yang2024multimodal , , , & (). AI agentic programming: A survey of techniques, challenges, and opportunities. arXiv preprint. Retrieved from https://arxiv.org/abs/2508.11126 ) .

Fundamentos de los agentes de código

¿Qué diferencia a un agente de un asistente tradicional?

Los asistentes de código tradicionales, como las primeras versiones de GitHub Copilot, operaban bajo un paradigma reactivo: el desarrollador escribía código y el asistente sugería completaciones basadas en el contexto inmediato ( , & al., , , , , , , & (). SWE-agent: Agent-computer interfaces enable automated software engineering. arXiv preprint. Retrieved from https://arxiv.org/abs/2405.15793 ) . En contraste, los agentes de código modernos exhiben características fundamentales que los distinguen claramente:

  • Autonomía en la ejecución: pueden realizar múltiples pasos sin intervención humana constante, incluyendo la ejecución de comandos de terminal, pruebas y despliegues.
  • Persistencia de estado: mantienen memoria del contexto a lo largo de sesiones prolongadas, permitiendo trabajos que duran horas o incluso días.
  • Capacidad de auto-corrección: detectan errores en su propio trabajo y iteran para corregirlos, funcionando en bucles de prueba y error ( , & al., , , , , & (). AgentCoder: Multi-agent-based code generation with iterative testing and optimisation. arXiv preprint. Retrieved from https://arxiv.org/abs/2312.13010 ) .
  • Interacción con el entorno: acceden al sistema de archivos, bases de datos, APIs y otros recursos externos mediante protocolos estandarizados.

Esta diferenciación conceptual ha sido validada empíricamente: mientras que los LLMs “simples” resuelven aproximadamente el 4-5% de issues reales de GitHub, los agentes bien diseñados alcanzan tasas de resolución superiores al 65-80% en benchmarks estandarizados como SWE-bench ( , & al., , , , , & (). SWE-bench: Can language models resolve real-world github issues?. arXiv preprint. Retrieved from https://arxiv.org/abs/2310.06770 ) .

El bucle fundamental: percepción, razonamiento y acción

Los agentes de código operan mediante un patrón cíclico que les permite interactuar dinámicamente con su entorno. Este bucle, derivado de la teoría de agentes inteligentes y adaptado para ingeniería de software, consta de tres fases interconectadas ( , & al., , p. wang2024survey , , , , , , , , & (). The rise and potential of large language model based agents: A survey. arXiv preprint. Retrieved from https://arxiv.org/abs/2309.07864 ) :

Percepción: el agente recopila información del entorno leyendo archivos, ejecutando comandos, consultando documentación o interactuando con APIs. La calidad de esta fase depende críticamente del tamaño de la ventana de contexto del modelo subyacente.

Razonamiento: el agente analiza la información percibida, planifica los pasos necesarios para alcanzar el objetivo y toma decisiones sobre qué acciones ejecutar. Los modelos modernos emplean técnicas como Chain-of-Thought (CoT) y ReAct (Reason + Act) para estructurar este razonamiento ( , & al., , , , , , & (). ReAct: Synergizing reasoning and acting in language models. Retrieved from https://arxiv.org/abs/2210.03629 ) .

Acción: el agente ejecuta las operaciones planificadas, que pueden incluir modificar código, crear archivos, ejecutar tests o interactuar con sistemas externos. Los resultados de estas acciones alimentan nuevamente la fase de percepción, cerrando el ciclo.

En la práctica, un agente puede iterar este bucle docenas de veces para completar una tarea compleja, manteniendo coherencia y contexto a lo largo de todo el proceso ( , & al., , , , & (). AI agentic programming: A survey of techniques, challenges, and opportunities. arXiv preprint. Retrieved from https://arxiv.org/abs/2508.11126 ) .

Principales agentes de código en 2025

Claude Code: Razonamiento arquitectónico desde la terminal

Claude Code, desarrollado por Anthropic, representa un enfoque distintivo centrado en el razonamiento profundo sobre bases de código extensas. A diferencia de los IDE tradicionales, Claude Code opera principalmente desde la línea de comandos, lo que le permite integrarse fluidamente en flujos de trabajo existentes y pipelines de automatización ( , (). Retrieved from https://www.anthropic.com/research/measuring-agent-autonomy ) .

Las capacidades diferenciales de Claude Code incluyen:

  • Ventana de contexto de 200K tokens: permite analizar simultáneamente cientos de archivos, comprendiendo relaciones y dependencias a nivel de sistema.
  • Razonamiento sobre arquitectura completa: no solo sugiere cambios locales, sino que evalúa el impacto de modificaciones en todo el ecosistema del proyecto.
  • Detección de vulnerabilidades: durante pruebas tempranas, identificó más de 500 vulnerabilidades reales en proyectos de código abierto ( , (). Retrieved from https://www.testleaf.com/blog/claude-code-vs-copilot-vs-cursor-ai-agents-comparison/ ) .
  • Modelo de precios por uso: cobra por millón de tokens procesados ($3-15/M), lo que puede resultar económico para tareas puntuales pero costoso para uso intensivo continuo.

En benchmarks de rendimiento, Claude Code con el modelo Claude Sonnet 4.5 alcanza un 77.2% de resolución en SWE-bench Verified, posicionándose entre los sistemas más efectivos para tareas de ingeniería de software real ( , (). Retrieved from https://www.digitalapplied.com/blog/ai-coding-tools-comparison-december-2025 ) .

Cursor: El IDE nativo para agentes

Cursor ha emergido como el referente en editores de código diseñados específicamente para la IA, alcanzando una valoración de $9.9 mil millones en 2025 y más de 360,000 clientes de pago en solo 16 meses ( , , p. mintmcp2026security (). Retrieved from https://www.nxcode.io/es/resources/news/cursor-tutorial-beginners-2026 ) . Construido sobre VS Code, ofrece una transición sin fricción para desarrolladores familiarizados con el ecosistema de Microsoft.

Las funcionalidades clave de Cursor incluyen:

Modo Composer: permite generar y modificar múltiples archivos simultáneamente a partir de descripciones en lenguaje natural. El agente planifica, implementa y verifica cambios de forma autónoma ( , (). Retrieved from https://www.eesel.ai/es/blog/cursor-overview ) .

Integración multi-modelo: ofrece acceso a GPT-5, Claude, Gemini y modelos personalizados, permitiendo seleccionar el modelo más adecuado para cada tarea:

ModeloIdeal paraCaracterística clave
GPT-4oRazonamiento complejo, tareas de varios pasosAlta inteligencia, más lento
Claude 3.5 SonnetComprensión matizada, código creativoExcelente para texto, rápido
cursor-smallFinalizaciones rápidas, ediciones sencillasMuy rápido, uso ilimitado

Indexación semántica de código: Cursor construye un índice vectorial de toda la base de código, permitiendo búsquedas contextuales y comprensión de relaciones entre componentes distribuidos ( , (). Retrieved from https://blog.openreplay.com/es/configurar-usar-cursor-ai-generacion-codigo/ ) .

El plan Pro cuesta $20/mes e incluye 500 solicitudes premium, mientras que el plan Business a $40/usuario/mes añade funcionalidades de equipo y seguridad avanzada ( , (). Retrieved from https://www.datacamp.com/es/tutorial/cursor-ai-code-editor ) .

GitHub Copilot: Evolución hacia el agente empresarial

GitHub Copilot, pionero en asistencia de código con IA, ha evolucionado significativamente desde su lanzamiento en 2021. En 2025, con más de 26 millones de usuarios y el 90% de Fortune 100 como clientes, ha transitado de ser un autocompletador a un agente de codificación autónomo ( , , p. devops2025copilot (). Retrieved from https://github.com/newsroom/press-releases/coding-agent-for-github-copilot ) .

Las innovaciones clave de 2025 incluyen:

Agent Mode: permite a Copilot traducir ideas directamente en código, identificando subtareas necesarias y ejecutándolas a través de múltiples archivos. Alcanza un 56% de tasa de éxito en SWE-bench Verified con Claude 3.7 Sonnet ( , (). Retrieved from https://thelettertwo.com/2025/05/19/the-new-github-copilot-agent-doesnt-just-help-you-code-it-codes-for-you/ ) .

Soporte multi-modelo: además de los modelos OpenAI, ahora integra Anthropic Claude 3.5/3.7 Sonnet, Google Gemini 2.0 Flash y otros, ofreciendo flexibilidad sin precedentes ( , (). Retrieved from https://github.blog/news-insights/product-news/github-copilot-meet-the-new-coding-agent/ ) .

Model Context Protocol (MCP): mediante este protocolo estandarizado, Copilot puede conectarse a fuentes de datos externas, bases de conocimiento y herramientas empresariales, expandiendo dramáticamente su contexto operativo ( , (). Retrieved from https://github.blog/open-source/maintainers/mcp-joins-the-linux-foundation-what-this-means-for-developers-building-the-next-era-of-ai-tools-and-agents/ ) .

La estructura de precios incluye un nivel gratuito con 12,000 completaciones mensuales, Pro a $10/mes, y Enterprise a $39/mes con funcionalidades avanzadas de seguridad y cumplimiento ( , (). Retrieved from https://www.digitalapplied.com/blog/ai-coding-tools-comparison-december-2025 ) .

Devin: El ingeniero de software autónomo

Devin, desarrollado por Cognition Labs, se posiciona como el primer “ingeniero de software autónomo” completamente funcional. A diferencia de los asistentes que operan dentro de IDEs existentes, Devin funciona como un agente independiente capaz de gestionar proyectos completos de extremo a extremo ( , , p. sfstandard2026grind (). Retrieved from https://www.cognition.ai/ ) .

Las capacidades diferenciales de Devin incluyen:

  • Configuración de entornos: crea y configura automáticamente entornos de desarrollo sandboxed con todas las dependencias necesarias.
  • Planificación multi-paso: descompone proyectos complejos en subtareas manejables, priorizando y secuenciando operaciones de forma óptima.
  • Depuración autónoma: detecta errores, reproduce bugs, implementa correcciones y verifica soluciones sin intervención humana ( , (). Retrieved from https://www.ibm.com/think/news/goldman-sachs-first-ai-employee-devin ) .
  • Paralelización masiva: múltiples instancias de Devin pueden trabajar simultáneamente en diferentes tareas o proyectos.

Los datos de rendimiento de 2025 muestran mejoras significativas: es 4 veces más rápido en resolución de problemas, un 67% de sus pull requests son mergeadas (vs 34% el año anterior), y resuelve vulnerabilidades de seguridad en 1.5 minutos frente a los 30 minutos promedio de desarrolladores humanos ( , (). Retrieved from https://cognition.ai/blog/devin-annual-performance-review-2025 ) .

OpenAI Codex: Orquestación multi-agente

OpenAI Codex representa la visión de OpenAI para la programación asistida por IA, evolucionando desde el motor de GitHub Copilot hasta un sistema de agentes independiente. En 2025, Codex está disponible como aplicación de escritorio para macOS, CLI, extensión de IDE y servicio en la nube ( , , p. geeksroom2026codex (). Retrieved from https://openai.com/es-419/index/introducing-gpt-5-3-codex/ ) .

Características distintivas:

Arquitectura multi-agente: la aplicación Codex permite coordinar múltiples agentes trabajando en paralelo en diferentes aspectos de un proyecto, cada uno en su propio hilo de ejecución ( , (). Retrieved from https://www.eesel.ai/es/blog/openai-codex ) .

Skills personalizables: los usuarios pueden definir “skills” —patrones reutilizables que Codex memoriza para tareas recurrentes— permitiendo automatizar flujos de trabajo específicos de la organización ( , (). Retrieved from https://openai.com/es-419/index/introducing-gpt-5-3-codex/ ) .

Contenedores aislados: cada tarea se ejecuta en un sandbox seguro que garantiza consistencia, seguridad y capacidad de paralelización ( , (). Retrieved from http://apertia.ai/es/blog/codex-nova-era-softwaroveho-inzenyrstvi ) .

En evaluaciones de OSWorld-Verified (benchmark de uso de computadoras con agentes), GPT-5.3-Codex demuestra habilidades significativamente superiores a modelos anteriores, acercándose al rendimiento humano de aproximadamente 72% ( , (). Retrieved from https://openai.com/es-419/index/introducing-gpt-5-3-codex/ ) .

Windsurf: Agente accesible con Cascade

Windsurf, adquirido por Cognition AI en 2025, se ha consolidado como una opción de alto valor con su agente Cascade. Con un precio de $15/mes para el plan Pro y un tier gratuito generoso (25 créditos mensuales), ofrece capacidades agenticas a un costo significativamente menor que la competencia ( , , p. deployhq2026windsurf (). Retrieved from https://www.digitalapplied.com/blog/ai-coding-tools-comparison-december-2025 ) .

Características principales:

  • Cascade Flow: flujos de trabajo agenticos autónomos con memoria y capacidades de planificación.
  • Riptide Search: sistema de búsqueda que puede escanear millones de líneas de código en segundos.
  • Live Preview: permite hacer clic en cualquier elemento de la interfaz para editarlo con IA.
  • Compatibilidad VS Code: al estar construido sobre VS Code, hereda extensiones, atajos y configuraciones existentes.

Benchmarks y evaluación de agentes

SWE-bench: El estándar de facto

SWE-bench (Software Engineering Bench) se ha establecido como el benchmark más riguroso para evaluar agentes de código. Consiste en issues reales de repositorios de código abierto populares (Django, scikit-learn, matplotlib, entre otros) que los agentes deben resolver de forma autónoma ( , & al., , , , , & (). SWE-bench: Can language models resolve real-world github issues?. arXiv preprint. Retrieved from https://arxiv.org/abs/2310.06770 ) .

Métricas clave en SWE-bench Verified (subset de 500 instancias filtradas):

Modelo/AgenteSWE-bench VerifiedTerminal-Bench
Claude Opus 4.580.9%57.5%
Claude Sonnet 4.577.2%50.0%
GPT-5.2~75%43.8%
Devstral 2 (Open)72.2%-
GPT-4o~55%-

Estos resultados demuestran que los modelos más avanzados han alcanzado niveles de competencia cercanos a los de desarrolladores humanos en tareas específicas de ingeniería de software ( , (). Retrieved from https://www.swebench.com/ ) .

Otros benchmarks relevantes

Además de SWE-bench, el ecosistema de evaluación incluye:

  • SWE-bench Multimodal: 517 tareas que incluyen elementos visuales, como interfaces gráficas o diagramas.
  • SWE-bench Multilingual: 300 tareas distribuidas en 9 lenguajes de programación diferentes.
  • OSWorld: evalúa capacidades de uso general de computadoras mediante agentes visuales.
  • TheAgentCompany: benchmark de tareas del mundo real con consecuencias prácticas ( , & al., , , , & (). TheAgentCompany: Benchmarking LLM agents on consequential real world tasks. arXiv preprint. Retrieved from https://arxiv.org/abs/2412.14161 ) .

Protocolos de integración: El Model Context Protocol (MCP)

¿Qué es MCP?

El Model Context Protocol (MCP), introducido por Anthropic en noviembre de 2024 y donado a la Agentic AI Foundation (Linux Foundation) en diciembre de 2025, es un estándar abierto que estandariza la forma en que los sistemas de IA se integran con fuentes de datos y herramientas externas ( , , p. linuxfoundation2025aaif (). Retrieved from https://claude.com/blog/what-is-model-context-protocol ) .

MCP opera bajo una arquitectura cliente-servidor simple:

  • MCP Clients: agentes de IA (Claude, ChatGPT, aplicaciones personalizadas) que se conectan a sistemas externos.
  • MCP Servers: exponen herramientas y datos desde aplicaciones como Notion, Slack, GitHub, bases de datos internas o sistemas propietarios.

La analogía más precisa es USB-C para aplicaciones de IA: en lugar de construir conectores personalizados para cada fuente de datos, los desarrolladores implementan una sola vez contra MCP y obtienen compatibilidad universal ( , (). Retrieved from https://www.pento.ai/blog/a-year-of-mcp-2025-review ) .

Adopción y ecosistema

La adopción de MCP ha sido extraordinariamente rápida:

Esta estandarización resuelve el problema de integración M×N (M aplicaciones conectándose a N fuentes de datos), colapsándolo en M+N implementaciones, lo que acelera drásticamente el desarrollo de agentes capaces de operar en ecosistemas empresariales complejos.

Esquema práctico: Selección de agentes según contexto

La elección del agente adecuado depende críticamente del contexto de uso, el tamaño del equipo y los requisitos de seguridad. A continuación se presenta un marco de decisión:

Para desarrolladores individuales

PrioridadHerramienta recomendadaJustificación
CostoWindsurf (gratis/$15)Tier gratuito generoso, Pro accesible
Productividad IDECursor ($20)Mejor experiencia de edición multi-archivo
Tareas complejasClaude CodeRazonamiento profundo, pago por uso
Microsoft ecosystemGitHub CopilotIntegración nativa con GitHub

Para equipos empresariales

RequisitoHerramienta recomendadaJustificación
Seguridad y complianceGitHub Copilot EnterpriseSOC 2, ISO 27001, indemnización IP
Flujos agenticos avanzadosCursor BusinessComposer mode, orquestación multi-agente
Refactorización a gran escalaClaude Code + BedrockContexto de 200K tokens, FedRAMP High
AWS-centricAmazon Q DeveloperTransformación de código, integración nativa

Para startups y proyectos ágiles

La combinación de múltiples herramientas suele ofrecer los mejores resultados:

  1. Cursor o Windsurf para desarrollo diario en IDE.
  2. Claude Code para tareas de refactorización compleja.
  3. GitHub Copilot para integración con flujos de CI/CD y revisión de código.

Problemas frecuentes y estrategias de mitigación

Alucinaciones y código incorrecto

Problema: los agentes pueden generar código que parece plausible pero contiene errores sutiles o viola patrones arquitectónicos establecidos. GitClear documentó un aumento de 8 veces en la duplicación de código durante 2024 atribuible a asistentes de IA ( , (). Retrieved from https://www.augmentcode.com/tools/ai-code-comparison-github-copilot-vs-cursor-vs-claude-code ) .

Estrategias:

  • Revisión humana obligatoria antes de mergear código generado por agentes.
  • Configurar pipelines de CI/CD que ejecuten tests exhaustivos automáticamente.
  • Establecer reglas de proyecto (.cursor/rules, .claude/config) que guíen el comportamiento del agente.
  • Usar agentes para tareas con criterios de verificación claros (tests pasando) vs. diseño arquitectónico ambiguo.

Costos inesperados

Problema: el modelo de precios por token puede resultar en facturas sorpresa, especialmente con agentes que iteran múltiples veces o procesan bases de código extensas.

Estrategias:

  • Establecer límites de gasto diarios/mensuales en las configuraciones de la cuenta.
  • Usar modelos más ligeros para tareas simples y reservar modelos premium para problemas complejos.
  • Monitorear métricas de uso y ajustar prompts para reducir iteraciones innecesarias.
  • Considerar herramientas de precio fijo (Cursor Pro, Copilot Pro) para uso predecible.

Seguridad y filtrado de datos

Problema: los agentes con acceso amplio al sistema pueden exponer datos sensibles o ejecutar código malicioso inadvertidamente. Los servidores MCP, en particular, representan vectores de ataque si no se auditan adecuadamente ( , , p. equixly2025mcp (). Retrieved from https://www.pillar.security/blog/the-security-risks-of-model-context-protocol-mcp ) .

Estrategias:

  • Ejecutar agentes en entornos sandboxed o contenedores aislados.
  • Implementar políticas de acceso basadas en principio de mínimo privilegio.
  • Auditar regularmente qué servidores MCP están conectados y qué permisos tienen.
  • Usar herramientas empresariales con certificaciones de seguridad (SOC 2, ISO 27001) para código propietario.

Dependencia excesiva y atrofia de habilidades

Problema: un estudio de METR encontró que las herramientas de IA aumentaron el tiempo de finalización de tareas en un 19% entre desarrolladores experimentados, sugiriendo que la dependencia excesiva puede degradar el pensamiento crítico ( , (). Retrieved from https://www.augmentcode.com/tools/ai-code-comparison-github-copilot-vs-cursor-vs-claude-code ) .

Estrategias:

  • Reservar tiempo para “programación sin IA” regularmente.
  • Exigir que los desarrolladores expliquen el código generado antes de aprobarlo.
  • Usar agentes como punto de partida, no como solución final.
  • Fomentar la comprensión profunda de patrones y algoritmos fundamentales.

Tendencias emergentes y futuro próximo

Sistemas multi-agente

La tendencia más significativa para 2026 es la transición de agentes individuales a equipos orquestados de especialistas. Según Gartner, las consultas sobre sistemas multi-agente aumentaron un 1,445% entre Q1 2024 y Q2 2025, y se proyecta que el 40% de aplicaciones empresariales incluirán agentes específicos para tareas para finales de 2026 ( , (). Retrieved from https://www.eesel.ai/es/blog/claude-code-multiple-agent-systems-complete-2026-guide ) .

Esta arquitectura refleja el cambio de aplicaciones monolíticas a microservicios: mejor especialización, responsabilidades claras, escalado independiente y aislamiento de fallos.

Agentes con memoria a largo plazo

Los agentes de próxima generación incorporarán sistemas de memoria que persisten más allá de sesiones individuales, permitiendo:

  • Aprendizaje continuo de preferencias y patrones del equipo.
  • Conocimiento acumulado sobre la evolución de la base de código.
  • Contexto histórico para decisiones arquitectónicas.

Integración con flujos de trabajo empresariales

Los agentes están evolucionando desde herramientas de desarrollo aisladas hacia componentes integrados de flujos de trabajo empresariales completos:

  • Conexión con sistemas de tickets (Jira, Linear) para resolver issues automáticamente.
  • Integración con documentación (Confluence, Notion) para mantenerla actualizada.
  • Coordinación con equipos de soporte mediante Slack o Teams.

Conclusiones

Los agentes de código han transitado de ser curiosidades tecnológicas a herramientas esenciales en el arsenal del desarrollador moderno. La investigación reciente demuestra que, cuando se implementan adecuadamente, pueden aumentar significativamente la productividad, mejorar la calidad del código y acelerar los ciclos de desarrollo ( , & al., , p. lou2024agents , , , , & (). From LLMs to LLM-based agents for software engineering: A survey of current, challenges and future. arXiv preprint. Retrieved from https://arxiv.org/abs/2408.02479 ) .

Sin embargo, su adopción efectiva requiere:

  1. Comprensión de limitaciones: los agentes excelentes en tareas bien definidas con criterios de verificación claros, pero luchan con requisitos ambiguos o diseño creativo.
  2. Supervisión humana continua: la revisión de código generado por IA sigue siendo esencial para garantizar calidad y seguridad.
  3. Selección contextual: no existe un “mejor” agente universal; la elección debe basarse en el tamaño del equipo, requisitos de seguridad, presupuesto y tipo de proyectos.
  4. Gestión de costos: los modelos de precios variables requieren monitoreo activo para evitar sorpresas.

El futuro apunta hacia ecosistemas donde humanos y agentes colaboran de forma fluida, cada uno aportando sus fortalezas distintivas. Los desarrolladores que dominen la orquestación efectiva de estos agentes —sabiendo cuándo delegar, cuándo supervisar y cuándo intervenir— estarán mejor posicionados para liderar en la próxima era del desarrollo de software.

Bibliografía

  1. , , , , & (). From LLMs to LLM-based agents for software engineering: A survey of current, challenges and future. arXiv preprint. Retrieved from https://arxiv.org/abs/2408.02479

  2. , , , , , & (). Large language model-based agents for software engineering: A survey. arXiv preprint. Retrieved from https://arxiv.org/abs/2409.02977

  3. , , , , , , , , & (). The rise and potential of large language model based agents: A survey. arXiv preprint. Retrieved from https://arxiv.org/abs/2309.07864

  4. , , , & (). AI agentic programming: A survey of techniques, challenges, and opportunities. arXiv preprint. Retrieved from https://arxiv.org/abs/2508.11126

  5. , , & (). Towards rationality in language and multimodal agents: A survey.

  6. , , , , , , & (). SWE-agent: Agent-computer interfaces enable automated software engineering. arXiv preprint. Retrieved from https://arxiv.org/abs/2405.15793

  7. , , , , & (). AgentCoder: Multi-agent-based code generation with iterative testing and optimisation. arXiv preprint. Retrieved from https://arxiv.org/abs/2312.13010

  8. , , , , & (). SWE-bench: Can language models resolve real-world github issues?. arXiv preprint. Retrieved from https://arxiv.org/abs/2310.06770

  9. , , , , , , , , & (). A survey on large language model based autonomous agents. arXiv preprint. Retrieved from https://arxiv.org/abs/2308.11432

  10. , , , , , & (). ReAct: Synergizing reasoning and acting in language models. Retrieved from https://arxiv.org/abs/2210.03629

  11. (). Retrieved from https://www.cognition.ai/

  12. (). Inside the grind: The SF startup racing to build an AI software engineer. Retrieved from https://sfstandard.com/2026/03/24/grind-sf-startup-racing-build-ai-software-engineer/

  13. (). Retrieved from https://www.eesel.ai/es/blog/openai-codex

  14. (). Retrieved from https://www.deployhq.com/guides/windsurf

  15. (). Retrieved from https://www.swebench.com/

  16. , , , & (). TheAgentCompany: Benchmarking LLM agents on consequential real world tasks. arXiv preprint. Retrieved from https://arxiv.org/abs/2412.14161