LLMs y agentes en flujos de trabajo DevOps

Introducción a los LLMs y los marcos de trabajo de agentes

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

Configuración de agentes de LLMs para tareas de DevOps

• Instalación de AutoGen y configuración de perfiles de agentes.
• Uso de la API de OpenAI y otros proveedores de LLMs.
• Configuración 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 LLMs generen pruebas unitarias e integradas.
• Uso de agentes para aplicar reglas de linting, reglas de commit y directrices de revisión de código.
• Resumen y etiquetado automatizados de solicitudes de extracción (pull requests).

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

• Diseño de agentes respondedores para alertas de fallos en el pipeline.
• Análisis de registros y trazas utilizando modelos de lenguaje.
• Detección proactiva de cambios de alto riesgo o configuraciones incorrectas.

Coordinación multiagente en DevOps

• Orquestación de agentes basada en roles (planificador, executor, revisor).
• Bucles de mensajería de agentes y gestión de la 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 LLMs en la infraestructura.
• Auditoría de las acciones de los agentes y restricción de su ámbito de acción.
• Seguimiento del comportamiento del pipeline y la retroalimentación del modelo.

Casos de uso reales 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 LLMs en DevOps.

Resumen y próximos pasos