Guía de estudio GH-600: cómo preparar el examen de IA agéntica de GitHub

El perfil de público que describe Microsoft para este examen corresponde a una persona con experiencia en operar, integrar, supervisar y gobernar agentes de IA dentro de flujos de trabajo SDLC de nivel productivo, usando GitHub como sistema de registro y plano de control. Las responsabilidades de esa persona, tal como las enuncia la guía de estudio, incluyen operar flujos de trabajo de agentes dentro del SDLC, supervisar el comportamiento autónomo con los propios controles de GitHub, evaluar y ajustar los resultados de los agentes mediante análisis y artefactos, configurar agentes personalizados y coordinar la ejecución multiagente de forma segura. Trabajan junto a arquitectos, ingenieros de plataforma, ingenieros DevOps, desarrolladores de aplicaciones, product managers e ingenieros de seguridad.

En cuanto a experiencia, la guía de estudio espera familiaridad con el ciclo de vida de desarrollo de software, los flujos de trabajo y controles de GitHub, la calidad del código, la seguridad y las prácticas de revisión, además de horas de práctica con agentes de programación, entre ellos GitHub Copilot, servidores MCP y la personalización de agentes, como instrucciones personalizadas, agentes personalizados, herramientas y pasos de configuración de Copilot. En cuanto a la logística: el examen es supervisado, se programa mediante Pearson VUE, dura dos horas, cuesta US$165 (el precio varía según el país o la región), se ofrece en inglés y requiere una puntuación escalada de 700 o más para aprobar. Un intento fallido puede repetirse 24 horas después; las páginas de Microsoft no publican el número de preguntas ni la tasa de aprobados, así que esta guía no inventa ninguno.

Cada dato de esta página se contrastó con dos páginas consultadas directamente al redactarla: «Study guide for Exam GH-600: Developing in Agentic AI Systems» de Microsoft Learn y su página «GitHub Certified: Agentic AI Developer», ambas en learn.microsoft.com, leídas el 26 de octubre de 2026. Si alguna de las dos cambia un peso, un precio o un dominio, esta página debería cambiar también; nada de lo que aparece aquí proviene de un sitio de exámenes de práctica de terceros ni de una publicación de foro.

Este dominio trata de dónde encaja un agente en tu proceso de desarrollo, no solo de si funciona. La guía de estudio de Microsoft lo divide en tres partes: encajar los agentes en el SDLC (identificar qué pasos debe realizar un agente, reconocer los antipatrones habituales y definir de antemano entradas, salidas y criterios de éxito); separar la planificación de la ejecución (configurar un agente para que produzca un plan estructurado, validar ese plan e impedir que el agente actúe hasta que el plan se haya revisado y aprobado); y configurar la observabilidad y el control (fijar el grado de autonomía adecuado, producir artefactos inspeccionables en tus herramientas habituales e incorporar la intervención humana sin frenar la entrega hasta casi detenerla).

El ejercicio de esta semana: elige una tarea real que le encargarías a un agente de programación. Antes de dejar que toque nada, pídele que escriba primero el plan, en texto plano: qué archivos va a tocar, el orden de los pasos y cómo se ve «terminado». Lee ese plan y apruébalo o recházalo antes de que se haga una sola edición. Ese es exactamente el límite que evalúa este dominio: un plan que produce el agente y una persona (o una regla) que lo revisa antes de que empiece la ejecución.

Este dominio trata de qué recuerda un agente y por cuánto tiempo. Abarca elegir entre memoria de corto plazo, de largo plazo y externa, y acotar la memoria a lo que es relevante para la tarea, con reglas sobre cuándo la memoria caduca, se poda o se reinicia; conservar el estado y gestionar la deriva de contexto, es decir, registrar el avance y las decisiones como artefactos duraderos para que un agente pueda retomar el trabajo sin repetir pasos ni contradecir decisiones anteriores, y detectar la deriva durante una ejecución larga; y mantener la memoria y el estado coherentes entre herramientas y entornos, de modo que los agentes compartan estado sin contextos en conflicto u obsoletos.

El ejercicio de esta semana: antes de empezar una tarea de varios pasos con un agente, crea un archivo de estado breve (el texto plano basta) que registre el objetivo, las decisiones tomadas hasta ahora y lo que falta. Actualízalo después de cada paso en lugar de confiar en la memoria que el agente tiene de la conversación. Cierra la sesión, vuelve a abrirla días después y comprueba si ese archivo por sí solo basta para retomar exactamente donde lo dejaste.

Este dominio abarca ejecutar más de un agente a la vez sin que se peleen entre sí. La guía de estudio de Microsoft lo agrupa en operar flujos de trabajo multiagente (aplicar un patrón de orquestación, aislar a los agentes para la ejecución en paralelo y detectar y resolver conflictos como cambios de código que se superponen o resultados contradictorios); configurar la observabilidad entre agentes (producir artefactos aptos para revisión y auditoría, y documentar traspasos y decisiones); detectar y responder a fallos multiagente (identificar ejecuciones detenidas o degradadas y aplicar patrones de recuperación, incluidos la reversión y la intervención humana); y gestionar el ciclo de vida de los agentes dentro de un flujo de trabajo sin interrumpirlo.

El ejercicio de esta semana: dale a dos agentes de programación el mismo repositorio, cada uno en su propia rama, cada uno con un cambio que se superpone (el mismo archivo, ediciones distintas). Deja que ambos terminen, resuelve tú mismo el conflicto de fusión y escribe una frase sobre qué superposición evitarías la próxima vez, ya sea acotando a un agente a otro archivo o poniendo las dos tareas en secuencia en lugar de ejecutarlas en paralelo.