Aider + Ertas

Overview

Aider es una poderosa herramienta de programacion en pareja con IA que se ejecuta completamente en la terminal, permitiendo a los desarrolladores colaborar con modelos de lenguaje en cambios de codigo reales a traves de multiples archivos. A diferencia de las herramientas de IA basadas en editores, Aider opera a nivel de git — entiende la estructura de tu repositorio, puede editar multiples archivos en una sola conversacion, crea automaticamente commits de git para los cambios y se integra perfectamente en flujos de trabajo centrados en la terminal. Los desarrolladores describen lo que quieren en lenguaje natural, y Aider genera los cambios de codigo, los aplica al arbol de trabajo y hace commit de los resultados.

Aider soporta una amplia gama de proveedores de modelos — OpenAI, Anthropic, endpoints locales de Ollama y cualquier API OpenAI-compatible. Esta flexibilidad lo hace ideal para desarrolladores que prefieren la terminal y quieren control granular sobre sus herramientas de IA. Sin embargo, como todas las herramientas de codificacion con IA, la calidad de la salida de Aider depende del modelo detras. Los modelos de proposito general manejan bien los patrones comunes pero tienen dificultades con abstracciones especificas del proyecto, APIs de frameworks internos y los modismos de codificacion particulares que tu equipo ha estandarizado.

How Ertas Integrates

Ertas te permite entrenar un modelo que habla el lenguaje de tu codigo base, y Aider le da a ese modelo la capacidad de actuar directamente en tu repositorio. Al hacer fine-tuning con el codigo de tu equipo — historiales de PR, bibliotecas internas, patrones arquitectonicos y guias de estilo — creas un modelo en Ertas Studio que genera codigo que coincide con tus convenciones por defecto. Cuando se conecta a Aider, este modelo puede hacer cambios en multiples archivos que respetan la estructura de tu proyecto, usan tus funciones utilitarias reales y siguen tus patrones de manejo de errores sin correccion constante.

La configuracion aprovecha el soporte nativo de Aider para endpoints OpenAI-compatible. Despliega tu modelo ajustado a traves de Ollama y apunta Aider al endpoint local usando su flag `--openai-api-base`. El mapeo de repositorio e integracion con git de Aider manejan el resto — tu modelo personalizado recibe contexto completo sobre los archivos que se estan editando y genera cambios que Aider aplica y commitea. Todo el flujo de trabajo permanece en tu maquina: Ertas entrena el modelo, Ollama lo sirve y Aider orquesta los cambios de codigo, con cero llamadas API externas y ningun codigo propietario saliendo de tu red.

Getting Started

1. 1

   Recopila ejemplos de entrenamiento de tus repositorios

   Reune muestras representativas del codigo de tu equipo: PRs bien revisados con descripciones claras, implementaciones canonicas de modulos, documentacion de APIs internas y ejemplos de tus patrones estandar para manejo de errores, pruebas y configuracion.

2. 2

   Entrena un modelo de codigo en Ertas Studio

   Sube tu dataset a Ertas Studio y selecciona un modelo base enfocado en codigo. Ejecuta fine-tuning con LoRA con parametros adecuados al tamano y complejidad de tu dataset. Usa el seguimiento de experimentos de Ertas para evaluar y comparar diferentes configuraciones de entrenamiento.

3. 3

   Despliega el modelo a traves de Ollama

   Exporta el modelo ajustado en formato GGUF y registralo con Ollama. Verifica que el modelo sirva respuestas con latencia aceptable y reproduzca correctamente los patrones de codificacion de tu equipo en prompts de prueba.

4. 4

   Configura Aider para usar tu modelo local

   Inicia Aider con el flag --openai-api-base apuntando a tu endpoint de Ollama y --model configurado con el nombre de tu modelo ajustado. Aider usara tu modelo personalizado para todas las tareas de generacion, edicion y refactorizacion de codigo.

5. 5

   Itera en la calidad del modelo a traves del uso

   Usa Aider para tareas de desarrollo diarias y observa donde el modelo produce codigo que se desvia de tus estandares. Agrega ejemplos corregidos a tu conjunto de entrenamiento y ajusta incrementalmente en Ertas para mejorar la precision con el tiempo.

Benefits

• Cambios de codigo en multiples archivos generados por un modelo que entiende la arquitectura de tu proyecto
• Flujo de trabajo nativo de terminal con commits automaticos de git para cada cambio asistido por IA
• Pipeline completamente local — sin claves API, sin inferencia en la nube, sin datos saliendo de tu maquina
• Desarrollo impulsado por lenguaje natural usando un modelo fluido en los modismos de codificacion de tu equipo
• Cero costos de inferencia sin importar cuantos cambios generes por dia
• Integracion perfecta con flujos de trabajo de git existentes y desarrollo basado en ramas