Szkolenie z rozwoju oprogramowania z AI
Część 1 – Podstawy harness engineering
Nauczysz się:
- Dlaczego niańczenie edytora AI nie skaluje się
- Harness engineering: ludzie sterują, agenty wykonują
- Bootstrapowanie repozytorium z CodeFactory CLI
- Wykrywanie stacku, poziomów ryzyka i granic architektonicznych
- Pisanie CLAUDE.md jako control plane agenta
- Wersjonowanie promptów i guardów jako kodu
- Pre-commit hooks, bramki polityki ryzyka i chronione pliki
Część 2 – Zautomatyzowany rozwój w GitHub Actions
Nauczysz się:
- Agenty issue triage, planner i implementer
- Read-only review agenty ze strukturalnymi werdyktami
- Pętle naprawcze i auto-revert chronionych plików
- CI pipeline'y z bramkami ryzyka i dyscypliną SHA
- Doc gardening i cotygodniowe metryki harnessa
- Uruchamianie pełnej pętli issue → PR → merge na żywo
- Dostosowanie harnessów do własnego kodu
Pokaż swoją ekspertyzęZ naszym certyfikatem!
Przestań niańczyć edytor AI
Większość programistów używa dziś AI w niewłaściwy sposób. Siedzą w Cursorze lub Copilot Chat, akceptują sugestię, przewijają, akceptują kolejną, cofają, ponawiają próbę, wklejają błąd z powrotem do czatu i uznają dzień za zakończony. Wydaje się to produktywne, ale to ręczna praca w kostiumie AI. Człowiek nadal jest wąskim gardłem. Agent nadal zgaduje. Nic nie jest powtarzalne, nic nie jest do przejrzenia i nic nie skaluje się poza jednego programistę i jeden branch.
To szkolenie odwraca model. Twój zespół nauczy się przenosić kodowanie AI poza edytor i do GitHub Actions, gdzie agenty działają w efemerycznych runnerach, chronione przez wersjonowane prompty i zautomatyzowane bramki jakości. Programista otwiera issue, przegląda pull request i klika merge. Wszystko pomiędzy — triage, planowanie, implementacja, code review, naprawy — dzieje się automatycznie, na standardowej infrastrukturze CI.
Zestaw narzędzi CodeFactory harness
Uczymy w oparciu o CodeFactory
, open-source’owe CLI, które bootstrapuje kompletny harness bezpieczeństwa agenta w dowolnym istniejącym repozytorium. Jedno polecenie — codefactory init — i twoje repo zyskuje 16 harnessów oraz 14+ workflowów GitHub Actions dostosowanych do twojego stacku:
- Kontrakt ryzyka (
harness.config.json), który klasyfikuje każdy plik do Tier 1, 2 lub 3 i wymusza odpowiedni poziom kontroli - Instrukcje agenta (
CLAUDE.md) opisujące konwencje, reguły zależności i chronione pliki - Agent issue triage, który ocenia jasność, odtwarzalność i zakres przed napisaniem jakiegokolwiek kodu
- Issue planner, który czyta kodbazę w trybie read-only i publikuje ustrukturyzowany plan implementacji
- Issue implementer, który tworzy branch, implementuje zmianę, uruchamia podstawową walidację i otwiera PR
- Review agent działający z narzędziami read-only i wydający werdykt APPROVE / REQUEST_CHANGES / COMMENT sklasyfikowany przez drugi, lekki model
- Pętla naprawcza, która przekazuje werdykty review z powrotem do implementera na maksymalnie trzy cykle auto-fix przed eskalacją do człowieka
- Workflowy doc gardening, testów strukturalnych, harness smoke tests i cotygodniowych metryk, które utrzymują sam harness w zdrowiu
Wszystko żyje w repozytorium. Żadnych zewnętrznych dashboardów, żadnego vendor lock-in, żadnego ukrytego stanu. Edycja prompta to zwykły pull request.
Prawdziwy przykład produkcyjny: sport-affiliate
Przechodzimy przez QualityUnit/sport-affiliate , prawdziwe produkcyjne monorepo (trzy strony Next.js, współdzielony silnik i pipeline danych w Pythonie) uruchamiające pełny harness CodeFactory. Przeczytasz rzeczywiste pliki workflow, prompty i skrypty guard, które je napędzają:
- 15 workflowów GitHub Actions orkiestrujących pełną pętlę issue → PR → merge
- Cztery niestandardowe prompty w
.codefactory/prompts/(issue-triage.md,issue-planner.md,issue-implementer.md,review-agent.md) - Skrypty guard w TypeScript (
scripts/*-guard.ts), które pre-flightują każde uruchomienie agenta i decydują, czy w ogóle powinno się rozpocząć - Czteroetapowy fail-fast CI pipeline, który pomija pełne buildy Next.js (25 minut każdy) na rzecz type-check + lint + testów strukturalnych
- Dyscyplina SHA: każde downstream’owe zadanie robi checkout dokładnie tego SHA, które zgłosiła risk gate, więc agent nie może zrobić race-push w środku pipeline’a
- Chronione pliki (
.github/workflows/*,harness.config.json,CLAUDE.md, pliki lock, konfiguracje deploymentu), które są automatycznie przywracane, jeśli agent ich dotknie - Prompt review załadowany z
origin/main— nie z brancha PR — dzięki czemu PR-y napisane przez agenty nie mogą manipulować swoim własnym reviewerem
Pełne doświadczenie programisty wygląda tak: człowiek otwiera issue. Agent triage nadaje etykiety, zadaje pytania wyjaśniające jeśli to konieczne, i przekazuje je plannerowi. Planner publikuje plan implementacji jako komentarz. Implementer tworzy issue-N, implementuje zmianę, uruchamia bramki jakości i otwiera PR. Review agent przegląda. Jeśli proszone są o zmiany, implementer jest ponownie uruchamiany w trybie review-fix — do trzech cykli — zanim nastąpi eskalacja do człowieka. Jedynymi punktami dotyku człowieka są otwarcie issue i zatwierdzenie końcowego merge.
Co twój zespół wyniesie ze szkolenia
Pod koniec szkolenia twoi programiści będą w stanie zbootstrapować dokładnie ten zestaw we własnych repozytoriach, pisać i dostrajać własne agent prompts, definiować poziomy ryzyka pasujące do ich architektury oraz mierzyć, czy harness faktycznie działa za pomocą metryk Mean-Time-To-Harness i SLO. Wyjdą z działającym harnessem na jednym z twoich prawdziwych repozytoriów — a nie z przykładem-zabawką.
Dołącz do następnej kohorty
Zarezerwuj swoje miejsce już dziś!
Przyszłość nie czeka — skontaktuj się z nami teraz i zarezerwuj szkolenie z rozwoju oprogramowania z AI, aby zacząć automatyzować swój workflow inżynierski.