Temario del curso
Mejores Prácticas y Herramientas
Errores Comunes y Estrategias de Mitigación
Introducción a la Ingeniería de Prompts
Refinamiento de Prompts y Diseño Iterativo
Uso de Prompts para Automatización de Pruebas y Generación de SQL
Resumen y Próximos Pasos
Uso de Prompts para la Explicación y Depuración de Código
Elaboración de Prompts para la Generación de Código
- Evitar código alucinado o vulnerabilidades de seguridad.
- Manejo de entradas incompletas o ambiguas.
- Creación de prompts de respaldo seguros y medidas de protección (guardrails).
- Generación de casos de prueba a partir de requisitos o código.
- Generación de consultas SQL estructuradas a partir de lenguaje natural.
- Formateo de salidas para su integración en suites de prueba.
- Explicación de código legado o desconocido.
- Uso de prompts para recorridos lógicos o análisis de casos límite.
- Detección y explicación de errores o ineficiencias.
- Generación de código a partir de descripciones en lenguaje claro.
- Control del formato de salida y del lenguaje de programación.
- Trabajo con lógica compleja o múltiples funciones.
- Mejora de resultados mediante el encadenamiento de prompts y bucles de retroalimentación.
- Estrategias de recuperación ante errores y ajuste fino de prompts.
- Estudios de caso sobre el refinamiento para tareas técnicas.
- Bibliotecas de prompts y patrones de reutilización.
- Uso de plantillas de prompts en VS Code o flujos de trabajo basados en API.
- Evaluación de la calidad y el rendimiento de los prompts en uso productivo.
- Comprensión de prompts, contexto, tokens y modelos.
- Tipos de prompts: zero-shot, one-shot, few-shot.
- Uso de instrucciones del sistema frente al usuario en diferentes APIs.
Requerimientos
Público Objetivo
- Desarrolladores que utilizan LLM en la generación o análisis de código.
- Líderes técnicos que exploran herramientas de IA en sus flujos de trabajo.
- Profesionales del software que experimentan con integraciones de LLM.
- Experiencia en desarrollo de software o scripting.
- Familiaridad con lenguajes de programación comunes (por ejemplo, Python, JavaScript, SQL).
- Comprensión básica de modelos de lenguaje grandes y herramientas de IA como ChatGPT, Claude o Copilot.
Testimonios (2)
La práctica estuvo muy interactiva y aplicable al negocio.
Jorge Boscan - Chevron Global Technology Services Company
Curso - Advanced GitHub Copilot & AI for Projects and Infrastructure
Adquirí conocimientos sobre la biblioteca Streamlit de Python y, con seguridad, intentaré utilizarla para mejorar las aplicaciones de mi equipo que se desarrollan en R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Curso - GitHub Copilot for Developers
Traducción Automática
