Contacta con nosotros

Temario del curso

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

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

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

•     Taxonomía del fracaso: contexto incorrecto, herramientas inadecuadas, falta de retroalimentación y autonomía ilimitada

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

Ingeniería del contexto

•     La ventana de contexto como un presupuesto: qué merece 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 pruebas, 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 del agente

•     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 la dependencia exclusiva

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

Laboratorio: Construir y probar un flujo de trabajo reutilizable que haga cumplir un estándar de codificación interno

MCP: conectando agentes a sistemas reales

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

•     Servidores que justifican su uso: alojamiento de Git, rastreadores de incidencias, bases de datos, navegadores y API internas

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

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

Laboratorio: Configurar servidores MCP y llevar una incidencia de extremo a extremo — incidencia, rama, parche, pruebas y solicitud de extracción (pull request)/

Bucles de retroalimentación y evaluación

•     Pruebas, tipos de datos y analizadores estáticos como la verdad fundamental del agente; el trabajo con pruebas primero como mecanismo de control

•     CI como bucle externo y disciplina de revisión para diferencias generadas por agentes

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

•     Coste y latencia como métricas de primera clase

Laboratorio: Construir un pequeño conjunto de evaluación y puntuar dos configuraciones de agentes frente a él

Seguridad y vallas de seguridad

•     Inyección de instrucciones a través de incidencias, solicitudes de extracción, archivos README, dependencias y páginas obtenidas

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

•     Higiene de secretos y aislamiento: contenedores, credenciales efímeras y limitación del radio de impacto

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

Laboratorio: Observar cómo un agente es secuestrado por un repositorio contaminado, luego endurecer la configuración para evitar que vuelva a ocurrir

Implementación en un equipo

•     Un camino de adopción escalonado; qué estandarizar y qué dejar a discreción individual

•     Métricas que indican valor real y aquellas que no

Requerimientos

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

•     Exposición previa a algún asistente de código con IA

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

•     Un asistente de código 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

Público objetivo

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

•     Ingenieros de plataformas y experiencia del desarrollador que implementan herramientas de IA en equipos

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

 7 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas