Contacta con nosotros

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

 7 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas