Programa do Curso
De autocomplete para agentes: por que os agentes falham
• Anatomia de um agente de codificação: modelo, harness (estrutura base), superfície de ferramentas, contexto, permissões
• Onde cada ferramenta se encaixa: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Uma taxonomia de falhas: contexto incorreto, ferramentas inadequadas, ausência de feedback, autonomia descontrolada
Demonstração: A mesma tarefa, executada bem e mal, lado a lado
Engenharia de contexto
• A janela de contexto como um orçamento: o que merece entrar nela
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — um conceito, vários nomes de arquivo, uma única fonte da verdade
• Convenções, comandos de build e teste, limites arquitetônicos
• Recuperação versus contexto explícito; decomposição de tarefas e sub-agentes
Laboratório: Escrever o contexto do repositório para um serviço Python desconhecido, depois reexecutar uma tarefa que falhou e comparar a saída
Fluxos de trabalho reutilizáveis e Habilidades de Agentes
• Escolher a abstração: arquivo de instruções, habilidade, comando personalizado ou script simples
• Anatomia de uma habilidade: gatilho, instruções, scripts empacotados, revelação progressiva
• Portabilidade entre ferramentas e onde começa o vendor lock-in
• Versionamento, revisão e distribuição em toda a equipe; anti-padrões comuns
Laboratório: Criar e testar um fluxo de trabalho reutilizável que aplica padrões de codificação internos da organização
MCP: conectando agentes a sistemas reais
• Arquitetura: clientes, servidores, ferramentas, recursos e prompts; transportes stdio e HTTP
• Servidores que justificam sua existência: hospedagem de código Git, rastreadores de problemas, bancos de dados, navegadores, APIs internas
• Quando um CLI ou um script é melhor do que um servidor MCP
• Higiene na superfície de ferramentas: por que mais ferramentas significam menos confiabilidade
Laboratório: Conectar servidores MCP e executar um ticket completo — problema, branch, patch, testes, pull request
Loops de feedback e avaliação
• Testes, tipos e linters como a fonte da verdade do agente; trabalho test-first como mecanismo de controle
• CI como loop externo e disciplina de revisão para diffs gerados por agentes
• Conjuntos de avaliação com tarefas ideais: o que medir e como detectar regressões
• Custo e latência como métricas de primeira classe
Laboratório: Criar um pequeno conjunto de avaliação e pontuar duas configurações de agentes com base nele
Segurança e guardrails
• Injeção de prompt por meio de problemas, pull requests, READMEs, dependências e páginas recuperadas
• Modelos de permissão: allowlists (listas de permissão), aprovações, ferramentas apenas-leitura, controle de saída de rede
• Higiene com segredos e isolamento: contêineres, credenciais efêmeras, limitação do raio de explosão
• Riscos na cadeia de suprimentos em servidores MCP de terceiros e habilidades compartilhadas
Laboratório: Assistir a um agente sendo sequestrado por um repositório corrompido, depois endurecer a configuração para evitar que isso ocorra
Implementando essa solução em uma equipe
• Um caminho de adoção graduada; o que padronizar e o que deixar à discricionariedade individual
• Métricas que indicam valor real e aquelas que não indicam
Requisitos
• Conhecimento prático de Python, Git e linha de comando
• Experiência prévia com um assistente de codificação com IA
• A NobleProg configurará VMs Dadesktop para os participantes, com Docker, VS Code e Python 3.11 ou posterior
• Um assistente de codificação com IA funcional à escolha do participante: Claude Code, GitHub Copilot, Cursor, Codex CLI ou Gemini CLI. Os laboratórios são independentes de ferramenta e as instruções são fornecidas para cada um
Público-alvo
• Engenheiros de software, líderes técnicos e arquitetos que utilizam assistentes de codificação com IA sem obter resultados confiáveis
• Engenheiros de plataforma e de experiência do desenvolvedor implementando ferramentas de IA em todas as equipes
• Gerentes de engenharia que definem padrões, guardrails e métricas de sucesso
Testemunhos de Clientes (3)
O instrutor é paciente e muito prestativo. Ele domina bem o assunto.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Curso - Agentic AI for Business Automation: Use Cases & Integration
Máquina Traduzida
Bom misto de conhecimento e prática
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Agentic AI for Enterprise Applications
Máquina Traduzida
A mistura de teoria e prática e de perspectivas de alto e baixo nível
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curso - Autonomous Decision-Making with Agentic AI
Máquina Traduzida