Temario del curso
Mejores Prácticas y Herramientas
Errores Comunes y Estrategias de Mitigación
Introducción a la Ingeniería de Prompts
Refinamiento de Prompts y Diseño Iterativo
Elaboración de Prompts para Automatización de Pruebas y Generación de SQL
Resumen y Próximos Pasos
Uso de Prompts para la Explicación de Código y la Depuración
Redacción de Prompts para la Generación de Código
- Evitar la generación de código alucinado o vulnerabilidades de seguridad
- Manejar entradas incompletas o ambiguas
- Crear prompts de respaldo seguros y mecanismos de protección (guardrails)
- Crear casos de prueba a partir de requisitos o código
- Generar consultas SQL estructuradas a partir de lenguaje natural
- Formatear las salidas para su integración en suites de pruebas
- Explicar código legado o desconocido
- Elaborar prompts para recorridos lógicos o análisis de casos extremos
- Encontrar y explicar errores de programación o ineficiencias
- Generar código a partir de descripciones en lenguaje natural
- Controlar el formato de salida y el lenguaje de programación
- Trabajar con lógica compleja o múltiples funciones
- Mejorar los resultados mediante la encadenación de prompts y bucles de retroalimentación
- Estrategias de recuperación de errores y ajuste de prompts
- Estudios de caso sobre el refinamiento para tareas técnicas
- Bibliotecas de prompts y patrones de reutilización
- Uso de plantillas de prompts en VS Code o flujos de trabajo basados en API
- Evaluar la calidad y el rendimiento de los prompts en su uso productivo
- Comprender prompts, contexto, tokens y modelos
- Tipos de prompts: sin ejemplos (zero-shot), con un ejemplo (one-shot) y con pocos ejemplos (few-shot)
- Uso de instrucciones del sistema versus instrucciones del usuario en diferentes APIs
Requerimientos
Audiencia Objetivo
- Desarrolladores que utilizan modelos de lenguaje grandes (LLM) en la generación o análisis de código
- Líderes técnicos que exploran herramientas de IA en sus flujos de trabajo
- Profesionales del software que experimentan con integraciones de LLM
- Experiencia en desarrollo de software o scripting
- Familiaridad con lenguajes de programación comunes (por ejemplo, Python, JavaScript, SQL)
- Comprensión básica de los modelos de lenguaje grandes y herramientas de IA como ChatGPT, Claude o Copilot
Testimonios (2)
La práctica estuvo muy interactiva y aplicable al negocio.
Jorge Boscan - Chevron Global Technology Services Company
Curso - Advanced GitHub Copilot & AI for Projects and Infrastructure
Adquirí conocimientos sobre la biblioteca Streamlit de Python y, con seguridad, intentaré utilizarla para mejorar las aplicaciones de mi equipo que se desarrollan en R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Curso - GitHub Copilot for Developers
Traducción Automática