Programa del Curso

Introducción a los Modelos de Lenguaje Grande (LLMs) y los Entornos de Agentes Autónomos

  • Visión general de los modelos de lenguaje grande en la automatización de infraestructura
  • Conceptos clave en los flujos de trabajo multi-agente
  • 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 agentes
  • Uso de la API de OpenAI y otros proveedores de LLM
  • Configuración de espacios de trabajo y entornos compatibles con CI/CD

Automatización de Flujos de Trabajo de Pruebas y Calidad del Código

  • Mandatos a los modelos de lenguaje para generar pruebas unitarias e integración
  • Uso de agentes para aplicar reglas de linting, normas de commit y guías de revisión de código
  • Sinopsis automatizada y etiquetado de solicitudes de extracción (pull requests)

Agentes LLM para Manejo de Alertas y Detección de Cambios

  • Diseño de agentes respuesta para alertas de fallos en la línea de producción
  • Análisis de registros y trazados utilizando modelos de lenguaje
  • Detección proactiva de cambios o configuraciones de alto riesgo

Coordinación Multi-Agente en DevOps

  • Orquestación basada en roles (planificador, ejecutor, revisor)
  • Bucles de mensajería y gestión de memoria de agentes
  • Diseño con humano-en-bucle para sistemas críticos

Seguridad, Governance e Observabilidad

  • Gestión de la exposición de datos y seguridad LLM en infraestructura
  • Auditoría de acciones de agentes y restricción del alcance
  • Rastreo del comportamiento de la línea de producción y retroalimentación del modelo

Casos Reales Use Case y Escenarios Personalizados

  • Diseño de flujos de trabajo de agentes para respuesta a incidentes
  • Integración de agentes con Acciones GitHub, Slack o Jira
  • Mejores prácticas para la escalabilidad de la integración LLM en DevOps

Resumen y Próximos Pasos

Requerimientos

  • Experiencia con la herramienta y automatización de la cadena de DevOps
  • Conocimiento práctico de Python y flujos de trabajo basados en Git
  • Comprensión de modelos de lenguaje masivos (LLMs) o exposición a la ingeniería de prompts

Público Objetivo

  • Ingenieros de innovación y líderes de plataformas integradas con IA
  • Desarrolladores LLM que trabajan en DevOps o automatización
  • Profesionales de DevOps que exploran marcos de agentes inteligentes
 14 Horas

Número de participantes


Precio por Participante​

Testimonios (1)

Próximos cursos

Categorías Relacionadas