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
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