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
Reseñas (3)
El instructor es paciente y muy útil. Conoce bien el tema.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Curso - Agentic AI for Business Automation: Use Cases & Integration
Traducción Automática
Buena mezcla de conocimiento y práctica
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Agentic AI for Enterprise Applications
Traducción Automática
La mezcla de teoría y práctica, así como de perspectivas de alto y bajo nivel
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Autonomous Decision-Making with Agentic AI
Traducción Automática