LLMs y agentes en flujos de trabajo de DevOps

Introducción a los LLMs y los marcos de agentes

• Visión general de los modelos de lenguaje de gran tamaño en la automatización de infraestructura
• Conceptos clave en los flujos de trabajo de múltiples agentes
• AutoGen, CrewAI y LangChain: casos de uso en DevOps

Configuración de agentes LLM para tareas de 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 de código

• Uso de prompts para que los LLMs generen pruebas unitarias e integradas
• Uso de agentes para aplicar reglas de linting, reglas de commit y pautas 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 falla del pipeline
• Análisis de registros y trazas utilizando modelos de lenguaje
• Detección proactiva de cambios de alto riesgo o configuraciones incorrectas

Coordinación de múltiples agentes en DevOps

• Orquestación de agentes basada en roles (planificador, ejecutor, revisor)
• Bucles de mensajes entre agentes y gestión de memoria
• Diseño con participación humana (human-in-the-loop) para sistemas críticos

Seguridad, gobernanza y observabilidad

• Gestión de la exposición de datos y la seguridad de los LLMs en la infraestructura
• Auditoría de las acciones de los agentes y restricción de su alcance
• Seguimiento del comportamiento del pipeline y de la retroalimentación del modelo

Casos de uso en el 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