LAPLACE: una plataforma de IA para usarse con múltiples repositorios de código de proyectos de software
Palabras clave:
agentes de inteligencia artificial, orquestación de LLMs, agentes de codificación, RAGResumen
La aparición de grandes modelos de lenguaje (LLMs) se puede aplicar a la optimización y mejora de código fuente dentro de los entornos de desarrollo de proyectos de software, aportando retroalimentación automática y sugerencias contextuales y pudiendo utilizar el propio repositorio del proyecto como una de las fuentes de conocimiento para apoyar el proceso de programación. LAPLACE propone el diseño e implementación de una plataforma unificada para la integración de grandes modelos de lenguaje orientados al desarrollo de software. La solución propuesta evita la fragmentación derivada del uso de múltiples entornos independientes. Una característica fundamental de LAPLACE es su alta versatilidad respecto a los grandes modelos de lenguaje involucrados: permite interactuar tanto con APIs globales (OpenAI, Anthropic, Google), como desplegar y utilizar modelos locales (como Ollama) por defecto. Esta flexibilidad garantiza una adecuada gestión de la información sensible, reduciendo o eliminando la exposición del código fuente a servicios de terceros. Para optimizar los flujos de trabajo, LAPLACE implementa una arquitectura basada en Generación Aumentada por Recuperación (RAG) y Agentes de IA. Este enfoque utiliza los repositorios de código como base de conocimiento contextual, dotando al modelo de la capacidad de brindar asistencia, análisis y retroalimentación precisa y adaptada a la base de código del proyecto. De este modo, se favorece la trazabilidad de los cambios, la seguridad de los datos y la colaboración eficiente entre equipos de desarrollo.
Descargas
Referencias
GitHub. 2021. GitHub Copilot • Your AI pair programmer. https://copilot.github.com.
Kanmani, P., Prabha, K. C., Veerandeswari, J., & Manjula, M. (2026). Generative AI tools for accelerated software engineering. In Advances in Computers (Vol. 141, pp. 211-228). Elsevier.
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., ... & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive nlp tasks. Advances in neural information processing systems, 33, 9459-9474.
Li, W., Zhang, Y., Sun, Y., Wang, W., Li, M., Zhang, W., & Lin, X. (2019). Approximate nearest neighbor search on high dimensional data—experiments, analyses, and improvement. IEEE Transactions on Knowledge and Data Engineering, 32(8), 1475-1488.
Luo, J., Zhang, W., Yuan, Y., Zhao, Y., Yang, J., Gu, Y., ... & Zhang, M. (2025). Large language model agent: A survey on methodology, applications and challenges. arXiv preprint arXiv:2503.21460.
Malkov, Y. A., & Yashunin, D. A. (2018). Efficient and robust approximate nearest neighbor search using hierarchical navigable small world graphs. IEEE transactions on pattern analysis and machine intelligence, 42(4), 824-836.
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Distributed Representations of Words and Phrases and their Compositionality. Advances in Neural Information Processing Systems https://proceedings.neurips.cc/paper/2013/file/9aa42b31882ec039965f3c4923ce901b-Paper.pdf
Nguyen, N., & Nadi, S. (2022, May). An empirical evaluation of GitHub copilot's code suggestions. In Proceedings of the 19th International Conference on Mining Software Repositories (pp. 1-5).
Reddy Vootukuri, N.S. (2025). GitHub Copilot on the Web. In: Vibe Coding with GitHub Copilot. Apress, Berkeley, CA. https://doi.org/10.1007/979-8-8688-2196-7_4.
Reimers, N., & Gurevych, I. (2019, November). Sentence-bert: Sentence embeddings using siamese bert-networks. In Proceedings of the 2019 conference on empirical methods in natural language processing and the 9th international joint conference on natural language processing (EMNLP-IJCNLP) (pp. 3982-3992).
Robbes, R., Matricon, T., Degueule, T., Hora, A., & Zacchiroli, S. (2026). Agentic Much? Adoption of Coding Agents on GitHub. arXiv preprint arXiv:2601.18341.
Stuart, R., & Peter, N. (2010). Artificial Intelligence A Modern Approach Third Edition.
Schneider, J., Meske, C., & Kuss, P. (2024). Foundation Models: J. Schneider et al. Business & Information Systems Engineering, 66(2), 221-231.
Sobania, D., Briesch, M., & Rothlauf, F. (2022, July). Choose your programming copilot: a comparison of the program synthesis performance of github copilot and genetic programming. In Proceedings of the genetic and evolutionary computation conference (pp. 1019-1027).
Tanenbaum, A. S., & Van Steen, M. (2017). Distributed systems (pp. 298-303). CreateSpace Independent Publishing Platform.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Nicolás Crespo, Alejandra Lliteras, Patricia Bazán, Joaquín Bogado
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
