Contacta con nosotros

Temario del curso

De autocompletar a agentes: por qué fallan los agentes

Anatomía de un agente de código: modelo, capa de ejecución, superficie de herramientas, contexto y permisos

Dónde se ubica cada herramienta: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI

Una taxonomía del fallo: contexto incorrecto, herramientas incorrectas, falta de retroalimentación y autonomía descontrolada

Demostración: La misma tarea, ejecutada bien y mal, lado a lado

Ingeniería de contexto

La ventana de contexto como presupuesto: qué merece ocupar espacio en ella

AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — un concepto, varios nombres de archivo, una fuente única de verdad

Convenciones, comandos de compilación y prueba, límites arquitectónicos

Recuperación frente a contexto explícito; descomposición de tareas y subagentes

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 Agentes

Elegir la abstracción: archivo de instrucciones, habilidad, comando personalizado o script simple

Anatomía de una habilidad: activación, instrucciones, scripts integrados y revelación progresiva

Portabilidad entre herramientas y dónde comienza la dependencia del proveedor

Versionado, revisión y distribución en todo el equipo; antipatrones comunes

Laboratorio: Construir y probar un flujo de trabajo reutilizable que imponga un estándar de código interno

MCP: conectar agentes a sistemas reales

Arquitectura: clientes, servidores, herramientas, recursos e instrucciones; transportes stdio e HTTP

Servidores que se ganan su lugar: hospedaje de Git, rastreadores de incidencias, bases de datos, navegadores y APIs internas

Cuándo una CLI o un script superan a un servidor MCP

Higiene de la superficie de herramientas: por qué más herramientas significan menos fiabilidad

Laboratorio: Configurar servidores MCP y gestionar una incidencia de principio a fin: incidencia, rama, parche, pruebas y pull request

Bucles de retroalimentación y evaluación

Pruebas, tipos e inspectores como la verdad fundamental del agente; trabajo basado en pruebas primero como mecanismo de control

CI como el bucle externo y disciplina de revisión para los cambios generados por agentes

Conjuntos de evaluación con tareas doradas: qué medir y cómo detectar regresiones

Coste y latencia como métricas de primera clase

Laboratorio: Construir un pequeño conjunto de evaluación y puntuar dos configuraciones de agente frente a él

Seguridad y límites de seguridad

Inyección de instrucciones a través de incidencias, pull requests, READMEs, dependencias y páginas obtenidas

Modelos de permisos: listas de permitidos, aprobaciones, herramientas de solo lectura y control de salida de red

Higiene de secretos y aislamiento: contenedores, credenciales efímeras y limitación del alcance del daño

Riesgo de cadena de suministro en servidores MCP de terceros y habilidades compartidas

Laboratorio: Observar cómo un agente es secuestrado por un repositorio corrupto, luego endurecer la configuración para evitar que ocurra

Implementación en todo el equipo

Una ruta de adopción escalonada; qué estandarizar y qué dejar a discreción individual

Métricas que indican valor real frente a aquellas que no lo hacen

Requerimientos

Conocimiento práctico de Python, Git y la línea de comandos

Exposición previa a un asistente de código con IA

NobleProg configurará máquinas virtuales Dadesktop para los participantes con Docker, VS Code y Python 3.11 o posterior

Un asistente de código con IA funcional de la 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

Ingenieros de software, líderes técnicos y arquitectos que utilizan asistentes de código con IA sin obtener resultados confiables

Ingenieros de plataforma y experiencia del desarrollador que implementan herramientas de IA en todo el equipo

Gestores de ingeniería que establecen estándares, límites de seguridad y métricas de éxito

 7 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas