Formazione Sviluppo Software AI – Smetti di fare da babysitter agli editor AI

Formazione Sviluppo Software AI

Un corso pratico e hands-on per team di ingegneria. Impara ad automatizzare l'intero ciclo di sviluppo software con agenti AI che girano dentro GitHub Actions — non dentro il tuo editor. Basato sul toolkit open-source di ingegneria dell'harness CodeFactory e monorepo di produzione reali.

Formato:

2 x mezza giornata

Sessioni di formazione pratica

Additional material

Hints & Tips ebook

1-6 persone:

€900

7-12 persone:

€1100

Pratica sul tuo repository Prova FlowHunt gratuita

Prenota ora

Sessione 1:

Parte 1 – Fondamenti di ingegneria dell'harness

Imparerai:

• Perché fare da babysitter a un editor AI non scala
• Ingegneria dell'harness: gli umani guidano, gli agenti eseguono
• Bootstrap di un repo con il CLI CodeFactory
• Rilevamento di stack, livelli di rischio e confini architetturali
• Scrivere CLAUDE.md come control plane dell'agente
• Versionare prompt e guard come codice
• Hook pre-commit, gate di policy di rischio e file protetti

Sessione 2:

Parte 2 – Sviluppo automatizzato in GitHub Actions

Imparerai:

• Agenti di issue triage, planner e implementer
• Agenti di review read-only con verdetti strutturati
• Loop di remediation e auto-revert dei file protetti
• Pipeline CI con gate di rischio e disciplina SHA
• Doc gardening e metriche settimanali dell'harness
• Esecuzione live del loop completo issue → PR → merge
• Adattamento degli harness alla tua codebase

Mostra la tua competenzacon il nostro certificato!

Smetti di fare da babysitter all’editor AI

La maggior parte degli sviluppatori oggi usa l’AI nel modo sbagliato. Stanno seduti in Cursor o Copilot Chat, accettano un suggerimento, scrollano, ne accettano un altro, annullano, riprovano, incollano un errore nel chat e chiamano la giornata conclusa. Sembra produttivo, ma è lavoro manuale travestito da AI. L’umano è ancora il collo di bottiglia. L’agente sta ancora indovinando. Nulla è ripetibile, nulla è revisionabile, e nulla scala oltre uno sviluppatore e un branch.

Questa formazione ribalta il modello. Il tuo team imparerà a spostare il coding AI fuori dall’editor e dentro GitHub Actions, dove gli agenti girano in runner effimeri, protetti da prompt versionati e gate qualità automatizzati. Lo sviluppatore apre un issue, revisiona una pull request e clicca merge. Tutto quello che c’è in mezzo — triage, pianificazione, implementazione, code review, remediation — avviene automaticamente, su infrastruttura CI commodity.

Il toolkit harness CodeFactory

Insegniamo sopra CodeFactory , un CLI open-source che effettua il bootstrap di un harness di sicurezza per agenti completo in qualsiasi repository esistente. Un comando — codefactory init — e il tuo repo ottiene 16 harness e oltre 14 workflow GitHub Actions su misura per il tuo stack:

• Un contratto di rischio (harness.config.json) che classifica ogni file in Tier 1, 2 o 3 e impone il giusto livello di controllo
• Istruzioni agente (CLAUDE.md) che descrivono convenzioni, regole di dipendenza e file protetti
• Un agente di issue triage che valuta chiarezza, riproducibilità e scope prima che venga scritta qualsiasi riga di codice
• Un issue planner che legge la codebase in read-only e pubblica un piano di implementazione strutturato
• Un issue implementer che crea un branch, implementa il cambiamento, esegue la validazione di base e apre una PR
• Un agente di review che gira con strumenti read-only ed emette un verdetto APPROVE / REQUEST_CHANGES / COMMENT classificato da un secondo modello leggero
• Un loop di remediation che riporta i verdetti di review all’implementer per fino a tre cicli di auto-fix prima di escalare a un umano
• Workflow di doc gardening, test strutturali, harness smoke test e metriche settimanali che mantengono in salute l’harness stesso

Tutto vive nel repository. Nessuna dashboard esterna, nessun vendor lock-in, nessuno stato nascosto. Modificare un prompt è una normale pull request.

Esempio di produzione reale: sport-affiliate

Attraversiamo QualityUnit/sport-affiliate , un vero monorepo di produzione (tre siti Next.js, un engine condiviso e una pipeline dati Python) che esegue l’harness CodeFactory completo. Leggerai i file di workflow, prompt e script di guard reali che lo guidano:

• 15 workflow GitHub Actions che orchestrano l’intero loop issue → PR → merge
• Quattro prompt personalizzati in .codefactory/prompts/ (issue-triage.md, issue-planner.md, issue-implementer.md, review-agent.md)
• Script di guard TypeScript (scripts/*-guard.ts) che pre-controllano ogni esecuzione di agente e decidono se debba anche iniziare
• Una pipeline CI fail-fast a quattro stadi che salta build Next.js complete (25 minuti ciascuna) in favore di type-check + lint + test strutturali
• Disciplina SHA: ogni job downstream fa checkout dell’esatto SHA riportato dal gate di rischio così un agente non può race-push a metà pipeline
• File protetti (.github/workflows/*, harness.config.json, CLAUDE.md, file di lock, config di deployment) che vengono auto-revertati se un agente li tocca
• Il prompt di review caricato da origin/main — non dal branch della PR — così le PR scritte dall’agente non possono manomettere il proprio reviewer

L’esperienza sviluppatore end-to-end è questa: un umano apre un issue. L’agente di triage lo etichetta, fa domande di chiarimento se necessario, e lo passa al planner. Il planner pubblica un piano di implementazione come commento. L’implementer crea issue-N, implementa il cambiamento, esegue i gate qualità e apre una PR. L’agente di review revisiona. Se vengono richiesti cambiamenti, l’implementer viene riavviato in modalità review-fix — fino a tre cicli — prima di escalare a un umano. Gli unici punti di contatto umani sono l’apertura dell’issue e l’approvazione del merge finale.

Cosa si porterà a casa il tuo team

Alla fine della formazione i tuoi sviluppatori saranno in grado di fare il bootstrap di questo esatto setup nei propri repository, scrivere e tunare i propri prompt degli agenti, definire livelli di rischio che corrispondano alla loro architettura, e misurare se l’harness sta funzionando davvero attraverso metriche Mean-Time-To-Harness e SLO. Usciranno con un harness in esecuzione su uno dei tuoi repository reali — non un esempio giocattolo.

Unisciti alla prossima coorte

Prenota il tuo posto oggi!

Il futuro non aspetta — contattaci ora e prenota la tua formazione sviluppo software AI per iniziare ad automatizzare il tuo workflow di ingegneria.

Contattaci