Temario del curso
Del autocompletado a los agentes: por qué fallan los agentes
• Anatomía de un agente de codificación: modelo, contenedor (harness), superficie de herramientas, contexto y permisos
• Ubicación de cada herramienta: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Una taxonomía del fracaso: contexto incorrecto, herramientas inadecuadas, falta de retroalimentación y autonomía ilimitada
Demostración: La misma tarea ejecutada correctamente e incorrectamente, lado a lado
Ingeniería de contexto
• La ventana de contexto como presupuesto: qué contenido merece un lugar en ella
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md: un mismo concepto, múltiples 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, volver a ejecutar una tarea fallida y comparar los resultados
Flujos de trabajo reutilizables y Habilidades de Agentes (Agent Skills)
• 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 del proveedor (vendor lock-in)
• Versionado, revisión y distribución en todo el equipo; patrones anti comunes (anti-patterns) frecuentes
Laboratorio: Construir y probar un flujo de trabajo reutilizable que imponga un estándar de codificación interno
MCP: conectando agentes con sistemas reales
• Arquitectura: clientes, servidores, herramientas, recursos e indicaciones; transporte stdio y HTTP
• Servidores que justifican su lugar de uso: hospedaje de Git, gestores de incidencias, bases de datos, navegadores y APIs internas
• Cuándo una CLI o un script son mejores que un servidor MCP
• Higiene de la superficie de herramientas: por qué más herramientas implican menos confiabilidad
Laboratorio: Conectar servidores MCP y procesar una incidencia de principio a fin: crear incidencia, rama, parche, pruebas y solicitud de extracción (pull request)
Bucles de retroalimentación y evaluación
• Pruebas, tipos y analizadores estáticos como la fuente de verdad del agente; el trabajo primero con pruebas como mecanismo de control
• CI (Integración Continua) como bucle externo y disciplina de revisión para los diffs creados por agentes
• Conjuntos de evaluación de tareas doradas: qué medir y cómo detectar regresiones
• El costo y la latencia como métricas de primera clase
Laboratorio: Construir un pequeño conjunto de evaluación y puntuar dos configuraciones de agentes contra él
Seguridad y guardas (guardrails)
• Inyección de indicaciones a través de incidencias, solicitudes de extracción (PR), archivos README, dependencias y páginas web obtenidas
• Modelos de permisos: listas de permitidos, aprobaciones, herramientas solo de lectura y control de salida de red
• Higiene de secretos y aislamiento: contenedores, credenciales efímeras y limitación del radio de explosión
• Riesgo en la cadena de suministro por servidores MCP de terceros y habilidades compartidas
Laboratorio: Observar cómo un agente es secuestrado por un repositorio corrupto y luego endurecer la configuración para evitarlo
Despliegue del curso en un equipo
• Una ruta de adopción por fases; qué estandarizar y qué dejar a discreción individual
• Métricas que indican valor real frente a aquellas que no lo hacen
Requerimientos
• Conocimiento práctico de Python, Git y la línea de comandos
• Experiencia previa con algún asistente de codificación con IA
• NobleProg configurará máquinas virtuales 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
Público objetivo
• Ingenieros de software, líderes técnicos y arquitectos que utilizan asistentes de codificación con IA sin obtener resultados confiables
• Ingenieros de plataforma y experiencia de desarrollador que despliegan herramientas de IA en todo el equipo
• Gerentes de ingeniería que establecen estándares, guardas 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