Contacta con nosotros

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

 7 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas