Programowanie wspomagane AI – agencyjna praca z kodem, refaktoryzacja i automatyzacja zadań programistycznych

Charakterystyka

Duże modele językowe stają się coraz częściej realnym narzędziem w pracy programisty, a nie tylko dodatkiem do generowania fragmentów kodu. Ich wartość w środowisku programistycznym wynika z umiejętności szybkiego zrozumienia istniejącego kodu źródłowego, planowania zmian, refaktoryzacji, generowania testów, dokumentowania rozwiązań oraz automatyzacji powtarzalnych zadań technicznych.

Kurs „Programowanie wspomagane AI – agencyjna praca z kodem, refaktoryzacja i automatyzacja zadań programistycznych” został przygotowany dla programistów, którzy chcą przejść od okazjonalnego korzystania z AI do świadomej, kontrolowanej i bezpiecznej pracy z agentami kodującymi. Uczestnicy uczą się nie tylko obsługi wybranych narzędzi, takich jak Claude Code, Codex czy Cursor, ale przede wszystkim dobrych praktyk pracy z LLM w repozytorium: od właściwego przygotowania kontekstu, przez planowanie zmian, po weryfikację wyników i integrację AI z codziennym procesem tworzenia oprogramowania.

Program ma charakter praktyczny. Obejmuje zarówno podstawy LLM i agentów, jak i tematy bezpośrednio przydatne w pracy zespołowej: konfigurację repozytorium, ustawienia narzędzi, tworzenie i stosowanie umiejętności agenta, pracę w trybie planowania, realizację zadań na otwartych repozytoriach, wykorzystanie subagentów oraz integrację z MCP. Dzięki temu uczestnicy kończą kurs z zestawem technik, które można od razu zastosować w codziennej pracy z kodem.

Wymagania

Zalecane jest doświadczenie w pracy programistycznej, znajomość podstaw Gita oraz umiejętność poruszania się po repozytorium kodu. Uczestnik powinien znać co najmniej jeden język programowania na poziomie umożliwiającym czytanie i modyfikowanie kodu, a przykłady będą pokazywane w Pythonie. Kurs nie wymaga wcześniejszego doświadczenia z Claude Code, Codex, Cursor czy MCP, chociaż podstawowa znajomość pracy w terminalu będzie pomocna.

Grupa docelowa

• Programiści średniozaawansowani i zaawansowani;
• Developerzy pracujący z istniejącymi, złożonymi lub słabo udokumentowanymi repozytoriami;
• Członkowie zespołów tworzących oprogramowanie, którzy chcą uporządkować praktyki korzystania z AI w codziennej pracy;
• Tech leadzi i senior developerzy odpowiedzialni za jakość kodu, przeglądy kodu oraz wybór narzędzi programistycznych;
• Osoby, które chcą świadomie używać LLM do analizy kodu, refaktoryzacji, dokumentacji, testowania i automatyzacji zadań technicznych.

1. Podstawy LLM i agentów w pracy programisty

• Czym jest LLM z perspektywy programisty
• Różnice między modelem językowym, asystentem kodu a agentem kodującym
• Jak model analizuje kontekst, kod, instrukcje i historię interakcji
• Ograniczenia LLM
• Rola programisty jako osoby odpowiedzialnej za decyzje techniczne
• Typowe zastosowania LLM w tworzeniu oprogramowania

2. Konfiguracja Claude Code, Codex i Cursor do codziennej pracy z AI

• Przegląd narzędzi używanych w agencyjnej pracy z kodem
• Claude Code, Codex i Cursor – różnice w przepływie pracy i typowych zastosowaniach
• Instalacja, konfiguracja i przygotowanie środowiska programistycznego
• Właściwe przygotowanie repozytorium do pracy z AI
• Zasady przygotowania struktury projektu, dokumentacji i instrukcji dla agenta
• Praca z terminalem, IDE i repozytorium w trybie wspomaganym AI
• Kontrolowanie zakresu zmian i minimalizowanie ryzyka niechcianych modyfikacji

3. Agents.md, CLAUDE.md i skills.md jako moduły organizujące pracę z agentem

• Czym są główne pliki agencyjne w formacie Markdown i jaką rolę odgrywają w pracy z LLM
• Różnica między jednorazowym promptem a stałą instrukcją projektu
• Jak tworzyć umiejętności opisujące standardy kodowania, testowania i dokumentacji
• Organizacja umiejętności dla różnych typów zadań
• Przykłady dobrych i złych instrukcji dla agenta

4. Tryb planowania w praktyce

• Czym jest tryb planowania i kiedy warto go używać
• Planowanie przed wprowadzeniem zmian w kodzie
• Analiza ryzyka, zależności i potencjalnych skutków ubocznych
• Przełożenie planu na konkretne działania w repozytorium
• Iteracyjne kierowanie agentem
• Ocena jakości planu wygenerowanego przez AI

5. Ćwiczenia praktyczne na otwartych repozytoriach

• Wdrożenie do nieznanego kodu źródłowego przy użyciu LLM
• Identyfikacja punktów wejścia, zależności i przepływu logiki
• Realizacja realistycznych zadań zespołowych przy użyciu agenta
• Refaktoryzacja fragmentu kodu pod kątem czytelności i łatwości utrzymania
• Generowanie lub uzupełnianie testów
• Aktualizacja dokumentacji technicznej i pliku README

6. Subagenci w praktyce

Czym są subagenci i kiedy warto delegować zadania

Podział pracy między agentami:

• Projektowanie zakresu odpowiedzialności subagenta
• Praca równoległa i weryfikacja spójności wyników
• Zastosowanie subagentów do większych zadań refaktoryzacyjnych

7. MCP jako sposób na rozszerzenie możliwości agenta

• Czym jest MCP i jaką rolę odgrywa w pracy z narzędziami AI
• Klient, serwer MCP i źródła kontekstu
• Podłączanie agenta do dodatkowych narzędzi, danych i przepływów pracy
• Przykłady zastosowań MCP w pracy programisty

8. Bezpieczeństwo, jakość i odpowiedzialność w pracy z AI

• Ryzyko wycieku kodu, danych, logiki biznesowej i informacji architektonicznych
• Zasady pracy z kodem produkcyjnym i fragmentami krytycznymi dla bezpieczeństwa
• Weryfikacja zmian wygenerowanych przez AI
• AI w procesie przeglądu kodu
• Najlepsze praktyki wdrażania agencyjnej pracy z kodem w organizacji

9. Podsumowanie i praktyczne wdrożenie

• Kluczowe zasady skutecznej współpracy programisty z LLM
• Jak przenieść wiedzę z kursu do codziennego przepływu pracy
• Minimalny zestaw praktyk do wdrożenia po kursie