ChatGPT vs Mi Script de Limpieza: ¿Quién Gana?

Hace un tiempo, mientras practicaba con scripts de Bash, me propuse resolver tareas pequeñas para afianzar conocimientos. Una de ellas era un script que eliminaba archivos temporales, volcados antiguos y carpetas node_modules de proyectos olvidados. Lo encontré por casualidad, lo probé en una máquina virtual y, aunque funcionaba, era un apaño inseguro y poco legible.

Se me ocurrió comprobar si un modelo como ChatGPT podía hacer lo mismo con un enfoque más profesional. El resultado fue revelador: la arquitectura propuesta fue sólida, pero también hubo sugerencias que, sin cuidado, podrían poner en riesgo el sistema. A continuación, cuento la experiencia y las lecciones aprendidas.

La tarea era sencilla en apariencia: localizar y eliminar archivos innecesarios siguiendo reglas claras. Mi script original era un monolito con múltiples llamadas a find y rm -rf, concatenaciones frágiles y una gestión de errores deficiente.

Principales problemas del primer intento: usar rm -rf con variables concatenadas es como jugar a la ruleta rusa; un espacio en la ruta bastaba para fallar o borrar lo que no debía. Cambiar las reglas exigía tocar el código en varios puntos. No había configuración centralizada ni un sistema de registros que indicara qué se borró o qué falló. Y para rematar, las redirecciones de errores al vacío ocultaban problemas de permisos.

Le pedí a ChatGPT un script seguro y configurable para buscar y eliminar temporales, cachés y registros antiguos, con una lista de carpetas prohibidas y logging.

La propuesta llegó en Python por una razón de peso: Bash no es ideal cuando la seguridad depende de escapes perfectos y de rezar para que ninguna variable esté vacía. Python permite controles explícitos, rutas tipadas y manejo robusto de errores.

Qué planteó la versión en Python: una configuración clara con una lista de objetivos, cada uno con ruta base, patrones y antigüedad máxima en días. Un bloque de directorios vetados que impide tocar rutas críticas como la raíz, el directorio personal o el de claves. Registro a archivo con niveles de información y error. Funciones que eliminan con métodos nativos como unlink para ficheros y rmdir para directorios vacíos. Y un recorrido por patrones con Path que calcula la edad de cada elemento con la marca temporal de modificación.

Dónde acertó: eliminó llamadas directas a rm -rf y usó métodos nativos más seguros. Añadió personalización real con una configuración editable sin tocar la lógica. Incorporó un log completo para auditar qué se borró y por qué. Y empleó pathlib para gestionar rutas de forma multiplataforma evitando concatenaciones frágiles.

Qué ajustaría: el uso de búsqueda recursiva con patrón comodín total en directorios de caché puede ser lento e innecesario. Sumar filtros de antigüedad mínima, límites de profundidad o exclusiones por subcarpetas reduce el impacto. La eliminación de carpetas solo si están vacías es prudente, pero insuficiente para casos como node_modules; conviene registrar explícitamente que se omiten directorios no vacíos o plantear una opción segura y opcional para borrado recursivo con confirmación o lista blanca estricta. También mejoraría los patrones con listas específicas por proveedor de caché en lugar de un comodín global.

Conclusión práctica: la IA transformó un script frágil en una utilidad casi de producción con configuración y trazabilidad. Aun así, el recorrido recursivo indiscriminado puede saturar I O y provocar bloqueos si no se acota. La moraleja es clara: la IA estructura y securiza muy bien, pero el criterio operativo sobre qué limpiar y cómo debe venir de quien conoce el entorno.

Guía de uso recomendada sin entrar en detalles de código: guarda el archivo como cleanup_agent.py, define una lista de objetivos con rutas de trabajo, patrones a limpiar y antigüedad en días, revisa la lista de directorios protegidos para evitar riesgos y ejecútalo con Python 3. Consulta el archivo de log en tu directorio personal para ver inicio, fin, elementos eliminados y errores de permisos. Utiliza privilegios elevados solo si realmente necesitas acceder a rutas protegidas y siempre tras verificar la configuración.

Buenas prácticas adicionales: realiza una ejecución en modo simulación que solo registre lo que borraría, limita la profundidad en directorios con millones de ficheros, añade exclusiones para caches críticos de navegadores o lenguajes, programa la limpieza con cron o systemd timers y versiona la configuración para auditar cambios. Si gestionas equipos o servidores, separa reglas por perfil y contempla listas blancas específicas por proyecto.

En Q2BSTUDIO ayudamos a empresas a convertir scripts caseros en soluciones robustas de automatización, observabilidad y gobierno del dato. Somos una empresa de desarrollo de software y aplicaciones a medida, especialistas en inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, agentes IA y power bi, con experiencia en pipelines de limpieza, análisis de telemetría y despliegues seguros. Si buscas aplicar ia para empresas con agentes que tomen decisiones supervisadas y disparen limpiezas seguras, explora nuestros servicios de inteligencia artificial. Y si quieres orquestar tareas, programar limpiezas, integrar auditorías y reportes en tiempo real, te acompañamos en tu automatización de procesos.

Palabras clave que solemos abordar en este tipo de proyectos: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi. Si necesitas asesoría para endurecer tus scripts de mantenimiento, crear políticas de limpieza seguras o integrarlas con dashboards de negocio, estaremos encantados de ayudarte.