Temario del curso
De la autocompletación a los agentes: por qué fallan los agentes
• Anatomía de un agente de codificación: modelo, contenedor (harness), superficie de herramientas, contexto y permisos
• Ubicación de cada herramienta: Claude Code, GitHub Copilot, Cursor, Codex CLI y Gemini CLI
• Una taxonomía del fallo: contexto incorrecto, herramientas inadecuadas, falta de retroalimentación y autonomía descontrolada
Demostración: La misma tarea realizada bien y mal, lado a lado
Ingeniería de contexto
• La ventana de contexto como un presupuesto: qué merece ocupar espacio en ella
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md: un mismo concepto, varios nombres de archivo y una única 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, volver a ejecutar una tarea fallida y comparar el resultado
Flujos de trabajo reutilizables y habilidades de agente (Agent Skills)
• Elegir la abstracción: archivo de instrucciones, habilidad, comando personalizado o script simple
• Anatomía de una habilidad: activación, instrucciones, scripts integrados y divulgación progresiva
• Portabilidad entre herramientas y dónde comienza el bloqueo (lock-in)
• Versionado, revisión y distribución en todo el equipo; antipatrones comunes
Laboratorio: Crear y probar un flujo de trabajo reutilizable que haga cumplir una normativa de codificación interna
MCP: conectar agentes a sistemas reales
• Arquitectura: clientes, servidores, herramientas, recursos y prompts; transporte mediante stdio e HTTP
• Servidores que se ganan su lugar: alojamiento de código Git, gestores de incidencias, bases de datos, navegadores y APIs internas
• Cuándo un CLI o un script supera a un servidor MCP
• Higiene en la superficie de herramientas: por qué más herramientas significan menor confiabilidad
Laboratorio: Configurar servidores MCP y gestionar una incidencia de principio a fin: incidencia, rama (branch), parche, pruebas y solicitud de extracción (pull request)
Bucles de retroalimentación y evaluación
• Pruebas, tipos de datos y analizadores estáticos como la verdad absoluta del agente; trabajar primero con pruebas como mecanismo de control
• Integración continua (CI) como bucle externo y disciplina de revisión para los diffs creados por el agente
• Conjuntos de evaluación con tareas ideales (golden-task): qué medir y cómo detectar regresiones
• Coste y latencia como métricas de primera clase
Laboratorio: Crear un conjunto de evaluación pequeño y puntuar dos configuraciones de agentes frente a él
Seguridad y vallas de seguridad (guardrails)
• Inyección de prompts a través de incidencias, solicitudes de extracción (PR), archivos README, dependencias y páginas obtenidas
• Modelos de permisos: listas de permitidos (allowlists), aprobaciones, herramientas de solo lectura y control de salida de red
• Higiene de secretos y aislamiento (sandboxing): contenedores, credenciales efímeras y limitación del alcance del daño
• Riesgo de la cadena de suministro en servidores MCP de terceros y habilidades compartidas
Laboratorio: Observar cómo un agente es secuestrado por un repositorio malicioso y luego endurecer la configuración para evitar que vuelva a ocurrir
Implementación del curso en todo el equipo
• Una ruta de adopción escalonada; qué estandarizar y qué dejar a discreción individual
• Métricas que indican valor real y aquellas que no lo hacen
Requerimientos
• Conocimientos funcionales de Python, Git y la línea de comandos
• Exposición previa a un asistente de codificación con IA
• NobleProg configurará máquinas virtuales (VM) en Dadesktop para los participantes con Docker, VS Code y Python 3.11 o posterior
• Un asistente de codificación con IA funcional de la 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 uno
Público objetivo
• Ingenieros de software, líderes técnicos y arquitectos que utilizan asistentes de codificación con IA sin obtener resultados confiables
• Ingenieros de plataforma y experiencia del desarrollador que implementan herramientas de IA en todo el equipo
• Gestores de ingeniería que establecen estándares, vallas de seguridad 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