AI-programvareutviklingskurs
Del 1 – Grunnlaget i harness engineering
Du vil lære:
- Hvorfor det ikke skalerer å passe på en AI-editor
- Harness engineering: mennesker styrer, agenter utfører
- Bootstrappe et repo med CodeFactory CLI
- Oppdage stack, risikonivåer og arkitektoniske grenser
- Skrive CLAUDE.md som agentens control plane
- Versjonere prompter og guards som kode
- Pre-commit hooks, risikopolitikk-porter og beskyttede filer
Del 2 – Automatisert utvikling i GitHub Actions
Du vil lære:
- Issue triage, planner og implementer-agenter
- Read-only review-agenter med strukturerte verdicts
- Remedieringsløkker og auto-revert av beskyttede filer
- Risikostyrte CI-pipelines med SHA-disiplin
- Doc gardening og ukentlige harness-metrikker
- Kjøre hele issue → PR → merge-løkken live
- Tilpasse harnessene til din egen kodebase
Vis frem ekspertisen dinMed vårt sertifikat!
Slutt å passe på AI-editoren
De fleste utviklere bruker i dag AI på feil måte. De sitter i Cursor eller Copilot Chat, godtar et forslag, scroller, godtar et til, angrer, prøver igjen, limer inn en feilmelding i chatten og kaller det en dag. Det føles produktivt, men det er manuelt arbeid i AI-kostyme. Mennesket er fortsatt flaskehalsen. Agenten gjetter fortsatt. Ingenting er gjentakbart, ingenting er review-bart, og ingenting skalerer utover én utvikler og én branch.
Dette kurset snur modellen. Teamet ditt lærer å flytte AI-koding ut av editoren og inn i GitHub Actions, der agenter kjører i flyktige runners, beskyttet av versjonerte prompter og automatiserte kvalitetsporter. Utvikleren åpner et issue, ser over en pull request og klikker merge. Alt imellom — triage, planlegging, implementering, kodegjennomgang, remediering — skjer automatisk, på standard CI-infrastruktur.
CodeFactory harness-verktøysettet
Vi underviser på toppen av CodeFactory
, en open-source CLI som bootstrapper en komplett agent-safety harness inn i et hvilket som helst eksisterende repository. Én kommando — codefactory init — og repoet ditt får 16 harnesses og 14+ GitHub Actions workflows tilpasset stacken din:
- En risikokontrakt (
harness.config.json) som klassifiserer hver fil i Tier 1, 2 eller 3 og håndhever riktig nivå av granskning - Agent-instruksjoner (
CLAUDE.md) som beskriver konvensjoner, avhengighetsregler og beskyttede filer - En issue triage-agent som evaluerer klarhet, reproduserbarhet og omfang før kode skrives
- En issue planner som leser kodebasen read-only og poster en strukturert implementeringsplan
- En issue implementer som oppretter en branch, implementerer endringen, kjører baseline-validering og åpner en PR
- En review-agent som kjører med read-only verktøy og avgir en APPROVE / REQUEST_CHANGES / COMMENT verdict, klassifisert av en andre lett modell
- En remedieringsløkke som fører review-verdicts tilbake til implementeren for opptil tre auto-fix-sykluser før eskalering til et menneske
- Doc gardening, strukturelle tester, harness smoke tests og ukentlige metrikker-workflows som holder selve harnessen frisk
Alt bor i repositoryet. Ingen eksterne dashboards, ingen vendor lock-in, ingen skjult tilstand. Å redigere en prompt er en vanlig pull request.
Ekte produksjonseksempel: sport-affiliate
Vi går gjennom QualityUnit/sport-affiliate , en ekte produksjons-monorepo (tre Next.js-sider, en delt motor og en Python data pipeline) som kjører hele CodeFactory-harnessen. Du vil lese de faktiske workflow-filene, promptene og guard-scriptene som driver den:
- 15 GitHub Actions workflows som orkestrerer hele issue → PR → merge-løkken
- Fire tilpassede prompter i
.codefactory/prompts/(issue-triage.md,issue-planner.md,issue-implementer.md,review-agent.md) - TypeScript guard-scripts (
scripts/*-guard.ts) som pre-flighter hver agent-kjøring og bestemmer om den i det hele tatt skal starte - En fire-trinns fail-fast CI-pipeline som hopper over fulle Next.js builds (25 minutter hver) til fordel for type-check + lint + strukturelle tester
- SHA-disiplin: hver downstream-jobb sjekker ut nøyaktig den SHA-en som risk gate har rapportert, slik at en agent ikke kan racepushe midt i pipelinen
- Beskyttede filer (
.github/workflows/*,harness.config.json,CLAUDE.md, lock-filer, deployment configs) som automatisk rulles tilbake hvis en agent rører dem - Review-prompten lastes fra
origin/main— ikke PR-branchen — slik at agent-skrevne PR-er ikke kan tukle med sin egen reviewer
Den helhetlige utvikleropplevelsen ser slik ut: et menneske åpner et issue. Triage-agenten merker det, stiller oppklarende spørsmål om nødvendig, og overleverer det til planleggeren. Planleggeren poster en implementeringsplan som kommentar. Implementeren oppretter issue-N, implementerer endringen, kjører kvalitetsporter og åpner en PR. Review-agenten reviewer. Hvis endringer blir bedt om, dispatches implementeren på nytt i review-fix-modus — opptil tre sykluser — før eskalering til et menneske. De eneste menneskelige berøringspunktene er å åpne issuet og godkjenne den endelige mergen.
Hva teamet ditt tar med seg hjem
Ved slutten av kurset vil utviklerne dine kunne bootstrappe akkurat dette oppsettet i sine egne repositories, skrive og justere sine egne agent-prompter, definere risikonivåer som matcher arkitekturen deres, og måle om harnessen faktisk fungerer gjennom Mean-Time-To-Harness- og SLO-metrikker. De drar derfra med en kjørende harness på ett av deres ekte repositories — ikke et leketøyeksempel.
Bli med i neste kohort
Sikre deg plassen din i dag!
Fremtiden venter ikke — kontakt oss nå og bestill AI-programvareutviklingskurset ditt for å begynne å automatisere ingeniørarbeidsflyten din.