Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
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