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 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