Un experimento destila 32.000 correos para que un LLM revise código como Torvalds
El autor publica un informe con cuatro variantes de un skill para modelos de lenguaje, un archivo Soul.md, una comparativa con y sin esa capa de instrucciones y un pipeline reproducible.
Un experimento ha destilado el criterio de revisión de código de Linus Torvalds a partir de unos 32.000 correos y lo ha empaquetado como skill para modelos de lenguaje. El autor acaba de publicar el informe con la segunda vuelta del trabajo: qué cambió desde el primer anuncio, qué mejoró y con qué material se queda quien quiera reproducirlo. El anuncio llega como un post en un foro que remite al blog del autor, sin más enlace que el propio informe.
La cifra de correos es suya. Nadie la ha comprobado por fuera ni hay un tercero que la respalde. Lo que sí cuenta el texto es el método: sacar de ese archivo el modo de leer un parche y condensarlo en instrucciones que se cargan en el modelo antes de pedirle que evalúe cambios.
Cuatro versiones y un Soul.md
El paquete trae cuatro variantes del skill, cada una producida con un modelo distinto, de forma que se pueda comparar cómo interpreta cada uno las mismas reglas. Junto a ellas aparece un archivo bautizado Soul.md que, según el autor, recoge la parte de carácter del personaje, tacos incluidos. También se publica una comparativa de resultados con y sin el skill cargado, y un pipeline reproducible para repetir el proceso con otro corpus.
El detalle de las cuatro versiones dice bastante: aquí no hay un artefacto canónico, sino cuatro intentos de codificar el mismo criterio con herramientas que no se comportan igual. Quien haya montado reglas de revisión en un asistente sabe que la distancia entre dos modelos ante el mismo prompt es, muchas veces, la distancia entre un comentario útil y ruido.
Para un equipo que quiera meter revisión asistida en su flujo, lo relevante no es que el texto suene a Torvalds, sino si las observaciones que salen son accionables: señalar el caso límite, la condición de carrera, el índice que falta. Eso es lo que debería medir la comparativa, y es justo lo que no se puede juzgar desde fuera con lo publicado hasta ahora.
Queda por ver si el autor suelta el corpus de correos y el método de evaluación, que es lo que convertiría el experimento en algo auditable por un tercero. De momento hay un informe, cuatro variantes y un pipeline anunciado, sin demo en vídeo ni métrica independiente.
