Contacta con nosotros

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

 7 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas