Contacta con nosotros

Temario del curso

Introducción a los LLM y los marcos de agentes

  • Visión general de los modelos de lenguaje grandes en la automatización de infraestructura.
  • Conceptos clave en 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 LLM.
  • 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 en LLM para generar pruebas unitarias e de integración.
  • Uso de agentes para hacer cumplir reglas de linting, commits y directrices de revisión de código.
  • Resumen y etiquetado automatizado de solicitudes de extracción (pull requests).

Agentes LLM para el manejo de alertas y detección de cambios

  • Diseño de agentes de respuesta para alertas de fallas en el pipeline.
  • Análisis de registros y rastros utilizando modelos de lenguaje.
  • Detección proactiva de cambios de alto riesgo o malas configuraciones.

Coordinación de múltiples agentes en DevOps

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

Seguridad, gobernanza y observabilidad

  • Manejo de exposición de datos y seguridad de LLM en infraestructura.
  • Auditoría de acciones de agentes y restricción de alcance.
  • Rastreo del comportamiento del pipeline y retroalimentación del modelo.

Casos de uso del mundo real 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 de DevOps y automatización de pipelines.
  • Conocimiento práctico de Python y flujos de trabajo basados en Git.
  • Comprensión de LLMs o experiencia 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 marcos de agentes inteligentes.
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas