Contacta con nosotros

Temario del curso

De autocompletado a agentes: por qué fallan los agentes

•     Anatomía de un agente de codificación: modelo, entorno de ejecución (harness), superficie de herramientas, contexto y permisos

•     Posición de cada herramienta: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI

•     Una taxonomía del fallo: contexto incorrecto, herramientas incorrectas, ausencia de retroalimentación y autonomía ilimitada

Demostración: La misma tarea ejecutada correctamente e incorrectamente, lado a lado.

Ingeniería del contexto

•     La ventana de contexto como un presupuesto: qué gana un lugar 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 sub-agentes

Laboratorio: Escribir el contexto del repositorio para un servicio Python desconocido, volver a ejecutar una tarea fallida y comparar los resultados.

Flujos de trabajo reutilizables y Habilidades del Agente

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

•     Anatomía de una habilidad: activación, instrucciones, scripts empaquetados y descubrimiento progresivo

•     Portabilidad entre herramientas y dónde comienza el bloqueo (lock-in)

•     Versionado, revisión y distribución en todo el equipo; anti-patrones comunes

Laboratorio: Construir y probar un flujo de trabajo reutilizable que haga cumplir una norma de codificación interna.

MCP: conectando agentes a sistemas reales

•     Arquitectura: clientes, servidores, herramientas, recursos y indicaciones; transportes stdio e HTTP

•     Servidores que merecen su lugar: alojamiento 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: Conectar servidores MCP y procesar una incidencia de extremo a extremo — incidencia, rama (branch), parche, pruebas y solicitud de extracción (pull request).

Bucles de retroalimentación y evaluación

•     Pruebas, tipos estáticos y linters como la verdad fundamental del agente; trabajo previo a las pruebas como mecanismo de control.

•     Integración Continua (CI) como bucle externo y disciplina de revisión para diff generados por agentes.

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

•     Coste y latencia como métricas de primera clase.

Laboratorio: Crear un pequeño conjunto de evaluación y puntuar dos configuraciones de agentes contra él.

Seguridad y controles

•     Inyección de indicaciones a través de incidencias, solicitudes de extracción (PRs), READMEs, dependencias y páginas obtenidas.

•     Modelos de permisos: listas de permitidos (allowlists), aprobaciones, herramientas de solo lectura y control de salida de red.

•     Higiene de secretos y aislamiento: contenedores, credenciales efímeras y limitación del radio de explosión.

•     Riesgo en la cadena de suministro por servidores MCP de terceros y habilidades compartidas.

Laboratorio: Observar cómo un agente es secuestrado por un repositorio malicioso y endurecer la configuración para evitarlo.

Implementación en un equipo

•     Una ruta de adopción escalonada; qué estandarizar y qué dejar en manos individuales.

•     Métricas que indican un valor real y aquellas que no lo hacen.

Requerimientos

•     Conocimiento básico de Python, Git y la línea de comandos

•     Experiencia previa con un asistente de codificación basado en IA

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

•     Un asistente de codificación basado en IA funcional de su elección: Claude Code, GitHub Copilot, Cursor, Codex CLI o Gemini CLI. Los laboratorios son independientes de la herramienta y se proporcionan instrucciones para cada uno.

Público objetivo

•     Ingenieros de software, líderes técnicos y arquitectos que utilizan asistentes de codificación basados en IA sin obtener resultados confiables

•     Ingenieros de plataforma y experiencia de desarrollador implementando herramientas de IA en equipos

•     Gerentes de ingeniería estableciendo estándares, controles de seguridad y métricas de éxito

 7 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas