Contacta con nosotros

Temario del curso

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

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

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

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

Demostración: La misma tarea, realizada correctamente e incorrectamente, lado a lado.

Ingeniería de contexto

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

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

•     Convenciones, comandos de compilación y prueba, límites arquitectónicos

•     Recuperación versus contexto explícito; descomposición de tareas y subagentes.

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

Flujos de trabajo reutilizables y habilidades de agentes

•     Elegir la abstracción: archivo de instrucciones, habilidad, comando personalizado o script estándar.

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

•     Portabilidad entre herramientas y dónde comienza el bloqueo al proveedor (vendor lock-in).

•     Versionado, revisión y distribución en todo el equipo; antipatrones comunes.

Laboratorio: Crear y probar un flujo de trabajo reutilizable que haga cumplir una norma de codificación interna.

MCP: conectando agentes a sistemas reales

•     Arquitectura: clientes, servidores, herramientas, recursos y prompts; transporte stdio e HTTP.

•     Servidores que se ganan su lugar: alojamiento de Git, rastreadores de incidencias, bases de datos, navegadores e APIs internas.

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

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

Laboratorio: Configurar servidores MCP y gestionar una incidencia de extremo a extremo — incidencias, ramificación (branch), parche, pruebas y pull request.

Bucles de retroalimentación y evaluación

•     Pruebas, tipado estático y linters como la fuente de verdad para el agente; trabajo basado en pruebas primero como mecanismo de control.

•     CI (Integración Continua) como bucle externo y disciplina de revisión para las diferencias generadas por agentes.

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

•     Costo y latencia como métricas de primera clase.

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

Seguridad y controles de seguridad

•     Inyección de prompts a través de incidencias, pull requests, READMEs, dependencias y páginas obtenidas.

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

•     Higiene de secretos y aislamiento: contenedores, credenciales efímeras y limitación del alcance del daño.

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

Laboratorio: Observar cómo un agente es secuestrado por un repositorio malicioso, luego endurecer la configuración para evitar que esto ocurra.

Implementación de esta metodología en un equipo

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

•     Métricas que indican valor real y las que no.

Requerimientos

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

•     Exposición previa a un asistente de codificación con IA

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

•     Un asistente de codificación con IA funcional a elección del participante: 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 con IA sin obtener resultados confiables

•     Ingenieros de plataforma y experiencia del desarrollador que implementan herramientas de IA en todo el equipo

•     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