AI-softwareudviklingstræning
Del 1 – Fundamentet for harness engineering
Du vil lære:
- Hvorfor pasning af en AI-editor ikke skalerer
- Harness engineering: mennesker styrer, agenter udfører
- Bootstrapping af et repo med CodeFactory CLI
- Detektion af stak, risikotier og arkitektoniske grænser
- Skrivning af CLAUDE.md som agentens kontrolplan
- Versionering af prompts og guards som kode
- Pre-commit hooks, risikopolicy-gates og beskyttede filer
Del 2 – Automatiseret udvikling i GitHub Actions
Du vil lære:
- Issue-triage-, planner- og implementer-agenter
- Read-only review-agenter med strukturerede kendelser
- Afhjælpningsløkker og auto-revert af beskyttede filer
- Risikostyrede CI-pipelines med SHA-disciplin
- Doc gardening og ugentlige harness-metrikker
- Kørsel af den fulde issue → PR → merge-løkke live
- Tilpasning af harnessene til din egen kodebase
Vis din ekspertisemed vores certifikat!
Stop med at passe AI-editoren
De fleste udviklere bruger i dag AI på den forkerte måde. De sidder i Cursor eller Copilot Chat, accepterer et forslag, scroller, accepterer et andet, fortryder, prøver igen, indsætter en fejl tilbage i chatten og kalder det en dag. Det føles produktivt, men det er manuelt arbejde i AI-kostume. Mennesket er stadig flaskehalsen. Agenten gætter stadig. Intet er gentageligt, intet er reviewerbart, og intet skalerer ud over én udvikler og én branch.
Denne træning vender modellen på hovedet. Dit team lærer at flytte AI-kodning ud af editoren og ind i GitHub Actions, hvor agenter kører i efemere runners, beskyttet af versionerede prompts og automatiserede kvalitetsgates. Udvikleren åbner en issue, reviewer en pull request og klikker merge. Alt derimellem — triage, planlægning, implementering, kodereview, afhjælpning — sker automatisk på almindelig CI-infrastruktur.
CodeFactory harness-værktøjssættet
Vi underviser oven på CodeFactory
, et open source CLI, der bootstrapper et komplet agent-sikkerheds-harness ind i ethvert eksisterende repository. Én kommando — codefactory init — og dit repo får 16 harnesses og 14+ GitHub Actions-workflows skræddersyet til din stak:
- En risikokontrakt (
harness.config.json), der klassificerer hver fil som Tier 1, 2 eller 3 og håndhæver det rigtige granskningsniveau - Agent-instruktioner (
CLAUDE.md), der beskriver konventioner, afhængighedsregler og beskyttede filer - En issue-triage-agent, der evaluerer klarhed, reproducerbarhed og scope, før nogen kode skrives
- En issue-planner, der læser kodebasen read-only og poster en struktureret implementeringsplan
- En issue-implementer, der opretter en branch, implementerer ændringen, kører baseline-validering og åbner en PR
- En review-agent, der kører med read-only værktøjer og udsender en APPROVE / REQUEST_CHANGES / COMMENT-kendelse klassificeret af en anden letvægtsmodel
- En afhjælpningsløkke, der fører review-kendelser tilbage til implementeren i op til tre auto-fix-cyklusser, før der eskaleres til et menneske
- Doc gardening-, strukturtest-, harness smoke test- og ugentlige metrikker-workflows, der holder harnesset selv sundt
Alt lever i repositoryet. Ingen eksterne dashboards, ingen vendor lock-in, ingen skjult state. At redigere en prompt er en almindelig pull request.
Rigtigt produktionseksempel: sport-affiliate
Vi gennemgår QualityUnit/sport-affiliate , et rigtigt produktions-monorepo (tre Next.js-sites, en delt engine og en Python-datapipeline), der kører det fulde CodeFactory-harness. Du vil læse de faktiske workflow-filer, prompts og guard-scripts, der driver det:
- 15 GitHub Actions-workflows, der orkestrerer den komplette issue → PR → merge-løkke
- Fire tilpassede prompts i
.codefactory/prompts/(issue-triage.md,issue-planner.md,issue-implementer.md,review-agent.md) - TypeScript guard-scripts (
scripts/*-guard.ts), der pre-flighter hvert agent-kørsel og beslutter, om det overhovedet bør starte - En fire-trins fail-fast CI-pipeline, der springer fulde Next.js-builds over (25 minutter hver) til fordel for type-check + lint + strukturtest
- SHA-disciplin: hvert downstream-job checker præcis den SHA ud, som risikogaten rapporterede, så en agent ikke kan race-pushe midt i pipelinen
- Beskyttede filer (
.github/workflows/*,harness.config.json,CLAUDE.md, lock-filer, deployment-konfigurationer), der auto-reverteres, hvis en agent rører dem - Review-prompten indlæses fra
origin/main— ikke fra PR-branchen — så agent-forfattede PR’er ikke kan manipulere med deres egen reviewer
End-to-end-udvikleroplevelsen ser sådan ud: et menneske åbner en issue. Triage-agenten labeler den, stiller opklarende spørgsmål om nødvendigt og overdrager den til planneren. Planneren poster en implementeringsplan som en kommentar. Implementeren opretter issue-N, implementerer ændringen, kører kvalitetsgates og åbner en PR. Review-agenten reviewer. Hvis der anmodes om ændringer, dispatches implementeren igen i review-fix-tilstand — i op til tre cyklusser — før der eskaleres til et menneske. De eneste menneskelige berøringspunkter er at åbne issuen og godkende den endelige merge.
Hvad dit team tager med hjem
Ved slutningen af træningen vil dine udviklere kunne bootstrappe præcis denne opsætning i deres egne repositories, skrive og finjustere deres egne agent-prompts, definere risikotier, der matcher deres arkitektur, og måle, om harnesset faktisk virker, via Mean-Time-To-Harness- og SLO-metrikker. De går derfra med et kørende harness på et af dine rigtige repositories — ikke et legetøjseksempel.
Deltag i den næste kohorte
Reserver din plads i dag!
Fremtiden venter ikke — kontakt os nu og book din AI-softwareudviklingstræning for at begynde at automatisere dit ingeniør-workflow.