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.
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.
Precio por grupo privado (formación online) desde 1450 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
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