Contacta con nosotros

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.

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

Una taxonomía del fracaso: contexto incorrecto, herramientas inadecuadas, falta de retroalimentación y autonomía ilimitada.

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

Ingeniería del contexto

La ventana de contexto como presupuesto: qué merece ocupar espacio en ella.

AGENTS.md, CLAUDE.md, .cursor/rules y copilot-instructions.md: un mismo concepto, diversos nombres de archivo y una única fuente de verdad.

Convenciones, comandos de compilación y prueba, así como límites arquitectónicos.

Recuperación de contexto versus contexto explícito; descomposición de tareas y subagentes.

Laboratorio: Redactar el contexto del repositorio para un servicio Python desconocido, volver a ejecutar una tarea fallida y comparar la salida obtenida.

Flujos de trabajo reutilizables y habilidades del agente

Elección de la abstracción: archivo de instrucciones, habilidad (skill), comando personalizado o script sencillo.

Anatomía de una habilidad: gatillos (triggering), instrucciones, scripts empaquetados y divulgación progresiva.

Portabilidad entre herramientas y punto de inicio de la dependencia exclusiva (lock-in).

Versionado, revisión y distribución en el equipo; antipatrones comunes.

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

MCP: conexión de agentes a sistemas reales

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

Servidores que se ganan su lugar: alojamiento Git, gestores de incidencias, bases de datos, navegadores y APIs internas.

Cuándo un CLI o un script supera a un servidor MCP.

Higiene en la superficie de herramientas: por qué más herramientas implican menor fiabilidad.

Laboratorio: Configurar servidores MCP y completar una incidencia de extremo a extremo: incidente, rama (branch), parche, pruebas y solicitud de extracción (pull request).

Bucles de retroalimentación y evaluación

Pruebas, tipos estáticos y linting como la verdad fundamental del agente; uso del enfoque «pruebas primero» como mecanismo de control.

CI (Integración Continua) como bucle externo y disciplina de revisión para los diff creados por agentes.

Conjuntos de evaluación con tareas de referencia: qué medir y cómo detectar regresiones.

Coste 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 barreras de control

Inyección de instrucciones (prompt injection) a través de incidencias, solicitudes de extracción, archivos README, dependencias y páginas web obtenidas.

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

Higiene de secretos y aislamiento: contenedores, credenciales efímeras y limitación del alcance del daño.

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

Laboratorio: Observar cómo un agente es secuestrado por un repositorio malicioso y, a continuación, endurecer la configuración para evitar que vuelva a ocurrir.

Implementación en un equipo

Un camino de adopción por fases: qué estandarizar y qué dejar a discreción individual.

Métricas que indican valor real frente a aquellas que no lo reflejan.

Requerimientos

Conocimiento práctico de Python, Git y la línea de comandos.

Experiencia previa con un asistente de codificación impulsado por 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 fiables.

Ingenieros de plataforma y experiencia del desarrollador responsables de desplegar herramientas de IA en todo el equipo.

Gestores de ingeniería encargados de establecer estándares, barreras de control y métricas de éxito.

 7 Horas

Formación Corporativa a Medida

Soluciones de formación diseñadas exclusivamente para empresas.

  • Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
  • Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
  • Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Inversión

Precio por grupo privado (formación online) desde 1450 € + IVA*

Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales

Reseñas (3)

Próximos cursos

Categorías Relacionadas