Temario del curso
Desde autocompletado hasta agentes: por qué fallan los agentes
• Anatomía de un agente de codificación: modelo, contenedor, interfaz de herramientas, contexto, permisos
• Dónde se sitúa cada herramienta: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Una taxonomía del fracaso: contexto incorrecto, herramientas incorrectas, falta de retroalimentación, autonomía desbordada
Demostración: La misma tarea realizada correctamente y mal, lado a lado
Ingeniería de contexto
• La ventana de contexto como presupuesto: qué merece un lugar en ella
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — un concepto, varios nombres de archivo, una única fuente de verdad
• Convenciones, comandos de compilación y prueba, límites arquitectónicos
• Recuperación versus contexto explícito; descomposición de tareas y subagentes
Laboratorio: Escriba el contexto del repositorio para un servicio Python desconocido, luego vuelva a ejecutar una tarea fallida y compare los resultados
Flujos de trabajo reutilizables y habilidades de agente
• Elegir la abstracción: archivo de instrucciones, habilidad, comando personalizado o script simple
• Anatomía de una habilidad: activación, instrucciones, scripts integrados, revelación progresiva
• Portabilidad entre herramientas y dónde comienza el acoplamiento específico
• Versionado, revisión y distribución en todo el equipo; antipatrones comunes
Laboratorio: Construya y pruebe un flujo de trabajo reutilizable que haga cumplir una norma de codificación corporativa
MCP: conectando agentes con sistemas reales
• Arquitectura: clientes, servidores, herramientas, recursos e indicaciones; transporte stdio y HTTP
• Servidores que merecen su lugar: alojamiento Git, rastreadores de incidencias, bases de datos, navegadores, APIs internas
• Cuándo una CLI o un script supera a un servidor MCP
• Higiene de la interfaz de herramientas: por qué más herramientas significan menos confiabilidad
Laboratorio: Configure servidores MCP y complete una incidencia de principio a fin — incidencia, rama, parche, pruebas, solicitud de extracción
Bucles de retroalimentación y evaluación
• Pruebas, tipos y verificadores estáticos como la verdad fundamental del agente; el trabajo primero con pruebas como mecanismo de control
• CI como bucle externo y disciplina de revisión para diferencias escritas por agentes
• Conjuntos de evaluación con tareas ideales: qué medir y cómo detectar regresiones
• Costo y latencia como métricas de primera clase
Laboratorio: Construya un conjunto pequeño de evaluación y puntúe dos configuraciones de agente contra él
Seguridad y guardafijos
• Inyección de indicación a través de incidencias, solicitudes de extracción, archivos README, dependencias y páginas recuperadas
• Modelos de permisos: listas permitidas, aprobaciones, herramientas solo lectura, control de salida de red
• Higiene de secretos y aislamiento: contenedores, credenciales efímeras, limitación del radio de impacto
• Riesgo de cadena de suministro en servidores MCP de terceros y habilidades compartidas
Laboratorio: Observa cómo un agente es secuestrado por un repositorio malicioso, luego endurece la configuración para evitar que ocurra
Implementación en todo el equipo
• Un camino de adopción escalonada; qué estandarizar y qué dejar a la discreción individual
• Métricas que indican valor real, y las que no lo hacen
Requerimientos
• Conocimiento funcional de Python, Git y la línea de comandos
• Experiencia previa con un asistente de codificación IA
• NobleProg configurará máquinas virtuales Dadesktop para los participantes con Docker, VS Code y Python 3.11 o posterior
• Un asistente de codificación IA funcional de su elección: Claude Code, GitHub Copilot, Cursor, Codex CLI o Gemini CLI. Los laboratorios son independientes del tooling y se proporcionan instrucciones para cada uno
Audiencia
• Ingenieros de software, líderes técnicos y arquitectos que utilizan asistentes de codificación IA sin obtener resultados confiables
• Ingenieros de plataforma y experiencia de desarrollador que despliegan herramientas de IA en todo el equipo
• Gerentes de ingeniería que establecen estándares, guardafijos 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