Ponte en Contacto
 Duración 14 horas

Temario del curso

Introducción a los LLM y los marcos de trabajo de agentes

  • Visión general de los modelos de lenguaje grandes en la automatización de infraestructura
  • Conceptos clave en flujos de trabajo multiagente
  • AutoGen, CrewAI y LangChain: casos de uso en DevOps

Configuración de agentes LLM para tareas de DevOps

  • Instalación de AutoGen y configuración de perfiles de agentes
  • Uso de la API de OpenAI y otros proveedores de LLM
  • Establecimiento 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 integradas
  • Uso de agentes para aplicar reglas de linting, reglas de commit y guías de revisión de código
  • Resumen y etiquetado automatizado de pull requests

Agentes LLM para el manejo de alertas y la detección de cambios

  • Diseño de agentes respondientes para alertas de falla de pipeline
  • Análisis de registros y trazas utilizando modelos de lenguaje
  • Detección proactiva de cambios de alto riesgo o configuraciones erróneas

Coordinación multiagente 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 las acciones de los agentes y restricción del alcance
  • Seguimiento del comportamiento del pipeline y de los comentarios del modelo

Casos de uso del 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 de 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

Público objetivo

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

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas