Ponte en Contacto
 Duración 14 horas

Temario del curso

Introducción a LLM y marcos de agentes

  • Resumen de los modelos de lenguaje de gran escala en la automatización de infraestructura
  • Conceptos clave en flujos de trabajo de multi-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 agente
  • Uso de la API de OpenAI y otros proveedores de LLM
  • Configuración de espacios de trabajo y entornos compatibles con CI/CD

Automatización de flujos de trabajo de pruebas y calidad del código

  • Uso de prompts para que los LLM generen pruebas unitarias e de integración
  • Uso de agentes para aplicar linting, reglas de commit y directrices de revisión de código
  • Resumen y etiquetado automatizados de solicitudes de extracción (pull requests)

Agentes LLM para la gestión de alertas y la detección de cambios

  • Diseño de agentes respondedores para alertas de fallo de pipeline
  • Análisis de registros y trazas mediante modelos de lenguaje
  • Detección proactiva de cambios de alto riesgo o configuraciones incorrectas

Coordinación de multi-agentes en DevOps

  • Orquestación de agentes por roles (planificador, ejecutor, revisor)
  • Bucles de mensajería entre agentes y gestión de memoria
  • Diseño con intervención humana (human-in-the-loop) para sistemas críticos

Seguridad, gobernanza y observabilidad

  • Gestión de la exposición de datos y la seguridad de los LLM en la infraestructura
  • Auditoría de acciones de agentes y restricción de alcance
  • Rastreo del comportamiento del pipeline y retroalimentación del modelo

Casos de uso en el mundo real 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 LLM en DevOps

Resumen y próximos pasos

Requerimientos

  • Experiencia con herramientas DevOps y automatización de pipelines
  • Conocimiento práctico de Python y flujos de trabajo basados en Git
  • Comprensión de LLM o exposición a la ingeniería de prompts

Audiencia

  • Ingenieros de innovación y líderes de plataformas con integración de IA
  • Desarrolladores de LLM que trabajan en DevOps o automatización
  • Profesionales DevOps que exploran marcos de agentes inteligentes

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas