AI Softwareontwikkelingstraining
Deel 1 – Fundamenten van Harness Engineering
Je zult leren:
- Waarom het babysitten van een AI-editor niet schaalt
- Harness engineering: mensen sturen, agents voeren uit
- Een repo bootstrappen met de CodeFactory CLI
- Stack, risicotiers en architecturale grenzen detecteren
- CLAUDE.md schrijven als het control plane van de agent
- Prompts en guards als code versioneren
- Pre-commit hooks, risicopoortjes en beschermde bestanden
Deel 2 – Geautomatiseerde ontwikkeling in GitHub Actions
Je zult leren:
- Issue triage, planner en implementer agents
- Read-only review agents met gestructureerde verdicts
- Remediatielussen en auto-revert van beschermde bestanden
- Risicogestuurde CI pipelines met SHA-discipline
- Doc gardening en wekelijkse harness metrics
- De volledige issue → PR → merge loop live uitvoeren
- Harnesses aanpassen aan je eigen codebase
Toon je expertiseMet ons certificaat!
Stop met het babysitten van de AI-editor
De meeste ontwikkelaars gebruiken AI tegenwoordig op de verkeerde manier. Ze zitten in Cursor of Copilot Chat, accepteren een suggestie, scrollen, accepteren er nog een, maken ongedaan, proberen opnieuw, plakken een foutmelding terug in de chat en noemen dat een werkdag. Het voelt productief, maar het is handwerk in een AI-kostuum. De mens is nog steeds de bottleneck. De agent gokt nog steeds. Niets is herhaalbaar, niets is reviewbaar, en niets schaalt voorbij één ontwikkelaar en één branch.
Deze training draait het model om. Je team leert AI coding uit de editor en in GitHub Actions te verplaatsen, waar agents draaien in tijdelijke runners, beschermd door geversioneerde prompts en geautomatiseerde kwaliteitspoorten. De ontwikkelaar opent een issue, bekijkt een pull request en klikt op merge. Alles daartussen — triage, planning, implementatie, code review, remediatie — gebeurt automatisch, op standaard CI-infrastructuur.
De CodeFactory harness toolkit
We trainen bovenop CodeFactory
, een open-source CLI die een complete agent-safety harness in elke bestaande repository bootstrapt. Eén commando — codefactory init — en je repo krijgt 16 harnesses en 14+ GitHub Actions workflows afgestemd op jouw stack:
- Een risicocontract (
harness.config.json) dat elk bestand classificeert in Tier 1, 2 of 3 en het juiste niveau van toezicht afdwingt - Agent-instructies (
CLAUDE.md) die conventies, afhankelijkheidsregels en beschermde bestanden beschrijven - Een issue triage agent die duidelijkheid, reproduceerbaarheid en scope beoordeelt voordat er code wordt geschreven
- Een issue planner die de codebase read-only leest en een gestructureerd implementatieplan post
- Een issue implementer die een branch aanmaakt, de wijziging implementeert, baseline-validatie draait en een PR opent
- Een review agent die draait met read-only tools en een APPROVE / REQUEST_CHANGES / COMMENT verdict uitbrengt, geclassificeerd door een tweede lichtgewicht model
- Een remediatielus die review-verdicts terugvoert naar de implementer voor maximaal drie auto-fix cycli voordat wordt geëscaleerd naar een mens
- Doc gardening, structurele tests, harness smoke tests en wekelijkse metrics workflows die de harness zelf gezond houden
Alles leeft in de repository. Geen externe dashboards, geen vendor lock-in, geen verborgen state. Een prompt bewerken is een gewone pull request.
Echt productievoorbeeld: sport-affiliate
We lopen door QualityUnit/sport-affiliate , een echte productie-monorepo (drie Next.js sites, een gedeelde engine en een Python data pipeline) die de volledige CodeFactory harness draait. Je leest de feitelijke workflow files, prompts en guard scripts die het aansturen:
- 15 GitHub Actions workflows die de volledige issue → PR → merge loop orkestreren
- Vier aangepaste prompts in
.codefactory/prompts/(issue-triage.md,issue-planner.md,issue-implementer.md,review-agent.md) - TypeScript guard scripts (
scripts/*-guard.ts) die elke agent run pre-flighten en beslissen of deze überhaupt moet starten - Een vier-traps fail-fast CI pipeline die volledige Next.js builds overslaat (25 minuten elk) ten gunste van type-check + lint + structurele tests
- SHA-discipline: elke downstream job checkt de exacte SHA uit die door de risk gate is gerapporteerd, zodat een agent niet mid-pipeline kan racen
- Beschermde bestanden (
.github/workflows/*,harness.config.json,CLAUDE.md, lock files, deployment configs) die automatisch worden teruggerold als een agent ze aanraakt - De review prompt geladen vanuit
origin/main— niet de PR-branch — zodat door agents geschreven PR’s niet met hun eigen reviewer kunnen knoeien
De end-to-end ontwikkelaarservaring ziet er zo uit: een mens opent een issue. De triage agent labelt het, stelt verhelderende vragen indien nodig, en geeft het door aan de planner. De planner post een implementatieplan als comment. De implementer maakt issue-N, implementeert de wijziging, draait kwaliteitspoorten en opent een PR. De review agent reviewt. Als er wijzigingen worden gevraagd, wordt de implementer opnieuw gedispatched in review-fix mode — tot drie cycli — voordat wordt geëscaleerd naar een mens. De enige menselijke aanrakingen zijn het openen van het issue en het goedkeuren van de uiteindelijke merge.
Wat je team meeneemt
Aan het einde van de training kunnen je ontwikkelaars exact deze setup bootstrappen in hun eigen repositories, hun eigen agent prompts schrijven en afstemmen, risicotiers definiëren die passen bij hun architectuur, en meten of de harness daadwerkelijk werkt via Mean-Time-To-Harness en SLO metrics. Ze vertrekken met een draaiende harness op een van jouw echte repositories — geen speelgoedvoorbeeld.
Sluit je aan bij de volgende cohort
Reserveer vandaag nog je plek!
De toekomst wacht niet — neem nu contact met ons op en boek je AI softwareontwikkelingstraining om je engineering workflow te automatiseren.