Contacta con nosotros

Temario del curso

Introducción a LLM y marcos de agentes

  • Visión general de los modelos de lenguaje grandes en la automatización de infraestructura.
  • Conceptos clave en flujos de trabajo multiagente.
  • AutoGen, CrewAI y LangChain: casos de uso en DevOps.

Configuración de agentes LLM para tareas DevOps

  • Instalación de AutoGen y configuración de perfiles de agente.
  • Uso de la API de OpenAI y otros proveedores de LLM.
  • Configuración de espacios de trabajo y entornos compatibles con CI/CD.

Automatización de flujos de trabajo de pruebas y calidad de código

  • Elaboración de prompts para que los LLM generen pruebas unitarias e integración.
  • Uso de agentes para hacer cumplir linter, reglas de commits y directrices de revisión de código.
  • Resumen y etiquetado automatizado de solicitudes de extracción (pull request).

Agentes LLM para manejo de alertas y detección de cambios

  • Diseño de agentes respondedores para alertas de fallo en pipelines.
  • Análisis de registros y trazas utilizando modelos de lenguaje.
  • Detección proactiva de cambios de alto riesgo o configuraciones erróneas.

Coordinación multiagente en DevOps

  • Orquestación de agentes basada en roles (planificador, ejecutor, revisor).
  • Bucles de mensajería entre agentes y gestión de memoria.
  • Diseño con intervención humana para sistemas críticos.

Seguridad, gobernanza y observabilidad

  • Gestión de exposición de datos y seguridad de LLM en infraestructura.
  • Auditoría de acciones del agente y restricción del alcance.
  • Seguimiento del comportamiento del pipeline y retroalimentación del modelo.

Casos de uso reales y escenarios personalizados

  • Diseño de flujos de trabajo de agentes para respuesta a incidentes.
  • Integración de agentes con GitHub Actions, Slack o Jira.
  • Mejores prácticas para escalar la integración de LLM en DevOps.

Resumen y próximos pasos

Requerimientos

  • Experiencia con herramientas DevOps y automatización de pipelines.
  • Conocimiento práctico de Python y flujos de trabajo basados en Git.
  • Comprensión de LLM o experiencia previa en ingeniería de prompts.

Público objetivo

  • Ingenieros de innovación y líderes de plataformas integradas con IA.
  • Desarrolladores de LLM que trabajan en DevOps o automatización.
  • Profesionales de DevOps que exploran estructuras de agentes inteligentes.
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas