Contacta con nosotros

Temario del curso

Introducción a los LLMs y a los marcos de agentes

  • Vista 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 de DevOps

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

Automatización de flujos de trabajo de pruebas y calidad de código

  • Utilizar prompts para generar pruebas unitarias e integración
  • Uso de agentes para hacer cumplir el linting, las reglas de commits y las guías de revisión de código
  • Resumen y etiquetado automatizado de pull requests

Agentes LLM para manejo de alertas y detección de cambios

  • Diseño de agentes respondedores para alertas de fallo en tuberías (pipelines)
  • Análisis de registros (logs) 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 'humano en el ciclo' para sistemas críticos

Seguridad, gobernanza y observabilidad

  • Manejo de exposición de datos y seguridad de LLMs en infraestructura
  • Auditoría de acciones de agentes y restricción del alcance
  • Rastreo 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 LLMs en DevOps

Resumen y próximos pasos

Requerimientos

  • Experiencia con herramientas de DevOps y automatización de tuberías (pipelines)
  • Conocimiento práctico de Python y flujos de trabajo basados en Git
  • Comprensión de LLMs o exposición a la ingeniería de prompts

Audiencia objetivo

  • Ingenieros de innovación y líderes de plataformas integradas con IA
  • Desarrolladores de LLMs 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