LLMs y agentes en flujos de trabajo DevOps

Introducción a LLMs y marcos de trabajo de agentes

• Vista general de los modelos de lenguaje de gran escala en la automatización de infraestructura
• Conceptos clave en 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 de código

• Uso de prompts para que los LLM generen pruebas unitarias e de integración
• Uso de agentes para aplicar reglas de linting, reglas de commits y directrices de revisión de código
• Resumen y etiquetado automatizados de solicitudes de extracción (pull requests)

Agentes LLM para el manejo de alertas y la detección de cambios

• Diseño de agentes respondientes para alertas de fallas en el pipeline
• Análisis de registros (logs) y trazas utilizando modelos de lenguaje
• Detección proactiva de cambios de alto riesgo o configuraciones incorrectas

Coordinación multi-agente en DevOps

• Orquestación de agentes basada en roles (planificador, ejecutor, revisor)
• Bucles de mensajería entre agentes y gestión de memoria
• Diseño con humano en el circuito (human-in-the-loop) para sistemas críticos

Seguridad, gobernanza y observabilidad

• Manejo de la exposición de datos y la seguridad de LLM en la infraestructura
• Auditoría de acciones de agentes y restricción del alcance
• Seguimiento del comportamiento del pipeline y retroalimentación del modelo

Casos de uso del mundo real y escenarios personalizados

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

Resumen y próximos pasos