LLMs y agentes en flujos de trabajo DevOps

Introducción a los LLMs y marcos de trabajo de agentes

• Visión general de los modelos de lenguaje de gran escala en la automatización de infraestructura
• Conceptos clave en flujos de trabajo de múltiples agentes
• AutoGen, CrewAI y LangChain: casos de uso en DevOps

Configuración de agentes LLM para tareas DevOps

• Instalación de AutoGen y configuración de perfiles de agentes
• Uso de la API de OpenAI y otros proveedores de LLMs
• Configuración de espacios de trabajo y entornos compatibles con CI/CD

Automatización de flujos de trabajo de pruebas y calidad de código

• Inducción de LLMs para generar pruebas unitarias e de integración
• Uso de agentes para aplicar linting, reglas de commit y pautas 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 respondedores para alertas de falla de pipeline
• Análisis de registros y trazas utilizando modelos de lenguaje
• Detección proactiva de cambios de alto riesgo o configuraciones incorrectas

Coordinación de múltiples agentes en DevOps

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

Seguridad, gobernanza y observabilidad

• Manejo de la exposición de datos y la seguridad de los LLMs en la infraestructura
• Auditoría de acciones de agentes y restricción de ámbito
• Seguimiento del comportamiento de los pipelines y retroalimentación de modelos

Casos de uso reales 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 LLMs en DevOps

Resumen y próximos pasos