Programa do Curso
De autocomplete a agentes: por que os agentes falham
• Anatomia de um agente de programação: modelo, ambiente (harness), superfície de ferramentas, contexto e permissões
• Onde cada ferramenta se encaixa: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Uma taxonomia de falhas: contexto errado, ferramentas erradas, ausência de feedback, autonomia desrestrita
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 arquiteturais
• 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 (Agent Skills)
• Escolhendo a abstração: arquivo de instrução, habilidade (skill), comando personalizado ou script simples
• Anatomia de uma habilidade: gatilho, instruções, scripts embutidos e revelação progressiva
• Portabilidade entre ferramentas e onde começa o lock-in (dependência do fornecedor)
• Versionamento, revisão e distribuição em equipe; antipadrões comuns
Laboratório: Construir e testar um fluxo de trabalho reutilizável que aplica um padrão de código da empresa
MCP: conectando agentes a sistemas reais
• Arquitetura: clientes, servidores, ferramentas, recursos e prompts; transportes stdio e HTTP
• Servidores que justificam sua existência: hospedagem de Git, rastreadores de issues, bancos de dados, navegadores, APIs internas
• Quando uma CLI ou um script supera um servidor MCP
• Higiene da superfície de ferramentas: por que mais ferramentas significam menos confiabilidade
Laboratório: Configurar servidores MCP e processar um ticket do início ao fim — issue, branch, patch, testes, pull request
Loops de feedback e avaliação
• Testes, tipos (types) e linters como a fonte da verdade do agente; trabalho test-first como mecanismo de controle
• CI (Integração Contínua) como o loop externo e disciplina de revisão para diffs criados por agentes
• Conjuntos de avaliação com tarefas_gold (golden-task): o que medir e como detectar regressões
• Custo e latência como métricas de primeira classe
Laboratório: Criar um conjunto pequeno de avaliação e pontuar duas configurações de agentes contra ele
Segurança e barreiras de segurança (Guardrails)
• Injeção de prompt através de issues, pull requests, READMEs, dependências e páginas web baixadas
• Modelos de permissão: allowlists (listas de permissão), aprovações, ferramentas apenas para leitura, controle de egresso de rede
• Higiene de segredos e sandboxing: contêineres, credenciais efêmeras, limitação do raio de explosão (blast radius)
• Risco na cadeia de suprimentos em servidores MCP de terceiros e habilidades compartilhadas
Laboratório: Assistir a um agente ser sequestrado por um repositório envenenado, depois endurecer (hardening) a configuração para evitar isso
Implementando esta solução em uma equipe
• Um caminho de adoção faseada; o que padronizar e o que deixar para iniciativa individual
• Métricas que indicam valor real, e aquelas que não indicam
Requisitos
• Conhecimento prático de Python, Git e linha de comando
• Exposição prévia a algum assistente de código com IA
• A NobleProg configurará VMs do Dadesktop para os participantes, contendo Docker, VS Code e Python 3.11 ou posterior
• Um assistente de código com IA funcional da escolha do participante: Claude Code, GitHub Copilot, Cursor, Codex CLI ou Gemini CLI. Os laboratórios são independentes de ferramenta e instruções são fornecidas para cada um
Público-alvo
• Engenheiros de software, líderes técnicos e arquitetos que utilizam assistentes de código com IA sem obter resultados confiáveis
• Engenheiros de plataforma e experiência do desenvolvedor implementando ferramentas de IA em equipes
• Gerentes de engenharia definindo padrões, barreiras de segurança e métricas de sucesso
Treinamento Corporativo Personalizado
Soluções de treinamento projetadas exclusivamente para empresas.
- Conteúdo Personalizado: Adaptamos o programa e os exercícios práticos aos objetivos e necessidades reais do seu projeto.
- Horário Flexível: Datas e horários adaptados à agenda da sua equipe.
- Formato: Online (ao vivo), In-Company (em suas instalações) ou Híbrido.
Preço por grupo privado, treinamento online ao vivo, a partir de 1300 € + VAT*
Entre em contato conosco para obter um orçamento preciso e conhecer nossas promoções mais recentes
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
