Temario del curso
Mejores Prácticas y Herramientas
Errores Comunes y Estrategias de Mitigación
Introducción a la Ingeniería de Prompts
Refinamiento de Prompts y Diseño Iterativo
Prompts para Automatización de Pruebas y Generación de SQL
Resumen y Próximos Pasos
Uso de Prompts para la Explicación y Depuración de Código
Redacción de Prompts para la Generación de Código
- Evitar la generación de código alucinatorio o vulnerabilidades de seguridad.
- Manejar entradas incompletas o ambiguas.
- Crear prompts de respaldo seguros y mecanismos de protección (guardrails).
- Creación de casos de prueba a partir de requisitos o código.
- Generación de consultas SQL estructuradas a partir de lenguaje natural.
- Formato de las salidas para su integración en suites de pruebas.
- Explicación de código legacy o desconocido.
- Solicitud de recorrido lógico o análisis de casos límite mediante prompts.
- Detección y explicación de errores o ineficiencias.
- Generación de código a partir de descripciones en lenguaje natural.
- Control del formato de salida y del lenguaje de programación.
- Trabajo con lógica compleja o múltiples funciones.
- Mejora de resultados mediante el encadenamiento de prompts y bucles de retroalimentación.
- Estrategias de recuperación ante errores y ajuste fino de prompts.
- Estudios de caso sobre el refinamiento para tareas técnicas.
- Bibliotecas de prompts y patrones de reutilización.
- Uso de plantillas de prompts en VS Code o flujos de trabajo basados en API.
- Evaluación de la calidad y el rendimiento de los prompts en uso productivo.
- Comprensión de prompts, contexto, tokens y modelos.
- Tipos de prompts: cero disparos (zero-shot), un disparo (one-shot) y pocos disparos (few-shot).
- Uso de instrucciones del sistema frente a instrucciones del usuario en diferentes APIs.
Requerimientos
Público Objetivo
- Desarrolladores que utilizan LLMs en la generación o análisis de código.
- Líderes técnicos que exploran herramientas de IA en sus flujos de trabajo.
- Profesionales del software que experimentan con integraciones de LLMs.
- Experiencia en desarrollo de software o scripting.
- Familiaridad con lenguajes de programación comunes (p. ej., Python, JavaScript, SQL).
- Comprensión básica de los modelos de lenguaje grandes y herramientas de IA como ChatGPT, Claude o Copilot.
Testimonios (2)
La práctica estuvo muy interactiva y aplicable al negocio.
Jorge Boscan - Chevron Global Technology Services Company
Curso - Advanced GitHub Copilot & AI for Projects and Infrastructure
Adquirí conocimientos sobre la biblioteca Streamlit de Python y, con seguridad, intentaré utilizarla para mejorar las aplicaciones de mi equipo que se desarrollan en R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Curso - GitHub Copilot for Developers
Traducción Automática
