Me cansaba perder tiempo pegando archivos uno a uno cada vez que quería preguntar a ChatGPT sobre mi código. La conversación típica era pegar un componente React, recibir la respuesta de que faltaban imports o el componente padre, pegar esos archivos, contestar sobre el enrutamiento y al final haber dedicado diez minutos solo a poner al día a la IA. Tenía que haber una forma mejor.
Así que construí una solución propia llamada Repository Context Packager, una herramienta de línea de comandos que empaqueta todo un repositorio en un solo archivo de texto ordenado listo para pegar en cualquier chat de IA. Con un solo comando puedes generar un resumen completo que incluye la estructura de ficheros en forma de árbol, todos los archivos de código en bloques con resaltado sintáctico, información de git opcional como hash de commit, rama y autor muy reciente, y hasta un resumen con recuento de archivos y estimaciones de tokens para planear conversaciones con modelos como ChatGPT o Claude.
Una muestra de uso es tan simple como ejecutar repo-packager . -o mi-codigo.txt o afinar filtros con patrones y estimaciones de tokens. La idea fue mantener la UX tan sencilla como sea posible para evitar el tedio de copiar y pegar fragmentos sueltos.
Diseñar el CLI fue más difícil de lo que parece. Soportar rutas múltiples y combinadas obliga a tratar las entradas como arreglos para cubrir casos como la ejecución sobre el directorio actual, archivos concretos o una mezcla de carpetas y ficheros. La solución simple de convertir la entrada en un array resulto ser la más robusta y fácil de mantener.
El trabajo con el sistema de archivos trajo retos reales: descartar binarios con cortesía, manejar archivos que desaparecen durante la lectura, truncar logs gigantes con una nota explicativa y respetar .gitignore para evitar subir node_modules con cientos de miles de ficheros. El uso de la libreria glob evitó tener que reescribir traversals de directorio y simplifico muchos casos borde.
La integración con git fingia ser trivial hasta que surgieron situaciones como ejecutar la herramienta fuera de un repo, en repos sin commits o en sistemas con diferencias de rutas. Mejorar la robustez para esos escenarios fue crucial para que la herramienta deje de ser un experimento local y pase a ser realmente utilizable.
Lo que aprendi construyendo esto vale para cualquier desarrollador que quiera crear herramientas: el CLI es un medio distinto, la salida de la herramienta debe ir a stdout y los mensajes de progreso y errores a stderr, --help y --version deben existir, y los codigos de salida importan. A escala, leer cientos de archivos exige async para no bloquear el event loop y prestar atención al consumo de memoria y a permisos de ficheros. Git ofrece mucha metadata util que raramente se explota, desde autores y fechas hasta la historia que ayuda a entender decisiones de diseño.
En la practica uso la herramienta para depurar hooks raros en React empaquetando todo el arbol de componentes y consultando modelos de IA, para preparar revisiones de codigo generando un contexto antes de empezar a revisar y para incorporarme a proyectos nuevos pidiendo a la IA que explique la arquitectura a partir del pack generado. La funcion de estimacion de tokens fue especialmente util para planear interacciones con modelos y optimizar consultas.
Ideas futuras incluyen salidas alternativas como HTML con secciones plegables o JSON para consumo por otras herramientas, heuristicas para seleccionar archivos relevantes automaticamente, integracion directa con APIs de modelos para saltarse el paso de copiar y pegar y analisis de cambios entre ramas para acelerar revisiones.
Si te interesa implementar soluciones similares para tu empresa o proyecto, en Q2BSTUDIO ofrecemos servicios de desarrollo de aplicaciones y software a medida que pueden integrar estas capacidades. Podemos ayudarte a crear pipelines de empaquetado y automatizacion, y a desplegar integraciones de inteligencia artificial que mejoren la productividad de equipos de desarrollo. Con experiencia en aplicaciones a medida, software a medida, inteligencia artificial y ciberseguridad podemos adaptar la herramienta a tus necesidades y garantizar despliegues seguros en la nube.
Si tu foco es potenciar la IA en la empresa, explorar agentes IA o construir soluciones de ia para empresas, en Q2BSTUDIO diseñamos y desplegamos proyectos de inteligencia artificial a medida que se integran con flujos de trabajo reales. Conecta estas iniciativas con servicios cloud AWS y Azure para escalar de forma segura y con servicios de inteligencia de negocio o Power BI para visualizar resultados y métricas clave. Si buscas una solución de desarrollo multiplataforma, consulta nuestra opcion de desarrollo de aplicaciones y software multiplataforma y para proyectos centrados en IA revisa nuestra pagina de inteligencia artificial.
Algunos consejos practicos si te animas a construir una herramienta asi: empieza simple, prueba continuamente en tus propios repositorios para descubrir casos borde, escribe mensajes de error claros que indiquen que hacer a continuacion y documenta desde el primer dia. Las herramientas realmente utiles son las que la gente adopta sin fricciones.
Este proyecto me permitio aprender TypeScript, operaciones avanzadas con Node.js y diseño de CLI mientras resolvia un problema que me molestaba a diario. No es software revolucionario, pero ahorrar minutos cada semana suma mucho. Si quieres que adaptemos una version para tu organizacion o necesitas ayuda con ciberseguridad, pentesting, servicios cloud aws y azure, servicios inteligencia de negocio, agentes IA o power bi contacta con Q2BSTUDIO y vemos como llevarlo a produccion.
Si tienes preguntas tecnicas o ideas de mejora sobre la herramienta, en Q2BSTUDIO estaremos encantados de hablar y explorar colaboraciones que combinen desarrollo de software a medida, inteligencia artificial y seguridad.
