Contacta con nosotros

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

 7 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas