AI-assisted programming – agentowa praca z kodem, refaktoryzacja i automatyzacja zadań programistycznych

Charakterystyka

Duże modele językowe coraz częściej stają się realnym narzędziem pracy programisty, a nie jedynie dodatkiem do generowania fragmentów kodu. Ich wartość w środowisku developerskim wynika z możliwości szybkiego zrozumienia istniejącej bazy kodu, planowania zmian, refaktoryzacji, generowania testów, dokumentowania rozwiązań oraz automatyzowania powtarzalnych zadań technicznych.

Szkolenie „AI-assisted programming – agentowa praca z kodem, refaktoryzacja i automatyzacja zadań programistycznych” zostało przygotowane z myślą o programistach, 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 poprawnego przygotowania kontekstu, przez planowanie zmian, aż po weryfikację rezultatów i integrację AI z codziennym procesem developerskim.

Program został ułożony praktycznie. Obejmuje zarówno podstawy działania LLM i agentów, jak i zagadnienia bezpośrednio przydatne w pracy zespołowej: setup repozytorium, konfigurację 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 szkolenie z zestawem technik możliwych do natychmiastowego zastosowania w codziennej pracy nad kodem.

Wymagania

Rekomendowane jest doświadczenie w pracy programistycznej, znajomość podstaw Git oraz umiejętność poruszania się po repozytorium kodu. Uczestnik powinien znać przynajmniej jeden język programowania na poziomie umożliwiającym czytanie i modyfikowanie kodu, natomiast przykłady będą pokazane przy użyciu języka Python. Szkolenie nie wymaga wcześniejszego doświadczenia z Claude Code, Codex, Cursorem ani MCP, jednak podstawowa znajomość pracy w terminalu będzie pomocna.

Grupa docelowa

• Programiści na poziomie średniozaawansowanym i zaawansowanym;
• Developerzy pracujący z istniejącymi, złożonymi lub słabo udokumentowanymi repozytoriami;
• Członkowie zespołów software development, którzy chcą uporządkować praktyki korzystania z AI w codziennej pracy;
• tech leadzi i senior developerzy odpowiedzialni za jakość kodu, code review oraz dobór narzędzi developerskich;
• osoby chcące świadomie wykorzystywać LLM do analizy kodu, refaktoryzacji, dokumentowania, testowania i automatyzacji zadań technicznych.

1. Podstawy działania LLM oraz agentów w pracy developera

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

2. Setup Claude Code, Codex i Cursora do codziennej pracy z AI

• Przegląd narzędzi wykorzystywanych w agentowej pracy z kodem
• Claude Code, Codex i Cursor – różnice w sposobie pracy i typowych zastosowaniach
• Instalacja, konfiguracja i przygotowanie środowiska developerskiego
• Poprawny setup repozytorium pod pracę z AI
• Zasady przygotowania struktury projektu, dokumentacji i instrukcji dla agenta
• Praca z terminalem, IDE i repozytorium w trybie wspieranym przez AI
• Kontrola zakresu zmian i minimalizowanie ryzyka niepożądanych modyfikacji

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

• Czym jest są główne agentowe pliki markdown i jaką rolę pełnią w pracy z LLM
• Różnica między jednorazowym promptem a trwałą instrukcją projektową
• Jak tworzyć skills opisujące standardy kodowania, testowania i dokumentowania
• Organizacja skills dla różnych typów zadań
• Przykłady dobrych i złych instrukcji dla agenta

4. Plan Mode w praktyce

• Czym jest Plan Mode i kiedy warto go używać
• Planowanie przed wykonaniem zmian w kodzie
• Analiza ryzyk, zależności i potencjalnych skutków ubocznych
• Przekładanie planu na konkretne działania w repozytorium
• Iteracyjne prowadzenie agenta
• Ocenianie jakości planu wygenerowanego przez AI

5. Ćwiczenia praktyczne na otwartych repozytoriach

• Onboarding do nieznanej bazy kodu z pomocą LLM
• Identyfikacja punktów wejścia, zależności i przepływu logiki
• Realizacja realistycznych zadań zespołowych z wykorzystaniem agenta
• Refaktoryzacja fragmentu kodu pod kątem czytelności i utrzymywalności
• Generowanie lub uzupełnianie testów
• Aktualizacja dokumentacji technicznej i README

6. Subagents w praktyce

Czym są subagenci i kiedy warto delegować zadania

Podział pracy między agentów:

• Projektowanie zakresu odpowiedzialności subagenta
• Praca równoległa i kontrola spójności rezultatów
• Zastosowanie subagentów w większych zadaniach refaktoryzacyjnych

7. MCP jako sposób rozszerzania możliwości agenta

• Czym jest MCP i jaką rolę pełni w pracy z narzędziami AI
• Klient, serwer MCP i źródła kontekstu
• Łączenie agenta z dodatkowymi narzędziami, danymi i workflow
• Przykłady zastosowań MCP w pracy programisty

8. Bezpieczeństwo, jakość i odpowiedzialność w pracy z AI

• Ryzyko wycieku kodu, danych, logiki biznesowej i informacji o architekturze
• Zasady pracy z kodem produkcyjnym i fragmentami krytycznymi bezpieczeństwa
• Weryfikacja zmian generowanych przez AI
• AI w procesie code review
• Najlepsze praktyki wdrażania agentowej pracy z kodem w organizacji

9. Podsumowanie i wdrożenie w praktyce

• Najważniejsze zasady efektywnej pracy developera z LLM
• Jak przenieść wiedzę ze szkolenia do codziennego workflow
• Minimalny zestaw praktyk do wdrożenia po szkoleniu