Usa Git worktrees para crear directorios de trabajo aislados conectados al mismo repositorio, cada uno en una rama diferente, para que experimentos paralelos o tareas de larga ejecución no interfieran con el main working tree o requieran ciclos repetitivos de stash-and-reapply. Esto es especialmente útil cuando una rama requiere un build o test run pesado mientras el trabajo continúa en otra.
Casos de uso
- Trabajando en una rama de funcionalidad que requiere un build de 20 minutos mientras simultáneamente inicias trabajo en una nueva rama de funcionalidad
- Ejecutando CI-heavy tests en una rama mientras revisas o haces merge de código en otra rama en el mismo repo
- Comparando el comportamiento de dos ramas lado a lado sin cambiar contextos y perder trabajo sin commitear
- Rebasing o editando interactivamente una rama de larga ejecución mientras mantienes la rama main limpia y desplegable
- Revisando la rama de un colega localmente sin perturbar tu propio trabajo sin commitlear
Funciones principales
- Crea un worktree dedicado para cada rama usando git worktree add, especificando un path de directorio único fuera de la carpeta main del repo
- Haz ediciones pesadas, builds o test runs en el worktree aislado sin afectar el main working tree
- Periódicamente rebasea la rama del worktree sobre la rama main para detectar conflictos de integración temprano en lugar de en tiempo de merge
- Cuando la rama del worktree es mergeada, elimina el worktree y haz prune de la referencia de rama para mantener el repositorio limpio
- Usa git worktree list para rastrear todos los worktrees activos y sus ramas asociadas
Relacionados
Relacionados
3 Entradas indexadas
Finishing a development branch
Cierra sistemáticamente una rama de desarrollo ejecutando verificación, limpiando el historial de commits, haciendo push con tracking apropiado y haciendo una elección explícita entre merge, squash o tickets de seguimiento. Esto previene el patrón común de ramas abandonadas, PRs stale y contexto perdido cuando el trabajo no se concluye deliberadamente.
AI cost optimization
Audita uso de tokens, selección de modelos, estrategia de caching y compresión de prompts para prevenir costos de inferencia descontrolados a medida que las funcionalidades de IA escalan. Esto es especialmente importante para workflows agentic de alto volumen donde llamadas repetidas se compounding rápidamente y donde la brecha entre una implementación bien optimizada y una descuidada puede ser de órdenes de magnitud en costo.
Canary rollouts
Despliega una nueva versión a un pequeño porcentaje de tráfico de producción primero, monitorea error budgets y latencia contra línea base y automáticamente amplía o hace rollback basado en criterios pre-definidos. Esto mantiene el blast radius de un mal deployment pequeño: particularmente importante cuando agentes de IA están modificando pipelines de deployment donde un solo mal comando podría afectar a muchos usuarios.