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
Reseñas (3)
El instructor es paciente y muy útil. Conoce bien el tema.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Curso - Agentic AI for Business Automation: Use Cases & Integration
Traducción Automática
Buena mezcla de conocimiento y práctica
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Agentic AI for Enterprise Applications
Traducción Automática
La mezcla de teoría y práctica, así como de perspectivas de alto y bajo nivel
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Autonomous Decision-Making with Agentic AI
Traducción Automática