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
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