Contacta con nosotros

Temario del curso

De autocompletado a agentes: por qué fallan los agentes

•     Anatomía de un agente de código: modelo, entorno de ejecución (harness), superficie de herramientas, contexto, permisos

•     Ubicación de cada herramienta: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI

•     Una taxonomía de fallos: contexto incorrecto, herramientas incorrectas, falta de retroalimentación, autonomía ilimitada

Demostración: La misma tarea realizada bien y mal, lado a lado

Ingeniería de contexto

•     La ventana de contexto como un presupuesto: qué merece un lugar en ella

•     AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md: un concepto, varios nombres de archivo, una fuente de verdad

•     Convenciones, comandos de compilación y prueba, límites arquitectónicos

•     Recuperación frente a contexto explícito; descomposición de tareas y sub-agentes

Laboratorio: Escribir el contexto del repositorio para un servicio Python desconocido, luego volver a ejecutar una tarea fallida y comparar la salida

Flujos de trabajo reutilizables y Habilidades de Agentes

•     Elegir la abstracción: archivo de instrucciones, habilidad (skill), comando personalizado o script simple

•     Anatomía de una habilidad: activación, instrucciones, scripts incluidos, revelación progresiva

•     Portabilidad entre herramientas y dónde comienza el bloqueo (lock-in)

•     Versionado, revisión y distribución en todo el equipo; antipatrones comunes

Laboratorio: Construir y probar un flujo de trabajo reutilizable que aplique una norma de codificación interna

MCP: conectando agentes a sistemas reales

•     Arquitectura: clientes, servidores, herramientas, recursos y prompts; transports stdio y HTTP

•     Servidores que ganan su lugar: alojamiento de Git, rastreadores de incidencias, bases de datos, navegadores, APIs internas

•     Cuándo una CLI o un script supera a un servidor MCP

•     Higiene de la superficie de herramientas: por qué más herramientas significan menos confiabilidad

Laboratorio: Conectar servidores MCP y procesar una incidencia de principio a fin — incidente, rama (branch), parche, pruebas, solicitud de extracción (pull request)

Bucles de retroalimentación y evaluación

•     Pruebas, tipos (types) y linters como la verdad fundamental del agente; trabajo previo a pruebas (test-first) como mecanismo de control

•     CI como el bucle externo y la disciplina de revisión para diff escritos por agentes

•     Conjuntos de evaluación de tareas doradas (golden-task): qué medir y cómo detectar regresiones

•     Costo y latencia como métricas de primera clase

Laboratorio: Construir un pequeño conjunto de evaluación y calificar dos configuraciones de agentes contra él

Seguridad y barreras de protección

•     Inyección de prompts a través de incidencias, solicitudes de extracción (PR), READMEs, dependencias y páginas obtenidas

•     Modelos de permisos: listas de permitidos (allowlists), aprobaciones, herramientas solo lectura, control de salida de red

•     Higiene de secretos y aislamiento: contenedores, credenciales efímeras, limitación del alcance de impacto

•     Riesgo en la cadena de suministro por servidores MCP de terceros y habilidades compartidas

Laboratorio: Observar cómo un agente es secuestrado por un repositorio malicioso, luego endurecer la configuración para evitarlo

Implementación de esta solución en un equipo

•     Un camino de adopción escalonado; qué estandarizar y qué dejar al criterio individual

•     Métricas que indican valor real, y las que no lo hacen

Requerimientos

•     Conocimiento práctico de Python, Git y la línea de comandos

•     Exposición previa a un asistente de código AI

•     NobleProg configurará máquinas virtuales (VM) Dadesktop para los participantes con Docker, VS Code y Python 3.11 o posterior

•     Un asistente de código AI funcional a elección del participante: Claude Code, GitHub Copilot, Cursor, Codex CLI o Gemini CLI. Los laboratorios son independientes de la herramienta y se proporcionan instrucciones para cada una

Público objetivo

•     Ingenieros de software, líderes técnicos y arquitectos que utilizan asistentes de código AI sin obtener resultados confiables

•     Ingenieros de plataforma y experiencia del desarrollador que despliegan herramientas AI en todo el equipo

•     Gerentes de ingeniería que establecen estándares, barreras de protección y métricas de éxito

 7 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas