Formación en desarrollo de software con IA – Deja de hacer de niñera a los editores de IA

Formación en desarrollo de software con IA

Un curso práctico para equipos de ingeniería. Aprende a automatizar todo el ciclo de vida del desarrollo de software con agentes de IA ejecutándose dentro de GitHub Actions — no dentro de tu editor. Basado en el kit de ingeniería de harness open source CodeFactory y monorepos de producción reales.

Formato:

2 x medio día

Sesiones prácticas de formación

Additional material

Hints & Tips ebook

1-6 personas:

€900

7-12 personas:

€1100

Práctica sobre tu propio repositorio Prueba gratuita de FlowHunt

Reservar ahora

Sesión 1:

Parte 1 – Fundamentos de la ingeniería de harness

Aprenderás:

• Por qué hacer de niñera a un editor de IA no escala
• Ingeniería de harness: los humanos dirigen, los agentes ejecutan
• Arranque de un repositorio con la CLI de CodeFactory
• Detección de stack, niveles de riesgo y fronteras arquitectónicas
• Escribir CLAUDE.md como plano de control del agente
• Versionar prompts y guards como código
• Pre-commit hooks, gates de política de riesgo y archivos protegidos

Sesión 2:

Parte 2 – Desarrollo automatizado en GitHub Actions

Aprenderás:

• Agentes de triage, planner e implementer de issues
• Agentes de revisión de solo lectura con veredictos estructurados
• Bucles de remediación y auto-revert de archivos protegidos
• Pipelines de CI con gates de riesgo y disciplina de SHA
• Doc gardening y métricas semanales del harness
• Ejecución en vivo del bucle completo issue → PR → merge
• Adaptación de los harnesses a tu propia base de código

Muestra tu experiencia¡con nuestro certificado!

Deja de hacer de niñera al editor de IA

La mayoría de los desarrolladores usa hoy la IA de la forma equivocada. Se sientan en Cursor o Copilot Chat, aceptan una sugerencia, hacen scroll, aceptan otra, deshacen, reintentan, pegan un error de vuelta en el chat y dan el día por terminado. Parece productivo, pero es trabajo manual disfrazado de IA. El humano sigue siendo el cuello de botella. El agente sigue adivinando. Nada es repetible, nada es revisable y nada escala más allá de un desarrollador y una rama.

Esta formación da la vuelta al modelo. Tu equipo aprenderá a sacar la codificación con IA del editor y llevarla a GitHub Actions, donde los agentes corren en runners efímeros, guardados por prompts versionados y gates de calidad automatizados. El desarrollador abre un issue, revisa un pull request y hace clic en merge. Todo lo que hay en medio — triage, planificación, implementación, revisión de código, remediación — ocurre automáticamente, sobre infraestructura de CI de consumo.

El kit de harness CodeFactory

Enseñamos sobre CodeFactory , una CLI open source que arranca un harness completo de seguridad para agentes en cualquier repositorio existente. Un solo comando — codefactory init — y tu repo gana 16 harnesses y más de 14 workflows de GitHub Actions adaptados a tu stack:

• Un contrato de riesgo (harness.config.json) que clasifica cada archivo en Tier 1, 2 o 3 y aplica el nivel de escrutinio adecuado
• Instrucciones del agente (CLAUDE.md) que describen convenciones, reglas de dependencias y archivos protegidos
• Un agente de triage de issues que evalúa claridad, reproducibilidad y alcance antes de escribir una sola línea de código
• Un planner de issues que lee la base de código en modo solo lectura y publica un plan de implementación estructurado
• Un implementer de issues que crea una rama, implementa el cambio, ejecuta validación baseline y abre un PR
• Un agente de revisión que corre con herramientas de solo lectura y emite un veredicto APPROVE / REQUEST_CHANGES / COMMENT clasificado por un segundo modelo ligero
• Un bucle de remediación que devuelve los veredictos de revisión al implementer en hasta tres ciclos de auto-corrección antes de escalar a un humano
• Workflows de doc gardening, tests estructurales, smoke tests del harness y métricas semanales que mantienen el propio harness saludable

Todo vive en el repositorio. Sin dashboards externos, sin vendor lock-in, sin estado oculto. Editar un prompt es un pull request normal.

Ejemplo real de producción: sport-affiliate

Recorremos QualityUnit/sport-affiliate , un monorepo de producción real (tres sitios Next.js, un motor compartido y un pipeline de datos en Python) que ejecuta el harness completo de CodeFactory. Leerás los archivos de workflow, prompts y scripts guard reales que lo impulsan:

• 15 workflows de GitHub Actions orquestando el bucle completo issue → PR → merge
• Cuatro prompts personalizados en .codefactory/prompts/ (issue-triage.md, issue-planner.md, issue-implementer.md, review-agent.md)
• Scripts guard en TypeScript (scripts/*-guard.ts) que chequean por adelantado cada ejecución del agente y deciden si debe arrancar
• Una pipeline de CI fail-fast de cuatro etapas que omite builds completos de Next.js (25 minutos cada uno) a favor de type-check + lint + tests estructurales
• Disciplina de SHA: cada job downstream hace checkout del SHA exacto reportado por el risk gate para que un agente no pueda hacer race-push a mitad de pipeline
• Archivos protegidos (.github/workflows/*, harness.config.json, CLAUDE.md, archivos de lock, configuraciones de despliegue) que se auto-revertan si un agente los toca
• El prompt de revisión cargado desde origin/main — no desde la rama del PR — para que los PRs escritos por agentes no puedan manipular a su propio revisor

La experiencia de desarrollador de principio a fin se ve así: un humano abre un issue. El agente de triage lo etiqueta, hace preguntas aclaratorias si hace falta y lo entrega al planner. El planner publica un plan de implementación como comentario. El implementer crea issue-N, implementa el cambio, ejecuta los gates de calidad y abre un PR. El agente de revisión revisa. Si se piden cambios, el implementer se despacha de nuevo en modo review-fix — hasta tres ciclos — antes de escalar a un humano. Los únicos puntos de contacto humano son abrir el issue y aprobar el merge final.

Lo que tu equipo se llevará

Al final de la formación tus desarrolladores serán capaces de arrancar exactamente este setup en sus propios repositorios, escribir y afinar sus propios prompts de agentes, definir niveles de riesgo que se ajusten a su arquitectura y medir si el harness está funcionando de verdad a través de métricas Mean-Time-To-Harness y SLO. Saldrán con un harness en marcha en uno de tus repositorios reales — no con un ejemplo de juguete.

Únete a la próxima cohorte

¡Reserva tu plaza hoy!

El futuro no espera — contáctanos ahora y reserva tu formación en desarrollo de software con IA para empezar a automatizar tu flujo de ingeniería.

Contáctanos