Training în dezvoltare software cu AI
Partea 1 – Fundamentele harness engineering
Vei învăța:
- De ce babysitting-ul unui editor AI nu scalează
- Harness engineering: oamenii conduc, agenții execută
- Pornirea unui repo cu CodeFactory CLI
- Detectarea stack-ului, a nivelurilor de risc și a granițelor arhitecturale
- Scrierea CLAUDE.md ca plan de control al agentului
- Versionarea prompturilor și guard-urilor ca și cod
- Pre-commit hooks, porți de politică de risc și fișiere protejate
Partea 2 – Dezvoltare automatizată în GitHub Actions
Vei învăța:
- Agenți issue triage, planner și implementer
- Agenți de review read-only cu verdicte structurate
- Bucle de remediere și auto-revert al fișierelor protejate
- Pipeline-uri CI cu porți de risc și disciplină SHA
- Doc gardening și metrici săptămânale ale harness-ului
- Rularea live a întregii bucle issue → PR → merge
- Adaptarea harness-urilor la propriul tău codebase
Arată-ți expertizaCu certificatul nostru!
Nu mai face babysitting editorului AI
Majoritatea dezvoltatorilor folosesc astăzi AI-ul în mod greșit. Stau în Cursor sau Copilot Chat, acceptă o sugestie, dau scroll, acceptă alta, fac undo, încearcă din nou, lipesc o eroare înapoi în chat și consideră ziua încheiată. Pare productiv, dar este muncă manuală într-un costum de AI. Omul este încă bottleneck-ul. Agentul încă ghicește. Nimic nu este repetabil, nimic nu poate fi revizuit și nimic nu scalează dincolo de un singur dezvoltator și un singur branch.
Acest training răstoarnă modelul. Echipa ta va învăța să scoată programarea asistată de AI din editor și să o mute în GitHub Actions, unde agenții rulează în runners efemeri, protejați de prompturi versionate și porți de calitate automatizate. Dezvoltatorul deschide un issue, revizuiește un pull request și dă click pe merge. Tot ce se întâmplă între — triage, planificare, implementare, code review, remediere — are loc automat, pe infrastructură CI obișnuită.
Setul de instrumente CodeFactory harness
Predăm pe baza CodeFactory
, un CLI open-source care pornește un harness de siguranță a agenților complet în orice repository existent. O singură comandă — codefactory init — și repo-ul tău capătă 16 harness-uri și peste 14 workflow-uri GitHub Actions adaptate stack-ului tău:
- Un contract de risc (
harness.config.json) care clasifică fiecare fișier în Tier 1, 2 sau 3 și impune nivelul corect de scrutin - Instrucțiuni pentru agent (
CLAUDE.md) care descriu convenții, reguli de dependențe și fișiere protejate - Un agent de issue triage care evaluează claritatea, reproductibilitatea și scope-ul înainte de a fi scris orice cod
- Un issue planner care citește codebase-ul în mod read-only și publică un plan de implementare structurat
- Un issue implementer care creează un branch, implementează modificarea, rulează validarea de bază și deschide un PR
- Un agent de review care rulează cu instrumente read-only și emite un verdict APPROVE / REQUEST_CHANGES / COMMENT clasificat de un al doilea model lightweight
- O buclă de remediere care trimite verdictele de review înapoi la implementer pentru până la trei cicluri de auto-fix înainte de escalarea la un om
- Workflow-uri de doc gardening, teste structurale, harness smoke tests și metrici săptămânale care mențin harness-ul în sine sănătos
Totul trăiește în repository. Fără dashboard-uri externe, fără vendor lock-in, fără stare ascunsă. Editarea unui prompt este un pull request normal.
Exemplu real de producție: sport-affiliate
Parcurgem QualityUnit/sport-affiliate , un monorepo real de producție (trei site-uri Next.js, un motor comun și un pipeline de date în Python) care rulează harness-ul complet CodeFactory. Vei citi fișierele reale de workflow, prompturile și scripturile guard care îl pun în mișcare:
- 15 workflow-uri GitHub Actions care orchestrează întreaga buclă issue → PR → merge
- Patru prompturi personalizate în
.codefactory/prompts/(issue-triage.md,issue-planner.md,issue-implementer.md,review-agent.md) - Scripturi guard TypeScript (
scripts/*-guard.ts) care fac pre-flight la fiecare rulare de agent și decid dacă aceasta ar trebui să înceapă - Un pipeline CI fail-fast în patru etape care sare peste build-urile complete Next.js (25 de minute fiecare) în favoarea type-check + lint + teste structurale
- Disciplină SHA: fiecare job downstream face checkout la exact SHA-ul raportat de risk gate, astfel încât un agent să nu poată face race-push la mijlocul pipeline-ului
- Fișiere protejate (
.github/workflows/*,harness.config.json,CLAUDE.md, fișiere lock, configurații de deployment) care sunt auto-revertate dacă un agent le atinge - Prompt-ul de review încărcat din
origin/main— nu din branch-ul PR-ului — astfel încât PR-urile scrise de agenți să nu poată manipula propriul lor reviewer
Experiența de dezvoltare end-to-end arată astfel: un om deschide un issue. Agentul de triage îl etichetează, pune întrebări de clarificare dacă e nevoie și îl predă plannerului. Plannerul publică un plan de implementare sub formă de comentariu. Implementer-ul creează issue-N, implementează modificarea, rulează porțile de calitate și deschide un PR. Agentul de review revizuiește. Dacă sunt cerute modificări, implementer-ul este dispecerizat din nou în modul review-fix — până la trei cicluri — înainte de escalarea la un om. Singurele puncte de contact umane sunt deschiderea issue-ului și aprobarea merge-ului final.
Ce va duce cu sine echipa ta
La finalul trainingului, dezvoltatorii tăi vor putea porni exact această configurație în propriile repository-uri, să scrie și să ajusteze propriile prompturi de agenți, să definească niveluri de risc potrivite arhitecturii lor și să măsoare dacă harness-ul funcționează cu adevărat prin metrici Mean-Time-To-Harness și SLO. Vor pleca cu un harness funcțional pe unul dintre repository-urile voastre reale — nu cu un exemplu de jucărie.
Înscrie-te la următoarea grupă
Rezervă-ți locul astăzi!
Viitorul nu așteaptă — contactează-ne acum și rezervă-ți trainingul în dezvoltare software cu AI pentru a începe să-ți automatizezi fluxul de lucru ingineresc.