Formação em Desenvolvimento de Software com IA – Pare de tomar conta de editores de IA

Formação em Desenvolvimento de Software com IA

Um curso prático e hands-on para equipas de engenharia. Aprenda a automatizar todo o ciclo de vida do desenvolvimento de software com agentes de IA a correr dentro do GitHub Actions — e não dentro do seu editor. Baseado no kit de ferramentas open-source CodeFactory harness engineering e em monorepos de produção reais.

Formato:

2 x meio-dia

Sessões de formação práticas

Additional material

Hints & Tips ebook

1-6 pessoas:

€900

7-12 pessoas:

€1100

Prática no seu próprio repositório Versão de avaliação gratuita do FlowHunt

Reservar agora

Sessão 1:

Parte 1 – Fundamentos de Harness Engineering

Você aprenderá:

• Porque tomar conta de um editor de IA não é escalável
• Harness engineering: humanos conduzem, agentes executam
• Arrancar um repo com o CodeFactory CLI
• Detetar stack, níveis de risco e fronteiras arquiteturais
• Escrever o CLAUDE.md como plano de controlo do agente
• Versionar prompts e guards como código
• Pre-commit hooks, portas de política de risco e ficheiros protegidos

Sessão 2:

Parte 2 – Desenvolvimento automatizado no GitHub Actions

Você aprenderá:

• Agentes de issue triage, planner e implementer
• Agentes de revisão read-only com veredictos estruturados
• Ciclos de remediação e auto-reversão de ficheiros protegidos
• Pipelines de CI com portas de risco e disciplina de SHA
• Doc gardening e métricas semanais do harness
• Executar o ciclo completo issue → PR → merge ao vivo
• Adaptar os harnesses ao seu próprio código

Mostre a sua experiênciaCom o nosso certificado!

Pare de tomar conta do editor de IA

A maioria dos programadores hoje utiliza IA da forma errada. Ficam no Cursor ou Copilot Chat, aceitam uma sugestão, fazem scroll, aceitam outra, desfazem, tentam de novo, colam um erro de volta no chat e dão o dia por terminado. Parece produtivo, mas é trabalho manual vestido de IA. O humano continua a ser o estrangulamento. O agente continua a adivinhar. Nada é repetível, nada é revisável, e nada escala para além de um programador e de um branch.

Esta formação inverte o modelo. A sua equipa vai aprender a tirar o código assistido por IA de dentro do editor e colocá-lo no GitHub Actions, onde os agentes correm em runners efémeros, protegidos por prompts versionados e portas de qualidade automatizadas. O programador abre uma issue, revê um pull request e clica em merge. Tudo o que está pelo meio — triagem, planeamento, implementação, revisão de código, remediação — acontece automaticamente, sobre infraestrutura de CI comum.

O kit de ferramentas CodeFactory harness

Ensinamos em cima do CodeFactory , um CLI open-source que arranca um harness de segurança de agentes completo em qualquer repositório existente. Um único comando — codefactory init — e o seu repo ganha 16 harnesses e mais de 14 workflows do GitHub Actions adaptados ao seu stack:

• Um contrato de risco (harness.config.json) que classifica cada ficheiro em Tier 1, 2 ou 3 e impõe o nível de escrutínio adequado
• Instruções para o agente (CLAUDE.md) que descrevem convenções, regras de dependências e ficheiros protegidos
• Um agente de triagem de issues que avalia clareza, reprodutibilidade e âmbito antes de qualquer código ser escrito
• Um planner de issues que lê a base de código em read-only e publica um plano de implementação estruturado
• Um implementer de issues que cria um branch, implementa a alteração, corre validação de baseline e abre um PR
• Um agente de revisão que corre com ferramentas read-only e emite um veredicto APPROVE / REQUEST_CHANGES / COMMENT classificado por um segundo modelo leve
• Um ciclo de remediação que devolve os veredictos de revisão ao implementer por até três ciclos de auto-correção antes de escalar para um humano
• Workflows de doc gardening, testes estruturais, harness smoke tests e métricas semanais que mantêm o próprio harness saudável

Tudo vive no repositório. Sem dashboards externos, sem vendor lock-in, sem estado escondido. Editar um prompt é um pull request normal.

Exemplo real de produção: sport-affiliate

Percorremos o QualityUnit/sport-affiliate , um monorepo de produção real (três sites Next.js, um motor partilhado e um pipeline de dados em Python) a correr o harness completo do CodeFactory. Vai ler os ficheiros de workflow, prompts e scripts guard reais que o impulsionam:

• 15 workflows do GitHub Actions a orquestrar o ciclo completo issue → PR → merge
• Quatro prompts personalizados em .codefactory/prompts/ (issue-triage.md, issue-planner.md, issue-implementer.md, review-agent.md)
• Scripts guard em TypeScript (scripts/*-guard.ts) que fazem pre-flight a cada execução de agente e decidem se esta deve sequer arrancar
• Um pipeline de CI fail-fast de quatro fases que salta builds completos do Next.js (25 minutos cada) a favor de type-check + lint + testes estruturais
• Disciplina de SHA: cada job downstream faz checkout do SHA exato reportado pela risk gate, para que um agente não possa fazer race-push a meio do pipeline
• Ficheiros protegidos (.github/workflows/*, harness.config.json, CLAUDE.md, ficheiros de lock, configurações de deployment) que são automaticamente revertidos se um agente lhes tocar
• O prompt de revisão carregado a partir de origin/main — e não do branch do PR — para que PRs escritos por agentes não possam adulterar o seu próprio revisor

A experiência de desenvolvimento de ponta a ponta é assim: um humano abre uma issue. O agente de triagem atribui etiquetas, pede esclarecimentos se necessário, e entrega-a ao planner. O planner publica um plano de implementação como comentário. O implementer cria issue-N, implementa a alteração, corre as portas de qualidade e abre um PR. O agente de revisão revê. Se forem pedidas alterações, o implementer é de novo despachado em modo review-fix — até três ciclos — antes de escalar para um humano. Os únicos pontos de toque humanos são abrir a issue e aprovar o merge final.

O que a sua equipa leva para casa

No final da formação, os seus programadores serão capazes de arrancar exatamente esta configuração nos seus próprios repositórios, escrever e afinar os seus próprios prompts de agentes, definir níveis de risco que correspondam à sua arquitetura e medir se o harness está realmente a funcionar através de métricas Mean-Time-To-Harness e SLO. Sairão com um harness a correr num dos seus repositórios reais — e não num exemplo de brincar.

Junte-se à próxima turma

Garanta já o seu lugar!

O futuro não espera — contacte-nos agora e reserve a sua formação em desenvolvimento de software com IA para começar a automatizar o seu workflow de engenharia.

Contacte-nos