Hace unos meses salió la GH-600 (GitHub Certified: Agentic AI Developer), una de las primeras certificaciones enfocadas en agentes de IA dentro del ciclo de vida del software. Me puse a estudiar con los recursos oficiales de Microsoft Learn y me choqué con lo de siempre: módulos cortos, muchos títulos y poco contenido que me sirviera de verdad. Cubren tal vez un 35 a 45% del peso real del examen.
Así que hice lo que hago siempre: agarré el temario oficial y armé mis propios apuntes. En español, formato cuaderno, cubriendo los 6 dominios completos, con un LAB práctico al final de cada uno. Los fui publicando gratis a medida que avanzaba.
Este post es un resumen de lo que saqué en limpio de cada dominio, por si estás preparando la GH-600 o querés entender de qué va antes de meterte.
Los 6 dominios, con un aprendizaje honesto de cada uno
D1: Arquitectura y SDLC. Qué es un agente y dónde lo insertás en el flujo de desarrollo. Un agente no es un chatbot: es un actor con objetivos, límites y acceso a tools, embebido en el SDLC.
D2: Tools y MCP. El perímetro. El agente vive adentro de cuatro allow-lists encimadas (tools, MCP servers, contexto de ejecución, y acciones autónomas). Si una queda abierta por default, se acabó el perímetro, por más prolijas que estén las otras tres.
D3: Memoria y estado. Copilot Memory borra los facts que no se usan en 28 días, y eso no es un bug: es el guardrail que evita que la memoria se contamine con el tiempo. Además, la "smart zone" del modelo (donde realmente atiende) ronda los 100K tokens, no el tamaño total de la ventana.
D4: Evaluación y tuning. Un PR puede pasar tests, lint y scanning y aun así estar mal, porque las signals automáticas no saben qué declaraste como scope. Y decirle "no hagas X" en un comentario no tunea al agente: si no lo persistís en instructions, workflows, memoria o tools, la próxima sesión arranca de cero. El feedback es configuración, no conversación.
D5: Orquestación multi-agente. El multi-agente no sale gratis: Anthropic reporta unas 15x los tokens en su sistema de research, y coding es el contraejemplo donde un solo agente bien llevado suele ganar. El patrón que sí camina es dejar las escrituras en un solo hilo: un researcher read-only que propone y un único editor que toca el código.
D6: Guardrails y accountability. Niveles de autonomía por riesgo (operativo, security, compliance), human-in-the-loop obligatorio para lo irreversible, y least-privilege transversal. Un detalle que confunde: el "agent firewall" de red es built-in, no un panel que configurás.
Sobre el uso de IA (honesto)
Claude me asiste como partner de investigación (verificar conceptos contra fuentes oficiales, contrastar interpretaciones) y como editor (gramática, fluidez, cazar inconsistencias). La parte específica del examen sale de leer las fuentes oficiales con cuidado, hacer zoom sobre lo que más se confunde, y probar hands-on cuando la cuenta lo permite. No es output de un LLM corriendo sobre el study guide, pero tampoco es el testimonio de alguien que ya rindió: es estudio en público.
Qué es y qué no es
No es un exam dump ni preguntas tipo test. Es un cuaderno de estudio: teoría densa, código real, y un LAB por dominio. Autocontenido, o sea que enseña el tema sin obligarte a abrir la fuente en paralelo.
Dónde están
Los apuntes completos, gratis y en español:
- Blog: https://matiasbeltramone.com/apuntes/github-agentic-ai/
- Índice y recursos en GitHub: https://github.com/matiasbeltramone/gh-600-apuntes
Si te sirven, una star en el repo me ayuda a que lo encuentre más gente que esté estudiando.
Soy Matías Beltramone, System Engineer con más de 10 años de experiencia en el mercado. Escribo apuntes y series técnicas en mi blog.