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
Reseñas (3)
El instructor es paciente y muy útil. Conoce bien el tema.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Curso - Agentic AI for Business Automation: Use Cases & Integration
Traducción Automática
Buena mezcla de conocimiento y práctica
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Agentic AI for Enterprise Applications
Traducción Automática
La mezcla de teoría y práctica, así como de perspectivas de alto y bajo nivel
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Autonomous Decision-Making with Agentic AI
Traducción Automática