Contacta con nosotros

Temario del curso

De autocompletado a agentes: por qué fallan los agentes

•     Anatomía de un agente de codificación: modelo, entorno de ejecución, superficie de herramientas, contexto, permisos

•     Ubicación de cada herramienta: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI

•     Taxonomía de fallos: contexto incorrecto, herramientas inadecuadas, falta de retroalimentación, autonomía ilimitada

Demostración: La misma tarea ejecutada correctamente e incorrectamente, lado a lado

Ingeniería de contexto

•     La ventana de contexto como presupuesto: qué merece ocupar un lugar en ella

•     AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — un mismo concepto, varios nombres de archivo, una única fuente de verdad

•     Convenciones, comandos de compilación y prueba, límites arquitectónicos

•     Recuperación frente a contexto explícito; descomposición de tareas y subagentes

Laboratorio: Escribir el contexto del repositorio para un servicio de Python desconocido, luego volver a ejecutar una tarea que falló y comparar los resultados

Flujos de trabajo reutilizables y Habilidades de Agentes

•     Elección de la abstracción: archivo de instrucciones, habilidad, comando personalizado o script estándar

•     Anatomía de una habilidad: activación, instrucciones, scripts asociados, divulgación progresiva

•     Portabilidad entre herramientas y punto de inicio del acaparamiento (lock-in)

•     Versionado, revisión y distribución en un equipo; antipatrones comunes

Laboratorio: Crear y probar un flujo de trabajo reutilizable que haga cumplir una norma de codificación interna

MCP: conexión de agentes a sistemas reales

•     Arquitectura: clientes, servidores, herramientas, recursos y prompts; transportes stdio e HTTP

•     Servidores que merecen su lugar: alojamiento de Git, rastreadores de incidencias, bases de datos, navegadores, APIs internas

•     Cuándo una CLI o un script supera a un servidor MCP

•     Higiene de la superficie de herramientas: por qué más herramientas implican menos confiabilidad

Laboratorio: Conectar servidores MCP y gestionar una incidencia de extremo a extremo — incidencia, rama, parche, pruebas, solicitud de extracción (pull request)

Bucles de retroalimentación y evaluación

•     Pruebas, tipos y analizadores estáticos como la verdad fundamental del agente; trabajo basado en pruebas primero como mecanismo de control

•     Integración Continua (CI) como bucle externo y disciplina de revisión para los cambios generados por el agente

•     Conjuntos de evaluación con tareas clave: qué medir y cómo detectar regresiones

•     Costo y latencia como métricas de primera clase

Laboratorio: Crear un conjunto pequeño de evaluación y puntuar dos configuraciones de agentes frente a él

Seguridad y resguardos

•     Inyección de instrucciones a través de incidencias, solicitudes de extracción (pull requests), READMEs, dependencias y páginas obtenidas

•     Modelos de permisos: listas de permitidos, aprobaciones, herramientas de solo lectura, control de salida de red

•     Higiene de secretos y aislamiento: contenedores, credenciales efímeras, limitación del impacto

•     Riesgos en la cadena de suministro de servidores MCP y habilidades compartidas de terceros

Laboratorio: Observar cómo un agente es secuestrado por un repositorio malicioso, luego endurecer la configuración para evitarlo

Implementación del curso en un equipo

•     Una ruta de adopción escalonada; qué estandarizar y qué dejar a la discreción individual

•     Métricas que indican un valor real y aquellas que no lo hacen

Requerimientos

•     Conocimiento funcional de Python, Git y la línea de comandos

•     Experiencia previa con un asistente de codificación basado en IA

•     NobleProg configurará máquinas virtuales Dadesktop para los participantes con Docker, VS Code y Python 3.11 o versiones posteriores

•     Un asistente de codificación basado en IA en funcionamiento elegido por el participante: Claude Code, GitHub Copilot, Cursor, Codex CLI o Gemini CLI. Los laboratorios son independientes del herramienta y se proporcionan instrucciones para cada una

Público objetivo

•     Ingenieros de software, líderes técnicos y arquitectos que utilizan asistentes de codificación con IA sin obtener resultados confiables

•     Ingenieros de plataformas y experiencia del desarrollador que implementan herramientas de IA en todos los equipos

•     Gerentes de ingeniería que establecen estándares, resguardos y métricas de éxito

 7 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas