Bądźmy w kontakcie

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

 7 godzin

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (3)

Propozycje terminów

Powiązane Kategorie