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
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