Plan Szkolenia
Od autouzupełniania do agentów: dlaczego agenci ponoszą porażki
• Anatomia agenta kodującego: model, osłona (harness), powierzchnia narzędzi, kontekst, uprawnienia
• Gdzie plasują się poszczególne narzędzia: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Taksonomia porażek: błędny kontekst, niewłaściwe narzędzia, brak sprzężenia zwrotnego, nieograniczona autonomia
Demonstracja: To samo zadanie wykonane dobrze i źle obok siebie
Inżynieria kontekstu
• Okno kontekstu jako budżet: co zasługuje na miejsce w nim
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — jedna koncepcja, wiele nazw plików, jedno źródło prawdy
• Konwencje, polecenia budowania i testów, granice architektoniczne
• Pobieranie (retrieval) versus jawny kontekst; dekompozycja zadań i sub-agentow
Laboratorium: Napisanie kontekstu repozytorium dla nieznanej usługi Python, następnie ponowne uruchomienie nieudanego zadania i porównanie wyników
Wielokrotnego użytku workflow i umiejętności agentów (Agent Skills)
• Wybieranie abstrakcji: plik instrukcji, umiejętność (skill), niestandardowe polecenie lub zwykły skrypt
• Anatomia umiejętności (skill): wyzwalacz, instrukcje, osadzone skrypty, stopniowe ujawnianie informacji
• Przenośność między narzędziami i moment początkowego lock-inu (uzależnienia)
• Wersjonowanie, przeglądanie i dystrybucja w zespole; powszechne antywzorce
Laboratorium: Zbudowanie i przetestowanie wielokrotnego użytku workflow wymuszającego domowy standard kodowania
MCP: łączące agenty z rzeczywistymi systemami
• Architektura: klienci, serwery, narzędzia, zasoby i prompty; transporty stdio i HTTP
• Serwery, które zyskują swoją pozycję: hosting Git, systemy śledzenia problemów (issue trackers), bazy danych, przeglądarki, wewnętrzne API
• Kiedy CLI lub skrypt wygrywa z serwerem MCP
• Hygiena powierzchni narzędzi: dlaczego więcej narzędzi oznacza mniejszą niezawodność
Laboratorium: Podłączenie serwerów MCP i przetworzenie zgłoszenia (ticket) od początku do końca — problem, branch, patch, testy, pull request
Pętle sprzężenia zwrotnego i ewaluacja
• Testy, typowanie (types) i linter jako prawda podstawowa agenta; praca z podejściem test-first jako mechanizm kontroli
• CI jako pętla zewnętrzna i dyscyplina przeglądów zmian (diffs) autorstwa agenta
• Zestawy ewaluacyjne Golden-task: co mierzyć i jak wychwytywać regresje
• Koszt i latencja jako metryki pierwszorzędne (first-class)
Laboratorium: Zbudowanie małego zestawu ewaluacyjnego i ocenienie dwóch konfiguracji agentów na jego podstawie
Bezpieczeństwo i osłony zabezpieczające
• Iniekcja promptu poprzez problemy (issues), pull requesty, README, zależności i ściągane strony
• Modele uprawnień: białe listy (allowlists), aprobaty, narzędzia tylko do odczytu, kontrola wyjścia sieciowego (egress)
• Hygiena sekretów i izolacja (sandboxing): kontenerych, jednorazowe dane uwierzytelniające, ograniczanie skutków eksplozji (blast radius)
• Ryzyko łańcucha dostaw w przypadku zewnętrznych serwerów MCP i współdzielonych umiejętności
Laboratorium: Obserwacja porwania agenta przez zatrute repozytorium, a następnie wzmocnienie konfiguracji tak, aby do tego nie dochodziło
Wdrażanie tego na poziomie zespołu
• Scenariusz etapowego wdrożenia; co standaryzować, a co pozostawić indywidualnemu wyborowi
• Metryki wskazujące na rzeczywistą wartość oraz te, które takiej nie odzwierciedlają
Wymagania
• Wiedza praktyczna z zakresu Pythona, Gita i wiersza poleceń (CLI)
• Poprzednie doświadczenie z jakimkolwiek asystentem kodującym AI
• NobleProg przygotuje dla uczestników maszyny wirtualne Dadesktop z Dockerem, VS Code oraz Python 3.11 lub nowszym
• Działający asystent kodujący AI według wyboru uczestnika: Claude Code, GitHub Copilot, Cursor, Codex CLI lub Gemini CLI. Zajęcia praktyczne są agnostyczne względem narzędzi i dostarczono instrukcje dla każdego z nich
Grupa docelowa
• Inżynierowie oprogramowania, kierownicy techniczni i architekci korzystający z asystentów kodujących AI bez uzyskiwania niezawodnych wyników
• Inżynierowie platformowi i działający na rzecz doświadczenia deweloperów (DX) wdrażający narzędzia AI w zespołach
• Menadżerowie inżynierscy ustanawiający standardy, osłony zabezpieczające i metryki sukcesu
Opinie uczestników (3)
Trener jest cierpliwy i bardzo pomocny. Doskonale zna temat.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Szkolenie - Agentic AI for Business Automation: Use Cases & Integration
Przetłumaczone przez sztuczną inteligencję
Dobra mieszanka wiedzy i praktyki
Ion Mironescu - Facultatea S.A.I.A.P.M.
Szkolenie - Agentic AI for Enterprise Applications
Przetłumaczone przez sztuczną inteligencję
Mieszanina teorii i praktyki oraz perspektyw na poziomie wysokim i niskim
Ion Mironescu - Facultatea S.A.I.A.P.M.
Szkolenie - Autonomous Decision-Making with Agentic AI
Przetłumaczone przez sztuczną inteligencję