Ponte en Contacto
 Duración 14 horas

Temario del curso

Introducción a los LLMs y marcos de trabajo de agentes

  • Visión general de los modelos de lenguaje de gran escala en la automatización de infraestructura
  • Conceptos clave en flujos de trabajo multiagente
  • AutoGen, CrewAI y LangChain: casos de uso en DevOps

Configuración de agentes LLM para tareas DevOps

  • Instalación de AutoGen y configuración de perfiles de agentes
  • Uso de la API de OpenAI y otros proveedores de LLM
  • Configuración de espacios de trabajo y entornos compatibles con CI/CD

Automatización de flujos de trabajo de pruebas y calidad de código

  • Uso de prompts para que los LLM generen pruebas unitarias e integradas
  • Uso de agentes para aplicar reglas de linting, normas de commit y directrices de revisión de código
  • Resumen y etiquetado automático de solicitudes de pull

Agentes LLM para el manejo de alertas y la detección de cambios

  • Diseño de agentes respondedores para alertas de falla en pipelines
  • Análisis de registros y trazas utilizando modelos de lenguaje
  • Detección proactiva de cambios de alto riesgo o configuraciones incorrectas

Coordinación multiagente en DevOps

  • Orquestación de agentes basada en roles (planificador, ejecutor, revisor)
  • Bucles de mensajería entre agentes y gestión de memoria
  • Diseño human-in-the-loop para sistemas críticos

Seguridad, gobernanza y observabilidad

  • Manejo de la exposición de datos y la seguridad de los LLM en la infraestructura
  • Auditoría de acciones de agentes y restricción de ámbito
  • Rastreo del comportamiento del pipeline y retroalimentación del modelo

Casos de uso del mundo real y escenarios personalizados

  • Diseño de flujos de trabajo de agentes para la respuesta a incidentes
  • Integración de agentes con GitHub Actions, Slack o Jira
  • Mejores prácticas para escalar la integración de LLM en DevOps

Resumen y próximos pasos

Requerimientos

  • Experiencia con herramientas DevOps y automatización de pipelines
  • Conocimiento práctico de Python y flujos de trabajo basados en Git
  • Comprensión de los LLMs o experiencia con la ingeniería de prompts

Público objetivo

  • Ingenieros de innovación y líderes de plataformas con integración de IA
  • Desarrolladores de LLMs que trabajan en DevOps o automatización
  • Profesionales de DevOps que exploran marcos de trabajo de agentes inteligentes

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas