Temario del curso
De la autocompletación a los agentes: por qué fallan los agentes
• Anatomía de un agente de codificación: modelo, entorno de ejecución (harness), superficie de herramientas, contexto y permisos
• Posicionamiento de cada herramienta: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Una taxonomía del fracaso: contexto incorrecto, herramientas incorrectas, falta de retroalimentación y autonomía sin límites
Demostración: La misma tarea realizada correctamente e incorrectamente, lado a lado
Ingeniería de contexto
• La ventana de contexto como un presupuesto: qué merece ocupar un lugar en ella
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md: un concepto, varios nombres de archivo y una única fuente de verdad
• Convenciones, comandos de compilación y prueba, límites arquitectónicos
• Recuperación (retrieval) frente a contexto explícito; descomposición de tareas y sub-agentes
Laboratorio: Escribir el contexto del repositorio para un servicio de Python desconocido, luego volver a ejecutar una tarea fallida y comparar la salida
Flujos de trabajo reutilizables y Habilidades del Agente
• Elegir la abstracción: archivo de instrucciones, habilidad (skill), comando personalizado o script simple
• Anatomía de una habilidad: activación, instrucciones, scripts integrados y revelación progresiva
• Portabilidad entre herramientas y dónde comienza el bloqueo (lock-in)
• Versionado, revisión y distribución en un equipo; antipatrónes comunes
Laboratorio: Construir y probar un flujo de trabajo reutilizable que haga cumplir una norma de codificación interna
MCP: conectando agentes a sistemas reales
• Arquitectura: clientes, servidores, herramientas, recursos e indicaciones; transportes stdio e HTTP
• Servidores que merecen su lugar: alojamiento de Git, rastreadores de incidencias, bases de datos, navegadores y APIs internas
• Cuándo una CLI o un script supera a un servidor MCP
• Higiene de la superficie de herramientas: por qué más herramientas significan menos confiabilidad
Laboratorio: Configurar servidores MCP y gestionar una incidencia de principio a fin: incidencia, rama, parche, pruebas y pull request
Bucles de retroalimentación y evaluación
• Pruebas, tipos y linters como la verdad fundamental del agente; el trabajo con pruebas primero como mecanismo de control
• CI (Integración Continua) como el bucle externo y la disciplina de revisión para los diffs creados por agentes
• Conjuntos de evaluación con tareas ideales (golden-task): qué medir y cómo detectar regresiones
• El costo y la latencia como métricas de primera clase
Laboratorio: Construir un pequeño conjunto de evaluación y calificar dos configuraciones de agentes contra él
Seguridad y controladores
• Inyección de indicaciones a través de incidencias, pull requests, READMEs, dependencias y páginas obtenidas
• Modelos de permisos: listas de permitidos (allowlists), aprobaciones, herramientas solo de lectura y control del egress de red
• Higiene de secretos y aislamiento (sandboxing): contenedores, credenciales efímeras y limitación del radio de explosión
• Riesgo en la cadena de suministro en servidores MCP de terceros y habilidades compartidas
Laboratorio: Observar cómo un agente es secuestrado por un repositorio malicioso y luego endurecer la configuración para evitarlo
Despliegue de esta metodología en un equipo
• Un camino de adopción escalonada: qué estandarizar y qué dejar a discreción individual
• Métricas que indican valor real y aquellas que no lo hacen
Requerimientos
• Conocimiento práctico 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 posterior
• Un asistente de codificación basado en IA funcional a elección del participante: Claude Code, GitHub Copilot, Cursor, Codex CLI o Gemini CLI. Los laboratorios son independientes de la herramienta y se proporcionan instrucciones para cada uno
Público objetivo
• Ingenieros de software, líderes técnicos y arquitectos que utilizan asistentes de codificación con IA sin obtener resultados confiables
• Ingenieros de plataforma y experiencia del desarrollador que despliegan herramientas de IA en múltiples equipos
• Gestores de ingeniería que establecen estándares, controladores 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
