Construye una Plataforma de Agentes AI en .NET 10 con GitHub Copilot

5:30 下午 - 6:30 下午 (UTC)

En esta sesión construiremos una solución .NET 10 completamente conectada que será el núcleo de OpenClawNet. Configuraremos .NET Aspire para orquestación de servicios, construiremos el Gateway API usando Minimal APIs, agregaremos chat en tiempo real con SignalR, crearemos una interfaz web con Blazor, conectaremos con Ollama para inferencia local de IA, y persistiremos el historial de chat con SQLite y EF Core. Al final tendremos un chatbot local completamente funcional en tu navegador. Envía un mensaje, mira cómo vuelve en streaming desde tu LLM local, y observa cómo se persiste en la base de datos. Una base sólida para todo lo que viene después. Tópicos y Tecnologías Clave: Arquitectura de soluciones y organización de proyectos Orquestación de servicios Aspire y health checks ASP.NET Core Minimal APIs y diseño de endpoints SignalR para comunicación WebSocket en tiempo real Blazor (Server-side rendering) para interfaz interactiva Integración de Ollama para inferencia local de LLM SQLite con EF Core para persistencia de sesiones Enrutamiento en Gateway y middleware

5:30 下午 - 6:30 下午 (UTC)

En esta sesión transformaremos nuestro chatbot en un agente inteligente capaz de llamar herramientas para interactuar con el mundo exterior. Construiremos un framework de herramientas con las interfaces ITool, IToolRegistry e IToolExecutor, e implementaremos herramientas listas para producción para acceso al sistema de archivos, comandos shell, obtención de contenido web, y programación de tareas — todo con medidas de seguridad integradas. Al final tendremos un agente que razona a través de tareas multi-paso por sí solo. Pídele que "Resuma el README de mi proyecto" o "Revisa qué hay en mi carpeta de Descargas" — desglosará el problema en pasos, llamará a las herramientas correctas, y reportará los resultados. Tópicos y Tecnologías Clave: Orquestación de agentes y bucles de razonamiento Abstracción de herramientas y patrones de diseño Consideraciones de seguridad (path traversal, command injection, SSRF) UI de herramientas y streaming de resultados Protocolo de function calling de LLM Inyección de dependencias y registro de servicios Logging estructurado y hooks de observabilidad

5:30 下午 - 6:30 下午 (UTC)

En esta sesión personalizaremos el agente con skills — paquetes de conocimiento reutilizables definidos en Markdown con frontmatter YAML — y agregaremos memoria de conversación para que retenga contexto entre sesiones. Construiremos un cargador de skills, implementaremos summarización automática para gestionar presupuestos de tokens, y crearemos una UI para activar y desactivar skills en tiempo real. Al final tendremos un agente que adapta su experiencia según los skills cargados y recuerda tus preferencias entre conversaciones. Agrega un skill de "Git Expert" o "JavaScript Mentor" y observa cómo cambia el comportamiento del agente. Tus usuarios pueden crear skills personalizados sin tocar código. Tópicos y Tecnologías Clave: Arquitectura de skills (Markdown + YAML) Parsing de Markdown y extracción de metadatos Caching en memoria y composición de skills Memoria de conversación y estrategias de summarización Presupuesto de tokens y gestión de ventana de contexto UI de skills con controles toggle Patrones de personalización de workspace

5:30 下午 - 6:30 下午 (UTC)

En esta sesión prepararemos el agente para producción. Agregaremos programación de tareas como servicio de fondo, integraremos Azure OpenAI y Azure AI Foundry como proveedores de modelos en la nube, construiremos dashboards de monitoreo, y escribiremos tests unitarios que verifiquen todo el stack. Al final tendremos una plataforma de agentes completa, testeada y lista para la nube con manejo de errores de nivel producción, múltiples proveedores de modelos AI, automatización programada, y dashboards de observabilidad. Despliégala en Azure Container Apps, App Service, o ejecútala on-premises con Ollama. Tópicos y Tecnologías Clave: BackgroundService para tareas de larga duración Integración de Azure OpenAI y selección de modelos Azure AI Foundry (inferencia, despliegues, evaluación) Patrones de testing unitarios para agentes y herramientas Health checks y diagnósticos del sistema Job queuing y tracking de estado Configuración para despliegues multi-ambiente (local, staging, producción)