David (ダビッド ) | hace un mes | 6 min read

Revoluciona tu Gestión de Proyectos con Git e IA: backlog.md

En el desarrollo de software actual, la gestión del proyecto vive, por norma general, separada del propio código. Herramientas como JIRA, Asana, Monday, ClickUp o Trello son el estándar en la industria para gestionar tareas. Sin embargo, esta práctica, aunque potente, crea una desconexión con el lugar donde realmente ocurre la magia: el repositorio de codigo, y muchas veces hace perder el foco de concentración a los desarrolladores.

¿Y si tuvieramos la opción de no perder el foco de concentración y gestionar todo el proyecto —tareas, documentación y decisiones— directamente desde la línea de comandos, con archivos Markdown y de forma nativa en Git?

Hoy vamos a explorar una herramienta que hace precisamente eso. 🚀

Backlog.md: La Gestión de Proyectos Nativa en Git

Backlog.md es una innovadora herramienta de línea de comandos (CLI) que transforma cualquier repositorio de Git en un tablero de proyectos autocontenido. Su enfoque es simple pero revolucionario: utiliza archivos Markdown para gestionar todo, permitiendo que la administración del proyecto viva directamente dentro de tu código, versionada y accesible para cualquiera que tenga acceso al repositorio.

Principios y Arquitectura

Construido con Bun y TypeScript, backlog.md es un paquete npm que no requiere configuración (zero-configuration). Todas las tareas, borradores, documentos y decisiones se almacenan como archivos Markdown con metadatos YAML en un directorio backlog/. Esto significa que cada cambio en el proyecto es un commit en Git.

.
└── backlog
    ├── archive
    │   ├── drafts
    │   └── tasks
    ├── completed
    ├── config.yml
    ├── decisions
    ├── docs
    ├── drafts
    └── tasks

Su CLI, basada en Commander.js, ofrece un conjunto de comandos intuitivos para todo el ciclo de vida del proyecto, desde backlog task create hasta backlog board view.

$ backlog --help
Usage: backlog [options] [command]

Backlog.md - Project management CLI

Options:
  -v, --version                  display version number
  -h, --help                     display help for command

Commands:
  init [options] [projectName]   initialize backlog project in the current repository
  task|tasks [options] [taskId]
  draft [options] [taskId]
  board [options]                display tasks in a Kanban board
  doc
  decision
  agents [options]               manage agent instruction files
  config
  cleanup                        move completed tasks to completed folder based on age
  browser [options]              open browser interface for task management (press Ctrl+C or Cmd+C to stop)
  overview                       display project statistics and metrics
  help [command]                 display help for command

Características Clave que Marcan la Diferencia

Gestión Jerárquica de Tareas: Las tareas se organizan con un sistema de numeración claro (ej. task-42, task-42.1), facilitando las relaciones padre-hijo y la descomposición de problemas complejos.

$ backlog task create "Parent Test task" -d "This is the parent test task description" -l "test" --ac "ac1,ac2,ac3"
Created task task-1
File: /home/kratos/Development/the-dave-stack/social/backlog.md/backlog/tasks/task-1 - Parent-Test-task.md
$ backlog task create "Child Test task" -d "This is the child test task description" -l "test" --ac "ac1,ac2,ac3" -p "task-1"
Created task task-1.1
File: /home/kratos/Development/the-dave-stack/social/backlog.md/backlog/tasks/task-1.1 - Child-Test-task.md
$ tree -L 3 .
.
└── backlog
    ├── archive
    │   ├── drafts
    │   └── tasks
    ├── completed
    ├── config.yml
    ├── decisions
    ├── docs
    ├── drafts
    └── tasks
        ├── task-1.1 - Child-Test-task.md
        └── task-1 - Parent-Test-task.md

Enfoque en Resultados: Una de sus mejores ideas es la distinción entre Criterios de Aceptación (el qué se debe lograr, de forma medible) y los Planes de Implementación (el cómo se va a resolver técnicamente). Esto aporta una claridad inmensa al proceso.

---
id: task-1
title: Parent Test task
status: To Do
assignee: []
created_date: '2025-08-23 14:20'
labels:
  - test
dependencies: []
---

## Description

This is the parent test task description

## Acceptance Criteria
<!-- AC:BEGIN -->
- [ ] ac1
- [ ] ac2
- [ ] ac3
<!-- AC:END -->

Diseño Pensado para la IA: backlog.md trata a los agentes de IA como usuarios de primera clase. Ofrece salidas de texto plano estructuradas e incluso archivos de instrucciones (AGENTS.md) para guiar a los modelos de lenguaje, preparándolos para una colaboración real.
Integración Profunda con Git: Cada operación es un commit atómico y descriptivo. Su capacidad para sincronizar tareas entre diferentes ramas es simplemente brillante, resolviendo conflictos de forma inteligente.
Interfaz Web: Aunque es una herramienta CLI-first, también dispone de una interfaz web en React que incluye tableros Kanban interactivos, complementando la experiencia en la terminal.

Llevando Backlog.md al Siguiente Nivel con IA: `mcp-backlog-md`

El diseño de backlog.md orientado a la IA resuelve un primer gran problema: presenta la información del proyecto de forma estructurada. Gracias a esto, un agente de IA puede entender fácilmente el estado de las tareas. Sin embargo, esto no soluciona el siguiente desafío: ¿cómo le damos a esa IA la capacidad de ejecutar acciones de forma segura y estandarizada? Históricamente, cada herramienta que quería conectarse con una IA necesitaba un conector único y personalizado, lo que resultaba en un ecosistema de integraciones frágil y costoso de mantener.

Para solucionar esto, nació el Model Context Protocol (MCP), un estándar abierto que aspira a ser el "USB-C de la IA". Así como el USB-C unificó la conexión de periféricos, el MCP estandariza la forma en que los LLMs se conectan a herramientas y fuentes de datos externas.

En lugar de forzar a la IA a interpretar la salida de una CLI, un servidor MCP le ofrece un catálogo de capacidades (tools, resources y prompts) que entiende de forma nativa. Es la diferencia entre tener que "leer un manual" y conectar un dispositivo que "simplemente funciona".

Esto es exactamente lo que he construido con mcp-backlog-md: un servidor MCP que publica las funcionalidades de backlog.md como un conjunto de herramientas nativas para la IA. Se elimina la fragilidad de la interpretación de texto y se adopta un protocolo robusto y estándar, permitiendo una colaboración mucho más profunda y fiable.

Integración Total mediante Herramientas MCP

Mi implementación expone toda la funcionalidad de backlog.md a través de un conjunto de herramientas MCP, permitiendo a un agente de IA:

Gestionar tareas: createTask, editTask, viewTask, listTasks.
Trabajar con borradores y documentos: createDraft, promoteDraft, createDoc.
Consultar el estado del proyecto: exportBoard.
Y mucho más...

Lo más importante es que mcp-backlog-md ofrece una paridad total de características con la CLI original, asegurando que la IA tenga el mismo poder y flexibilidad que un usuario humano.

Conclusión

En un mundo dominado por plataformas de gestión de proyectos complejas y a menudo desconectadas de nuestro flujo de trabajo, backlog.md emerge como una alternativa refrescante y poderosa. Su filosofía "Git-native" devuelve el control al desarrollador, integrando la gestión de tareas directamente en el lugar donde nace el código. Ofrece una solución ágil y transparente para equipos y profesionales que valoran la simplicidad y la eficiencia por encima de funcionalidades abrumadoras.

Y para aquellos que, además de esta simplicidad, buscan explorar la frontera de la colaboración con inteligencia artificial, el ecosistema está preparado. Mi proyecto, mcp-backlog-md, actúa precisamente como ese conector, permitiendo que un agente de IA se integre de forma segura en este sistema para asistir en la gestión.

Así, backlog.md no solo representa una excelente herramienta por sí misma, sino también una base sólida sobre la que construir flujos de trabajo avanzados y asistidos por IA.

¿Te animas a probarlo?

Te invito a explorar ambos proyectos. Puedes encontrar la herramienta original en su repositorio y mi implementación del servidor MCP en el mío.

Repositorio de Backlog.md:

Mi Servidor MCP mcp-backlog-md

¡Me encantaría saber qué piensas en los comentarios! ¿Crees que este enfoque "Git-native" tiene futuro? ¿Qué tareas delegarías a un agente de IA en tus proyectos?

Para saber más sobre el Model Context Protocol

Si quieres profundizar en la tecnología que he implementado en el servidor, este vídeo ofrece una excelente explicación sobre el MCP:

También puedes tener mas información sobre como utilizar este protocolo en mi artículo dedicado a ello.