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
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