Serie AI-Native · 07

Deja de estudiar para las entrevistas — mejor compílalas

Una descripción de puesto es código fuente. Parséala, fundaméntala, enlázala contra lo que de verdad has construido — y deja que los errores del enlazador escriban tu plan de preparación. ~8 min.

El primer currículum fue un montón hermoso de afirmaciones sin verificar

En 1482, un buscador de empleo de treinta años le escribió al Duque de Milán. Su carta — el CV más antiguo conocido — eran diez afirmaciones numeradas: I can dry up the water of the moats. I can build unbreakable bridges. I can make cannon. (Traducción: Puedo secar el agua de los fosos. Puedo construir puentes indestructibles. Puedo fabricar cañones.) La pintura, lo que hoy lo hace más bien famoso, era el punto número diez.

Número de fosos que Leonardo da Vinci había secado realmente al momento de escribir esto: aproximadamente cero. El primer currículum de la historia ya hacía lo que hacen los currículums — proyectar capacidad sin evidencia. Lo que a la larga forjó su nombre no fue la carta. Fueron los cuadernos: siete mil páginas de dibujos, mediciones y pruebas. La carta afirmaba; los cuadernos demostraban.

Quinientos cuarenta y cuatro años después, la mayoría de la preparación para entrevistas sigue siendo escritura de cartas: memorizar la documentación del framework, memorizar el glosario, ensayar adjetivos sobre uno mismo. Quiero proponer el enfoque del cuaderno de notas, actualizado para 2026 — y empieza por tratar la descripción del puesto misma como algo que tú ejecutas.

El modelo mental: una descripción de puesto es código fuente

Aquí está el método completo, tan simple que lo entendería un chico de 12 años:

Una JD es una receta. No memorices el libro de cocina entero — lee la receta, revisa tu despensa, y sal a comprar solo lo que falta.

Y aquí está el mismo método con su sombrero de ingeniería puesto, que es la versión que realmente ejecuto (es la animación en la parte superior de esta página):

• Parsear. Una descripción de puesto es prosa, pero codifica una especificación. Extrae lo que el rol realmente exige — los clústeres de competencias, las herramientas nombradas, el nivel de seniority.
• Fundamentar. Asegúrate de que cada concepto extraído sea algo real, con una definición real — no una vibra de palabra clave.
• Vincular. Resuelve cada requisito contra lo que tú realmente has construido — repos públicos, demos funcionando, cosas con historial de commits.
• Leer los errores. Todo lo que no logre vincularse es tu plan de preparación. No "estudiar todo" — construir precisamente las piezas que faltan.

Cuatro verbos. La magia es que cada uno de ellos es ejecutable — esto no es una metáfora disfrazada de ingeniero. Lo cual nos lleva a la parte donde muestro mi trabajo.

Término por término: la cocina se traduce en maquinaria real

Un modelo mental que no puedes mapear a código en ejecución es solo decoración. Así que aquí está el mapeo, término por término — cada fila está implementada en un pipeline de código abierto que puedes clonar y ejecutar hoy mismo:

"Lee la receta" = parseo determinista. El compilador puntúa la JD contra una taxonomía de competencias curada — seis clústeres como diseño de sistemas agénticos y modern AI stack, más una biblioteca de herramientas específicas. La coincidencia ocurre en los límites de palabra, así que "rust" nunca se activa dentro de "trust". Determinista y offline: mismo JD como entrada, mismo perfil como salida, sin que el estado de ánimo de ningún LLM intervenga.

"Revisa que los ingredientes sean reales" = fundamentación por recuperación. Cada concepto extraído se fundamenta luego contra fuentes abiertas — Wikipedia y Wikidata para definiciones y relaciones, ESCO (la taxonomía abierta de habilidades de la UE) para habilidades. Cada nodo del grafo de conocimiento resultante lleva una definición real y una URL de procedencia, exigido por contrato: sin fuente http(s), no hay nodo completo. Si la recuperación no logra resolver un término, el nodo se entrega escueto y marcado — nunca inventado. Un grafo de conocimiento donde no puedes rastrear un nodo hasta su fuente es solo clip-art con pose de autoridad.

"Revisa la despensa" = vincular contra comprobantes. Ahora resuelve cada competencia exigida contra tu trabajo público, como un linker que resuelve símbolos contra una biblioteca. ¿Arneses de evaluación? Se resuelve en un repo que mide la recuperación con precision@k y lo exige como condición en el CI. ¿Barreras de seguridad? Se resuelve en un framework de seguridad con listas de verificación firmadas. ¿Integración de herramientas? Se resuelve en un estante de servidores MCP. Cada resolución es un comprobante clicable, no un adjetivo.

"Escribe la lista de compras" = el informe de brechas. Lo que quede sin resolver es — con precisión, de forma demostrable — lo que hay que preparar. No un temario. Una lista de compras.

Tres telescopios: 30 días, 30 años, 300 años

"Agudo" significa verificar la afirmación en tres niveles de zoom antes de apostar tu tiempo de preparación a ella. Así que apunté tres telescopios a este método — ¿está de moda, sobrevivió, es ancestral?

El telescopio de 30 días (¿está de moda?). Las publicaciones de empleo en IA agéntica crecieron 280% año contra año — cerca de 90.000 ofertas en EE. UU. — mientras la contratación tradicional de nivel de entrada en tecnología se contraía. Alrededor del 34,3% de esas publicaciones menciona LangChain; ya es una expectativa base, y el 57,3% de los equipos encuestados ya ejecuta agentes en producción. Traducción: los JD están convergiendo hacia una especificación describible y analizable. Buena noticia para un compilador.

El telescopio de 30 años (¿sobrevivió?). El metaanálisis de selección de 1998 encontró que las muestras de trabajo están entre los predictores más fuertes del desempeño laboral — y ha sobrevivido a cada guerra de replicación desde entonces. Los sistemas de seguimiento de candidatos (ATS) llevan analizando currículums en busca de palabras clave desde los años noventa; durante treinta años, los robots han estado compilándote ati y rechazando el binario. (Qué grosería.) Este método simplemente le da la vuelta al compilador: tú los compilas aellos. Y los grafos de conocimiento —"cosas, no cadenas de texto", 2012— sobrevivieron a su propio ciclo de bombo publicitario para convertirse en infraestructura aburrida, que es el mayor elogio que puede recibir una maquinaria.

El telescopio de 300 años (¿es ley ancestral?). Durante siglos, antes de que existiera el currículum, los gremios contrataban con una sola regla: para convertirse en maestro, el aprendiz avanzado debía producir unaobra maestra —un solo artefacto, juzgado por gente a la que no se podía engañar. El currículum (1482, ver arriba) es el invento peor y más nuevo: afirmaciones sin juez. El patrón que sobrevive a cada siglo, en cada oficio, es el mismo:el artefacto sobrevive a la carta.

Tres telescopios, una sola conclusión: trae el artefacto, no los adjetivos.

El mejor resultado de la preparación es un mensaje de error

Esto es lo que pasó cuando corrí este método en una oferta real —un puesto senior de "ingeniero de IA agéntica", del tipo que el telescopio de 30 días dice que se está multiplicando. La pasada de compilación fue halagadora: seis de siete clústeres de competencias demandados, y la mayoría de los símbolos resolvieron limpiamente contra repositorios públicos —bucles de orquestación, arneses de evaluación, un framework de seguridad para agentes, un estante de herramientas MCP.

Entonces habló el linker:

$ jd-compile agentic-ai-engineer.md --link ~/repos
resolved: orchestration ✓  evals ✓  guardrails ✓  mcp-tools ✓
ld: undefined symbol — langgraph

La JD decía "especialmente LangGraph". Dos veces. Y mi portafolio tenía cero código en LangGraph —porque cada comprobante de orquestación que poseo es un motor construido a la medida. Había construido la maquinaria que el framework abstrae, lo cual suena impresionante hasta que te das cuenta de que es como presentarte a un examen de manejo con un auto que construiste tú mismo y sin licencia. ¡Educativo, sin duda! Sigue sin licencia.

Este es el momento en el que la memorización a la carrera habría desperdiciado una semana. En cambio, el informe de brechas prescribió dos movimientos:

• Traduce, no finjas. Cada primitiva del framework se corresponde con algo que ya había construido a pulso —el grafo de estados con un bucle que lleva puntaje, el checkpointer con memoria acumulada y reanudable, la interrupción human-in-the-loop con una compuerta de aprobación de parada dura. Saberpor qué existe cada primitiva es la conversación de nivel senior: el checkpointer existe porque la capacidad de reanudar muere en el instante en que dejas que el tiempo real se filtre dentro de un nodo. Aprendí eso a las malas, así que me lo puedo permitir decir en la entrevista.
• Construye la pieza que falta. Un artefacto pequeño en el framework real —cuatro nodos, un checkpointer, una arista de reintento, una compuerta humana— lo publiqué en medio día. La respuesta a "¿lo has usado?" se convierte en "sí, aquí está el repositorio, y esto es lo que hace mi propio motor que el framework no hace".

Un solo mensaje de error. Una sola tarde. exit 0.

Hazlo SMART, y deja que se acumule

El ciclo se gana su acrónimo sin forzarlo:

• Específico — un artefacto por brecha, nombrado de antemano ("un flujo de trabajo con estado de cuatro nodos y un checkpointer"), nunca "mejorar en agentes".
• Medible — vuelve a correr la compilación; el símbolo se resuelve o no se resuelve. No se admiten buenas sensaciones como evidencia.
• Alcanzable — alcance de medio día. Si la brecha necesita un mes, eso ya no es preparación para la entrevista, es una decisión de carrera; el reporte solo la hizo visible temprano. También es útil.
• Relevante — cada artefacto se ancla a una línea de la descripción del puesto que puedes citar textualmente en la sala.
• Con plazo definido — terminado antes de la entrevista, porque la entrevista es el plazo que el compilador no puede mover.

Y aquí está la parte que le gana para siempre a la memorización a la carrera: el ciclo se acumula. Cada artefacto que publicas para la descripción de puesto #1 ya está esperando en tu biblioteca cuando compilas la descripción de puesto #2. Tu reporte de brechas se acorta con cada oferta que corres. La memorización a la carrera vuelve a cero después de cada entrevista; compilar se acumula. Eso no es una técnica de estudio: es un activo que se construye a sí mismo.

Corre tú mismo el proceso (todo está abierto)

Todo el pipeline es de código abierto — núcleo determinista, sin claves de API, sin necesidad de un LLM para el paso de compilación:

git clone https://github.com/wjlgatech/FDE-os
cd FDE-os
# 1. drop any job posting into course/target-jds/ as markdown
# 2. compile it → competency profile
python3 skills/jd-compiler/scripts/jd_compile.py compile course/target-jds/your-jd.md
# 3. deepen it → grounded knowledge graph + skills (Wikipedia/Wikidata/ESCO)
python3 skills/jd-compiler/scripts/jd_to_deepen.py course/target-jds/your-jd.md \
  --title "The Role" --url "https://the-posting-url"

Después haz el único paso que ningún script puede hacer por ti: compara cada competencia exigida contra tu propio trabajo público y pregúntate, honestamente, ¿esto se resuelve en un comprobante, o en un adjetivo? Anota cada adjetivo. Esa lista, con plazo definido y construida, es la mejor preparación para entrevistas que harás jamás.

La línea que hay que recordar

Leonardo necesitó siete mil páginas de cuaderno para respaldar diez afirmaciones. Tú necesitas mucho menos — porque ahora el cuaderno se verifica a sí mismo contra el puesto.

No estudies todo el libro de cocina. Compila la receta, revisa tu despensa y ve a construir exactamente lo que falta.

Más en la serie AI-Native

• Aprende Cualquier Campo 10× Más Rápido Con IA — Amplio y Profundo, Sin Engañarte a Ti Mismo — Mapa · Escalera · Compuerta, mapeado término por término a la ciencia cognitiva.
• No Puedes Autoemitir tu Propia Reputación — por qué un portafolio de IA de 60 segundos no te conseguirá trabajo; el peldaño que solo otra persona puede darte.
• Revela, No Memorices — deja que la IA te revele progresivamente un campo nuevo sobre la base que ya tienes.

Todo esto vive en la sección Writing de la página de inicio.

Parte de la serie AI-Native. El jd-compiler y todo lo que lo rodea es abierto en github.com/wjlgatech/FDE-os — tú tienes el control del botón de Publicar. Fuentes: Leonardo's letter (Wikipedia) (Traducción: La carta de Leonardo (Wikipedia)) · Datos de publicaciones del Stanford 2026 AI Index vía JobsByCulture · LangChain State of Agent Engineering · Schmidt & Hunter (1998).