Contacta con nosotros

Temario del curso

De la autocompletado a los agentes: por qué fallan los agentes

•     Anatomía de un agente de codificación: modelo, entorno de ejecución (harness), superficie de herramientas, contexto y permisos

•     Ubicación de cada herramienta: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI

•     Una taxonomía del fracaso: contexto incorrecto, herramientas incorrectas, ausencia de retroalimentación y autonomía ilimitada

Demostración: La misma tarea ejecutada correctamente y mal, lado a lado

Ingeniería de contexto

•     La ventana de contexto como un presupuesto: qué elementos merecen ocupar un lugar en ella

•     AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md: un mismo concepto, varios nombres de archivo, una única fuente de verdad

•     Convenciones, comandos de compilación y prueba, límites arquitectónicos

•     Recuperación frente a contexto explícito; descomposición de tareas y sub-agentes

Laboratorio: Escribir el contexto del repositorio para un servicio Python desconocido, luego volver a ejecutar una tarea fallida y comparar el resultado

Flujos de trabajo reutilizables y Habilidades de Agentes

•     Elección de la abstracción: archivo de instrucciones, habilidad (skill), comando personalizado o script estándar

•     Anatomía de una habilidad: activación, instrucciones, scripts empaquetados y revelación progresiva

•     Portabilidad entre herramientas y dónde comienza la dependencia (lock-in)

•     Versionado, revisión y distribución dentro de un equipo; antipatrones comunes

Laboratorio: Construir y probar un flujo de trabajo reutilizable que cumpla con los estándares de codificación internos

MCP: conectando agentes a sistemas reales

•     Arquitectura: clientes, servidores, herramientas, recursos y promtas; transportes stdio y HTTP

•     Servidores que justifican su presencia: alojamiento de Git, gestores de incidencias, bases de datos, navegadores, APIs internas

•     Cuándo una CLI o un script superan a un servidor MCP

•     Higiene en la superficie de herramientas: por qué más herramientas implican menos confiabilidad

Laboratorio: Configurar servidores MCP y procesar una incidencia de principio a fin: problema, rama (branch), parche, pruebas y solicitud de incorporación de cambios (pull request)

Bucles de retroalimentación y evaluación

•     Pruebas, tipos y linting como la verdad fundamental del agente; el trabajo con pruebas previas como mecanismo de control

•     Integración Continua (CI) como bucle externo, y disciplina en la revisión de diff creados por agentes

•     Conjuntos de evaluación de tareas doradas: qué medir y cómo detectar regresiones

•     Costo y latencia como métricas de primera clase

Laboratorio: Crear un conjunto de evaluación pequeño y puntuar dos configuraciones de agentes contra él

Seguridad y controles de seguridad (guardrails)

•     Inyección de prompts a través de incidencias, solicitudes de incorporación de cambios (PR), READMEs, dependencias y páginas obtenidas

•     Modelos de permisos: listas de permitidos (allowlists), aprobaciones, herramientas de solo lectura y control de salida de red

•     Higiene de secretos y aislamiento (sandboxing): contenedores, credenciales efímeras y limitación del radio de explosión

•     Riesgos en la cadena de suministro por parte de servidores MCP de terceros y habilidades compartidas

Laboratorio: Observar cómo un agente es secuestrado por un repositorio comprometido, luego endurecer la configuración para evitar que suceda nuevamente

Despliegue del curso en un equipo

•     Una ruta de adopción escalonada; qué estandarizar y qué dejar a la discreción individual

•     Métricas que indican un valor real, y aquellas que no lo hacen

Requerimientos

•     Conocimiento funcional de Python, Git y la línea de comandos

•     Exposición previa a un asistente de codificación por IA

•     NobleProg configurará máquinas virtuales (VM) de Dadesktop para los participantes con Docker, VS Code y Python 3.11 o posterior

•     Un asistente de codificación por IA funcional de su elección: Claude Code, GitHub Copilot, Cursor, Codex CLI o Gemini CLI. Los laboratorios son independientes de la herramienta y se proporcionan instrucciones para cada uno

Audiencia objetivo

•     Ingenieros de software, líderes técnicos y arquitectos que utilizan asistentes de codificación por IA sin obtener resultados confiables

•     Ingenieros de plataforma y experiencia del desarrollador que despliegan herramientas de IA en varios equipos

•     Gerentes de ingeniería que establecen estándares, controles de seguridad y métricas de éxito

 7 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas