AI-SDLC Pro — Biblioteca de Prompts de Ingeniería de Software
Biblioteca interactiva de prompts estructurados bajo el AI-SDLC Enterprise Framework: 112 prompts organizados en 18 secciones que cubren el ciclo completo de ingeniería de software asistida por IA.
Entornos activos
Funcionalidades del sitio
- Proyectos con variables por entorno — 1 proyecto activo gratis para siempre (sin cuenta), o varios con sesión + prueba/suscripción Pro (ver muro de registro más abajo). Cada proyecto con 19 variables configurables (
repositorio, referencia/entrada, rama actual/destino, ambiente, componentes, módulo, stack, tipo de proyecto, metodología, agentes IA, nivel de autonomía, objetivo, responsable, workspace, estándar/compliance, documentos, profundidad), más asignaciones adicionales TOKEN=valor. Variables persisten en localStorage, con acceso rápido desde un panel flotante además del panel completo. Exportables/importables como JSON para llevarlas a otra máquina o compartirlas con el equipo.
- Checklist de progreso por proyecto — cada copia marca automáticamente el prompt como usado en el proyecto activo (barra de progreso agregada en el panel de variables, estado visible y editable manualmente en el modal ⓘ de cada prompt). Persiste igual que las variables (
localStorage + sync al backend propio con sesión). Ver la tabla project_prompt_state en backend/src/schema.sql.
- Personalización y resultados de IA por (proyecto, prompt) — dos campos opcionales en el modal ⓘ (Pro, ver muro de registro más abajo): adiciones personalizadas que se anexan solo al copiar (sin modificar nunca el prompt oficial), y un espacio para pegar el resultado que devolvió tu agente de IA al ejecutar el prompt, útil como insumo para
10-02-memoria-tecnica/17-06-reporte-estado-stakeholders. Se exportan/importan junto con el resto del proyecto.
- Modo guiado / ruta de proyecto — botón 🧭 junto al selector de proyecto: recorre paso a paso el orden curado del framework (00-D → 01 → 02 → ... → 17) con Anterior/Siguiente, marca visualmente lo ya usado y permite saltar directamente al primer prompt pendiente.
- Registro de usuarios (opcional) — inicio de sesión con GitHub contra el backend propio (
/api/auth/*, sesión en cookie httpOnly) para sincronizar proyectos entre dispositivos; el uso anónimo con localStorage sigue funcionando igual sin necesidad de cuenta. Configuración documentada en docs/auth-setup.md.
- Muro de registro + prueba Pro de 1 semana — copiar cualquiera de los 112 prompts es gratis e ilimitado para siempre, con o sin cuenta (el repositorio es público, así que gatear el texto no protege nada; ver
docs/STRATEGY.md). Lo que sí requiere sesión es la capa de plataforma: gestionar más de 1 proyecto, y guardar personalización/resultados de IA por prompt. Al intentarlo sin sesión se pide iniciar sesión con GitHub, lo que activa 1 semana de acceso Pro completo; al vencer, se exige enviar una breve retroalimentación (calificación + comentario) para renovar otra semana. Página /precios.html explica el modelo vigente y permite suscribirse al plan Pro (acceso ilimitado sin muro; el precio publicado ahí es la fuente de verdad y deriva de PADDLE_PRICE_AMOUNT_USD). Configuración documentada en docs/trial-gate-setup.md y docs/paddle-integration.md.
- Framework auto-prepend — el bloque de contexto del framework se antepone automáticamente a cada prompt copiado, con validación bloqueante de placeholders obligatorios sin resolver antes de copiar.
- Contrato editorial por prompt — cada uno de los 112 prompts declara tipo, riesgo esperado, autonomía permitida y siguiente prompt recomendado, expuestos como badges filtrables y publicados en
prompts-index.json para consumo por agentes de IA.
- Filtros por riesgo y autonomía — chips de faceta (
Bajo/Medio/Alto/Variable, A0-A3) combinables con la búsqueda de texto y los filtros por sección.
- Onboarding guiado — banner + overlay de bienvenida para nuevos usuarios con guía de primeros pasos.
- Multi-select — selección de varios prompts para copiarlos en bloque.
- Búsqueda/filtrado — filtro en tiempo real por texto, nombre o contenido del prompt.
- Modal de información ⓘ — descripción y fórmulas de uso de cada prompt sin contaminar el contenido del prompt, con trampa de foco y atributos ARIA.
- Sidebar colapsable — navegación por sección.
- Diseño oscuro responsive, bilingüe (ES/EN) (self-contained, sin CDN ni SDK de terceros — las únicas cargas externas son Google Analytics, diferido hasta
window.load, y Paddle.js, solo en /precios.html).
Servidor MCP
El catálogo también se expone a agentes de IA (Claude Code, Claude Desktop, Cursor) vía Model Context Protocol, sin necesidad de copiar/pegar desde el navegador: list_prompts, get_prompt, resolve_prompt (sustituye variables), get_framework y recommend_next. Ver mcp-server/README.md para instalación y configuración.
Estructura del proyecto
ai_sdlc_pro_prompts/ # 112 prompts Markdown (18 secciones, ciclo SDLC completo)
build.py # Generador: produce index.html y prompts-index.json desde los .md
extract_vars.py # Analiza tokens [PLACEHOLDER] en los prompts
verify_clean.py # QA gate: valida prompts limpios (integrado en CI)
nginx_prompts.conf # Config Nginx para producción GCP
deploy-to-gcp.sh # Script de re-deploy manual a GCP
index.html # Artefacto generado (~1.32 MB, no editar manualmente)
prompts-index.json # Índice machine-readable (contrato editorial por prompt), no editar manualmente
backend/ # API propia (Node + PostgreSQL) en /api/*: login GitHub, prueba, proyectos, webhook Paddle — ver backend/README.md
mcp-server/ # Servidor MCP (Node) que expone el catálogo a agentes de IA vía stdio — ver mcp-server/README.md
docs/ # Memorias técnicas (MT-001, MT-002)
.github/workflows/ # CI/CD — build + QA gate + deploy GitHub Pages + GCP
CONTRIBUTING.md # Guía de contribución y convenciones
LICENSE # Licencia del proyecto
Desarrollo local
# Regenerar index.html
python build.py
# Validar prompts limpios
python verify_clean.py
# Ver el sitio (Live Server en VSCode o doble clic)
# index.html se abre en el navegador — funciona sin servidor
Flujo operativo
Todo trabajo técnico (P0/P1/P2) se gestiona en GitHub Issues con su Milestone y Project correspondientes — no en documentos transitorios del repositorio:
issue (milestone + project) → rama de trabajo → Pull Request → CI (gates) → merge controlado a main
- Issue: se crea con objetivo, alcance, criterios de aceptación y evidencia esperada; se asigna a un Milestone y al Project de seguimiento.
- Rama: se crea desde
main actualizado (nunca se trabaja directo en main — política OP-001, ver CONTRIBUTING.md).
- Pull Request: contra
main, referenciando el issue que cierra.
- CI: el workflow valida el PR (
build.py + verify_clean.py + pytest) sin desplegar.
- Merge controlado: requiere revisión; al mergear a
main, .github/workflows/deploy.yml publica automáticamente en GitHub Pages (staging) y GCP (prompts.lionsystems.com.mx).
Bitácora operativa: las decisiones, el estado de avance y la evidencia (validaciones, diffs, resultados) se registran como comentarios en el issue o el PR vinculado — no en archivos nuevos del repositorio. El repo conserva solo documentación estable (README, CONTRIBUTING, arquitectura y políticas vigentes).
bash deploy-to-gcp.sh queda como respaldo manual de re-deploy a GCP; el flujo normal no lo requiere.
Agregar un nuevo prompt
- Crea
ai_sdlc_pro_prompts/XX-YY-nombre-del-prompt.md siguiendo el patrón existente.
- Ejecuta
python build.py y verifica localmente.
- Ejecuta
python verify_clean.py — debe reportar 0 prompts contaminados.
- Haz commit en una rama de trabajo (no
main) y abre un Pull Request; el CI valida el PR.
- Al mergear a
main, CI/CD despliega automáticamente a GitHub Pages y GCP producción.
Secciones de prompts
| Grupo | Sección | Prompts |
|---|
| 00 | Framework base (obligatorio — se antepone en cada copia; no cuenta en el total) | 1 |
| 00-B | Scaffolding: repositorio, gobernanza, GitHub, metodología, stack | 5 |
| 00-C | Multi-agente: issues para IA, plan mode, configuración por agente | 3 |
| 00-D | Definición de proyecto: viabilidad/business case, Project Charter, stack y arquitectura inicial, plan de trabajo, registro de riesgos (RAID) | 5 |
| 01 | Comprensión del repositorio | 2 |
| 02 | Análisis (elicitación de requerimientos, issue, técnico, impacto cruzado, triage backlog, requerimientos funcionales y no funcionales, matriz de trazabilidad) | 8 |
| 03 | Incidentes (GitHub, causa raíz) | 2 |
| 04 | Diseño de solución (diseño, Mermaid, casos de uso, ADR, versionado y deprecación de API, contrato de API, modelo de datos) | 7 |
| 05 | Plan de implementación (plan, riesgos) | 2 |
| 06 | Ejecución (multi-agente, commits, coordinación de programa multi-agente) | 3 |
| 07 | Pruebas (diseño + implementación: stack, unitarias, integración, E2E, humo, automatización, performance, accesibilidad, diagnóstico de tests flaky, gestión de datos de prueba, plan maestro de pruebas) | 16 |
| 08 | Revisión y remediación (revisión completa de PR — calidad, cumplimiento e integración —, maestro, SQL profiling, migración de esquema de BD) | 4 |
| 09 | Integración y CI/CD (workflows, promotion, feature flags, coordinación de breaking changes) | 4 |
| 10 | Documentación (técnica, memoria, changelog, observabilidad, API pública, capacitación/rollout para usuarios finales) | 6 |
| 11 | Operaciones (troubleshooting, hardening, deuda técnica, incident response, performance, parches, postmortem, FinOps, runbook de rollback, capacity planning, decomiso de sistemas legacy, ruido de alertas, salud de rotación on-call, migración y cutover de plataforma, recuperación ante desastres y continuidad de negocio) | 15 |
| 12 | Orquestador maestro (ciclo completo) | 1 |
| 13 | Seguridad y DevSecOps (SAST, SCA, Secure SDLC, Threat Modeling, DAST, Pentesting, CVE, Secrets, DPIA de privacidad) |
Documentación técnica
| Documento | Descripción |
|---|
| docs/MT-001 | Memoria técnica — publicación GitHub Pages con CI/CD |
| docs/MT-002 | Memoria técnica — feature Proyectos + despliegue GCP |
| CHANGELOG.md | Historial de cambios por versión |
Parte del stack AI-SDLC Enterprise — LionSystems © 2026
