VS Code como plataforma de IA: agentes, skills y tools propias
Resumen
VS Code no es solo un editor de código. Con las extensiones de GitHub Copilot y el soporte para agentes, instructions y skills, se convierte en una plataforma de IA personalizable donde puedes crear agentes especializados que actúan según tu dominio técnico, con tools propias (scripts locales o MCP servers) que ejecutan acciones específicas. Útil para automatizar flujos de trabajo, crear asistentes técnicos especializados, o integrar herramientas propias sin escribir extensiones tradicionales.
En la práctica, este enfoque funciona junto a GitHub Copilot Chat: Copilot aporta el motor conversacional y de generación, y VS Code aporta el entorno, los agentes personalizados, las tools y el control de contexto.
¿Qué es el modelo de agentes en VS Code?
VS Code permite definir agentes —programas de IA especializados— mediante archivos de configuración que actúan como puntos de entrada (entry points) o subagentes delegados por otros agentes. Cada agente tiene:
- Instructions (
.instructions.md): Directivas de comportamiento y contexto - Skills (
.skill.md): Módulos reutilizables de conocimiento dominio-específico - Tools: Funciones que el agente puede ejecutar (built-ins de VS Code, scripts locales o MCP servers)
- Frontmatter YAML: Metadatos de configuración (nombre, descripción, herramientas permitidas)
Diferencia clave:
- Extensions: requieren código TypeScript, compilación y empaquetado
- Agents + Tools (scripts locales): agente con
executeen tools → llama directamente a cualquier script del repo - Agents + Tools (MCP): configuración declarativa + servidor backend independiente en Python/Node/Go
Arquitectura: cómo trabajan juntos
flowchart LR
USER["Usuario en VS Code"]
CHAT["Chat de Copilot"]
ORCHESTRATOR["Agente Orquestador
(entry point)"]
WORKER1["Worker Agent 1
Especialista A"]
WORKER2["Worker Agent 2
Especialista B"]
TOOLS1["MCP Server 1
Tools: search, read"]
TOOLS2["MCP Server 2
Tools: deploy, query"]
SKILL1["Skill: Azure patterns"]
SKILL2["Skill: Testing best practices"]
USER -->|prompt| CHAT
CHAT -->|delega| ORCHESTRATOR
ORCHESTRATOR -->|decide| WORKER1
ORCHESTRATOR -->|decide| WORKER2
WORKER1 -->|usa| TOOLS1
WORKER1 -->|consulta| SKILL1
WORKER2 -->|usa| TOOLS2
WORKER2 -->|consulta| SKILL2
TOOLS1 -->|ejecuta| RESULT1["Resultado 1"]
TOOLS2 -->|ejecuta| RESULT2["Resultado 2"]
RESULT1 -->|síntesis| CHAT
RESULT2 -->|síntesis| CHAT
Método práctico para montar tu stack de agentes
Para evitar caos (y prompts gigantes), aplica un método incremental en capas:
- Define reglas globales en
copilot-instructions.md(estilo, seguridad, límites) - Separa conocimiento reusable en skills (
SKILL.md), por dominio - Crea agentes por rol (planner, implementer, reviewer), no por tecnología
- Añade tools solo cuando haya fricción real (scripts locales primero; MCP server si necesitas protocolo estándar o server persistente)
- Itera con ciclos cortos: prompt → resultado → ajuste de instrucciones/skill
Esto mantiene el sistema simple, testeable y fácil de evolucionar en equipo.
Instructions: directivas de comportamiento
Las instructions definen cómo el agente debe pensar y actuar. Archivo: .instructions.md o .copilot-instructions.md en la raíz del workspace.
# Rol y Contexto
Eres un especialista en seguridad de Azure.
Tu objetivo es auditar configuraciones y proponer hardening.
## Convenciones
- Usa rol "Cloud Security Architect" para análisis técnico
- Siempre valida contra Microsoft Docs (MCP tools)
- Proporciona comandos Bicep/Terraform ejecutables
## Restricciones
- No inventes capacidades de Azure
- Cita documentación oficial en referencias
- Declara limitaciones explícitamente
El agente lee esto y ajusta su comportamiento sin código adicional.
Skills: módulos de conocimiento reutilizable
Los skills son ficheros .skill.md que empaquetan guías, patrones o procedimientos específicos de un dominio.
Estructura típica:
# Skill: Azure Kubernetes Service Production Setup
## Cuándo aplicar
- Crear cluster AKS para workloads críticos
- Keywords: "setup AKS", "production cluster", "deploy on Kubernetes"
## Pasos (checklist)
1. Validar quotas en región
2. Activar Azure Policy
3. Configurar ingress controller
4. Habilitar Azure Monitor con Container Insights
...
## Archivos de referencia
- [aks-best-practices skill](./aks-best-practices/SKILL.md)
Cuando el usuario dice "setup AKS production", el agente detecta automáticamente el skill aplicable y lo carga en contexto.
Agentes: dos modelos de trabajo
1. Agente orquestador (entry point)
Agente que el usuario invoca manualmente. Lee el prompt, decide si delegar a subagentes especializados.
Configuración (.agent.md):
---
name: Cloud Architecture Coordinator
description: Diseña infraestructura multi-cloud con auditoría de seguridad
user-invocable: true
disable-model-invocation: false
tools: ['agent', 'read', 'search']
agents:
- Azure Security Auditor
- Terraform Generator
---
Comportamiento: el usuario lanza el agente desde el dropdown de VS Code → el agente analiza el prompt → decide si usar sus propios skills o delegar a workers.
2. Agente worker (subagente)
No aparece en el dropdown. Solo se invoca como subagente desde un coordinador.
---
name: Azure Security Auditor
description: Audita configuración de Azure y sugiere hardening
user-invocable: false
disable-model-invocation: true
tools: ['read', 'search', 'azure_compliance/*']
agents: []
---
El coordinador lo invoca con: runSubagent(agentName: "Azure Security Auditor", prompt: "...")
Tools propias: scripts locales y MCP servers
Las tools de un agente no tienen por qué ser MCP servers. La opción más simple es habilitar execute en el frontmatter del agente y dejar que invoque scripts que ya tienes en el repo.
Opción 1: script local (sin MCP)
Si el agente tiene execute entre sus tools, puede ejecutar cualquier script del workspace directamente:
Ejemplo de script que el agente invoca:
# scripts/check_azure_costs.sh
#!/usr/bin/env bash
SUBSCRIPTION_ID="$1"
DAYS="${2:-30}"
az costmanagement query \
--type ActualCost \
--dataset-aggregation '{"totalCost": {"name": "Cost", "function": "Sum"}}' \
--timeframe Custom \
--time-period from="$(date -d "-${DAYS} days" +%Y-%m-%d)" to="$(date +%Y-%m-%d)"
El agente lo llama así en su razonamiento interno:
Nada de servidores, nada de protocolo: solo un script en bash/Python/PowerShell que ya existe.
Cuándo usar scripts locales:
- Automatización simple (validar, consultar, transformar datos)
- El script ya existe en el repo y no necesita ser un servicio
- Entorno controlado (el agente corre en tu máquina)
- Prototipado rápido antes de decidir si merece un MCP server
Opción 2: MCP server
Un MCP (Model Context Protocol) server es un programa que expone funciones (tools) disponibles para agentes. Tiene más overhead que un script, pero también más capacidades.
Ejemplo: MCP server Python simple
# mcp_server_example.py
import json
from mcp.server import Server
server = Server("my-tools")
@server.tool()
def get_azure_costs(subscription_id: str, days: int = 30) -> dict:
"""Obtiene costos de Azure de los últimos N días"""
# Lógica real: llamar a Azure Cost Management API
return {
"subscription": subscription_id,
"period_days": days,
"estimated_cost": 1234.56,
"top_services": ["Storage", "Compute", "Networking"]
}
@server.tool()
def validate_bicep_template(bicep_file: str) -> dict:
"""Valida sintaxis y mejores prácticas de Bicep"""
# Lógica real: llamar a bicep validate + custom linting
return {"valid": True, "warnings": []}
if __name__ == "__main__":
server.run()
Registrar en mcp.json
Archivo en la raíz del workspace: mcp.json
{
"mcpServers": {
"my-azure-tools": {
"command": "python",
"args": ["mcp_server_example.py"],
"disabled": false
}
}
}
Luego, en el frontmatter del agente:
El agente ahora puede llamar get_azure_costs() y validate_bicep_template() directamente en su lógica.
Creación práctica: workflow completo
1. Crear estructura de agentes
.
├── .instructions.md # Contexto global del workspace
├── mcp.json # Registro de MCP servers
├── .agents/
│ ├── coordinator.agent.md # Agente orquestador
│ ├── worker-1.agent.md # Worker especialista
│ └── worker-2.agent.md # Worker especialista
└── .skills/
├── azure-best-practices/SKILL.md
└── terraform-patterns/SKILL.md
2. Definir coordinator
---
name: DevOps Pipeline Architect
description: Diseña pipelines CI/CD, IaC y auditoría completa
user-invocable: true
disable-model-invocation: false
tools: ['agent', 'read', 'search']
agents:
- Infrastructure Validator
- Pipeline Generator
---
Tu rol es coordinador. Cuando el usuario pide una arquitectura DevOps:
1. Solicita al worker Infrastructure Validator que audite la configuración actual
2. Solicita al worker Pipeline Generator que cree YAML de GitHub Actions
3. Sintetiza ambos resultados en un plan coherente
3. Crear MCP server con utilidades
mkdir mcp-servers/devops-tools && cd mcp-servers/devops-tools
npm init -y
npm install @modelcontextprotocol/sdk
// index.js
const { Server } = require("@modelcontextprotocol/sdk");
const server = new Server({
name: "devops-tools",
version: "1.0.0",
});
server.tool("lint-terraform", {
description: "Valida código Terraform con tflint",
inputSchema: { type: "object", properties: { file_path: { type: "string" } } },
handler: async (args) => {
// Ejecutar: tflint args.file_path
return { valid: true, issues: [] };
},
});
server.tool("estimate-cost-terraform", {
description: "Estima costo de infraestructura Terraform",
inputSchema: { type: "object", properties: { tf_directory: { type: "string" } } },
handler: async (args) => {
// Ejecutar: terraform plan + infracost
return { estimated_monthly_cost: 1234.56, breakdown: {} };
},
});
server.connect(process.stdin, process.stdout);
Registrar en mcp.json:
{
"mcpServers": {
"devops-tools": {
"command": "node",
"args": ["mcp-servers/devops-tools/index.js"],
"disabled": false
}
}
}
4. Usar en el agente
En el prompt del agente worker:
Usa la tool 'lint-terraform' para validar el archivo ${file_path}
Luego usa 'estimate-cost-terraform' para mostrar costos
El agente ejecuta automáticamente las tools cuando es necesario.
Voice + text-to-speech en VS Code (con Copilot)
VS Code incluye soporte de voz mediante la extensión VS Code Speech y se integra con el chat de Copilot:
- Dictado en editor:
Voice: Start Dictation in Editor - Voice chat con Copilot:
Chat: Start Voice Chat - Text-to-Speech (TTS) de respuestas en chat, activando
accessibility.voice.autoSynthesize - Ajuste de envío automático por pausa con
accessibility.voice.speechTimeout
En resumen: puedes hablarle a Copilot, recibir respuesta en texto y, si quieres, escuchar la respuesta en voz sin salir de VS Code.
Buenas prácticas
- Granularidad: un agente por especialidad (no un agente que hace todo)
- Tools pequeñas y puras: cada tool resuelve un problema específico
- Instructions claras: especifica rol, restricciones y formato de salida esperado
- Versionado de skills: documenta qué cambios entre versiones
- Scripts primero, MCP después: implementa la lógica como script ejecutable antes de envolverla en un MCP server. Es más fácil de testear y depurar
- Testing de MCP servers: prueba las tools localmente antes de registrar en mcp.json
- Logging: los MCP servers deben escribir logs en stderr para debugging; los scripts a un archivo de log en
logs/
Note
Los agentes se ejecutan en tu máquina local (VS Code). No hay datos que suban a servidores Microsoft/OpenAI sin tu consentimiento. Todo es privado.
Warning
El prompt que pasas a un subagente NO incluye el historial de chat completo. Debes incluir todo el contexto necesario en el prompt de delegación. Es autocontenido.
Casos de uso
- Auditoría de seguridad: agente especializado valida Azure/AWS contra marcos CIS
- Generación IaC: workers especializados en Terraform, Bicep, CloudFormation
- Análisis de logs: MCP server que consulta Azure Log Analytics/DataDog
- Refactoring asistido: skill con patrones de refactoring + tool que aplica cambios automáticas