Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 14 horas
Temario del curso
Introducción a los LLMs y marcos de trabajo de agentes
- Visión general de los modelos de lenguaje grandes en la automatización de infraestructura
- Conceptos clave en flujos de trabajo multiagente
- AutoGen, CrewAI y LangChain: casos de uso en DevOps
Configuración de agentes LLM para tareas DevOps
- Instalación de AutoGen y configuración de perfiles de agentes
- Uso de la API de OpenAI y otros proveedores de LLMs
- Configuración de espacios de trabajo y entornos compatibles con CI/CD
Automatización de flujos de trabajo de pruebas y calidad del código
- Uso de prompts para que los LLMs generen pruebas de unidad e integración
- Uso de agentes para hacer cumplir reglas de linting, reglas de commits y guías de revisión de código
- Resumen y etiquetado automatizados de solicitudes de extracción (pull requests)
Agentes LLM para el manejo de alertas y la detección de cambios
- Diseño de agentes respondedores para alertas de fallos en pipelines
- Análisis de registros y trazas utilizando modelos de lenguaje
- Detección proactiva de cambios de alto riesgo o configuraciones incorrectas
Coordinación multiagente en DevOps
- Orquestación de agentes basada en roles (planificador, ejecutor, revisor)
- Bucles de mensajería entre agentes y gestión de memoria
- Diseño human-in-the-loop para sistemas críticos
Seguridad, gobernanza y observabilidad
- Manejo de la exposición de datos y seguridad de LLMs en infraestructura
- Auditoría de acciones de agentes y restricción de alcance
- Rastreo del comportamiento de pipelines y retroalimentación de modelos
Casos de uso del mundo real y escenarios personalizados
- Diseño de flujos de trabajo de agentes para la respuesta a incidentes
- Integración de agentes con GitHub Actions, Slack o Jira
- Mejores prácticas para escalar la integración de LLMs en DevOps
Resumen y próximos pasos
Requerimientos
- Experiencia con herramientas DevOps y automatización de pipelines
- Conocimientos funcionales de Python y flujos de trabajo basados en Git
- Comprensión de los LLMs o experiencia previa con la ingeniería de prompts
Público objetivo
- Ingenieros de innovación y líderes de plataformas integradas con IA
- Desarrolladores de LLMs que trabajan en DevOps o automatización
- Profesionales de DevOps que exploran marcos de trabajo de agentes inteligentes
