Temario del curso
De autocompletado a agentes: por qué fallan los agentes
• Anatomía de un agente de codificación: modelo, entorno de ejecución (harness), superficie de herramientas, contexto, permisos
• Dónde se sitúa cada herramienta: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Una taxonomía del fracaso: contexto incorrecto, herramientas incorrectas, falta de retroalimentación, autonomía descontrolada
Demostración: La misma tarea ejecutada bien y mal, lado a lado
Ingeniería de contexto
• La ventana de contexto como un presupuesto: qué merece ocupar espacio en ella
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — un concepto, varios nombres de archivo, una única fuente de verdad
• Convenciones, comandos de compilación y prueba, límites arquitectónicos
• Recuperación vs. contexto explícito; descomposición de tareas y sub-agentes
Laboratorio: Escribir el contexto del repositorio para un servicio Python desconocido, luego volver a ejecutar una tarea fallida y comparar la salida
Flujos de trabajo reutilizables y Habilidades de Agente (Agent Skills)
• Elegir la abstracción: archivo de instrucciones, habilidad, comando personalizado o script simple
• Anatomía de una habilidad: activación, instrucciones, scripts adjuntos, divulgación progresiva
• Portabilidad entre herramientas y dónde comienza el bloqueo (lock-in)
• Versionado, revisión y distribución en un equipo; anti-patrones comunes
Laboratorio: Crear y probar un flujo de trabajo reutilizable que haga cumplir un estándar de codificación interno
MCP: conectando agentes a sistemas reales
• Arquitectura: clientes, servidores, herramientas, recursos y prompts; transportes stdio e HTTP
• Servidores que merecen su lugar: hosting de Git, rastreadores de incidencias, bases de datos, navegadores, APIs internas
• Cuándo una interfaz de línea de comandos (CLI) o un script supera a un servidor MCP
• Higiene de la superficie de herramientas: por qué más herramientas significan menos confiabilidad
Laboratorio: Conectar servidores MCP y procesar una incidencia de extremo a extremo — incidencia, rama, parche, pruebas, pull request
Bucles de retroalimentación y evaluación
• Pruebas, tipos y linters como la verdad fundamental del agente; el trabajo test-first como mecanismo de control
• CI (Integración Continua) como el ciclo externo y la disciplina de revisión para diff generados por agentes
• Conjuntos de evaluación de tareas doradas (golden-task): qué medir y cómo detectar regresiones
• Costo y latencia como métricas de primera clase
Laboratorio: Construir un pequeño conjunto de evaluación y puntear dos configuraciones de agentes contra él
Seguridad y guardrails
• Inyección de prompts a través de incidencias, pull requests, READMEs, dependencias y páginas obtenidas
• Modelos de permisos: listas de permitidos, aprobaciones, herramientas solo lectura, control de egress de red
• Higiene de secretos y aislamiento (sandboxing): contenedores, credenciales efímeras, limitación del radio de explosión
• Riesgo en la cadena de suministro debido a servidores MCP de terceros y habilidades compartidas
Laboratorio: Observar cómo un agente es secuestrado por un repositorio corrompido, luego endurecer la configuración para evitarlo
Implementación en un equipo
• Un camino de adopción escalonada; qué estandarizar y qué dejar a discreción individual
• Métricas que indican valor real y aquellas que no
Requerimientos
• Conocimiento práctico de Python, Git y la línea de comandos
• Exposición previa a un asistente de codificación basado en IA
• NobleProg configurará máquinas virtuales Dadesktop para los participantes con Docker, VS Code y Python 3.11 o posterior
• Un asistente de codificación basado en 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
Audiencia objetivo
• Ingenieros de software, líderes técnicos y arquitectos que utilizan asistentes de codificación basados en IA sin obtener resultados confiables
• Ingenieros de plataforma y experiencia del desarrollador que implementan herramientas de IA en varios equipos
• Gerentes de ingeniería que establecen estándares, guardrails 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