Repository Dogfooding Lab — Misión

Misión

Este curso convierte el aprendizaje en un ciclo de investigación:

observación → hipótesis falsable → baseline → experimento acotado
            → revisión adversaria → incubación → integración o rechazo

Avanza dos disciplinas:

ingeniería clásica: arquitectura, fiabilidad, pruebas, observabilidad, rendimiento y mantenimiento;
IA agéntica: coste por resultado aceptado, calibración, escalado, reintentos, tokens por proveedor y autonomía segura.

Terminar un curso no es éxito. El resultado es adopción con pruebas o un rechazo útil que evita desperdicio.

Qué vas a construir

code/repository-dogfooding-lab contiene el registro machine-readable. Una herramienta Python valida promociones y genera cobertura curso × repositorios, puntuación, estado de promoción, resultados y evidencia, y calidad del método del curso.

Plan

#	Lección	Resultado
1	Matrices de oportunidades	Priorizar sin convertir una puntuación en autoridad
2	Experimento y artifact chain	Generar evidencia reproducible desde hipótesis hasta veredicto
3	Dogfood del método	Mejorar ejemplos, diarios, paridad de idiomas y adopción
4	Incubar, integrar, rechazar	Promover solo candidatos medidos y reversibles
5	Límite de autoridad Jev × Petri	Mostrar por qué un consejo confiado no concede ningún efecto
6	Pruebas de mutación y de propiedades	Medir qué fallos detectan las pruebas de un parser real, con un prerregistro y un control negativo
—	Diario	Experimentos detallados, rechazos y próximos gates

cd code/repository-dogfooding-lab
python dogfood.py write
python dogfood.py check
python -m unittest -v