Temario del curso
Introducción al Vibe Coding
- Definición e historia del vibe coding.
- Filosofía de la colaboración "prompt-to-code" (de instrucción a código).
- Diferencias entre el desarrollo asistido por IA y el desarrollo tradicional.
Modelos de Lenguaje Grandes en la Codificación
- Resumen de los LLM para desarrolladores: GPT-4, DeepSeek, Qwen, Mistral.
- Comparación entre codificadores de IA de código abierto y propietarios.
- Despliegue de LLMs localmente o mediante APIs.
Ingeniería de Prompts para Desarrolladores
- Prompts efectivos para generar y refactorizar código.
- Gestión del contexto y manejo del estado de la conversación.
- Creación de plantillas de prompts reutilizables para tareas de codificación.
Entornos Prácticos de Vibe Coding
- Uso de Replit para la codificación colaborativa con IA.
- Integración de GitHub Copilot y Qwen Coder en entornos de desarrollo integrados (IDE).
- Personalización de flujos de trabajo para la colaboración en equipos.
Calidad del Código y Validación en Flujos de Trabajo con IA
- Revisión y prueba del código generado por LLMs.
- Garantía de consistencia, mantenibilidad y seguridad.
- Integración de herramientas de validación de código en el flujo de trabajo.
Integración Empresarial y Gobernanza
- Escalabilidad del vibe coding entre equipos.
- Gobernanza, ética y cumplimiento normativo en la generación de código con IA.
- Diseño de marcos organizacionales para el desarrollo asistido por IA.
Temas Avanzados: Extensión del Vibe Coding
- Combinación de múltiples LLMs para flujos de trabajo híbridos de IA.
- Integración del vibe coding con la automatización CI/CD.
- Tendencias futuras: ecosistemas de desarrollo multiagente.
Proyecto en Equipo y Colaboración
- Diseño de un proyecto de codificación asistida por IA del mundo real.
- Colaboración con desarrolladores humanos e inteligencia artificial.
- Presentación de resultados y medición de las ganancias de productividad.
Resumen y Próximos Pasos
Requerimientos
- Comprensión de los flujos de trabajo de desarrollo de software.
- Experiencia con Python, JavaScript u otro lenguaje de programación moderno.
- Familiaridad con sistemas de control de versiones basados en Git.
Público objetivo
- Ingenieros de software que exploran el desarrollo asistido por IA.
- Líderes de ingeniería que supervisan la adopción de IA en los flujos de trabajo de codificación.
- Equipos de desarrollo empresarial que buscan integrar LLMs en sus pipelines de producción.
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