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 LLMs y los marcos de trabajo de agentes
- Resumen de los grandes modelos de lenguaje 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
- 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 generar pruebas unitarias e de integración
- Utilización 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 LLM para el manejo de alertas y la detección de cambios
- Diseño de agentes respondedores para alertas de fallo en pipelines
- Análisis de registros (logs) 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
- Manejo de la exposición de datos y la seguridad de LLMs en la infraestructura
- Auditoría de las acciones de los agentes y restricción de su alcance
- Seguimiento del comportamiento de los pipelines y la retroalimentación del modelo
Casos de uso en el 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 LLMs 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 los LLMs o exposición a la ingeniería de prompts
Público objetivo
- Ingenieros de innovación y líderes de plataformas integradas con IA
- Desarrolladores de LLMs que trabajan en DevOps o automatización
- Profesionales de DevOps que exploran marcos de trabajo de agentes inteligentes