Školenie vývoja softvéru s AI
Časť 1 – Základy Harness Engineeringu
Naučíte sa:
- Prečo opatrovanie AI editora nefunguje vo väčšom meradle
- Harness engineering: ľudia riadia, agenti vykonávajú
- Bootstrapovanie repa pomocou CodeFactory CLI
- Detekcia stacku, rizikových úrovní a architektonických hraníc
- Písanie CLAUDE.md ako kontrolnej roviny agenta
- Verziovanie promptov a guardov ako kódu
- Pre-commit hooky, brány rizikovej politiky a chránené súbory
Časť 2 – Automatizovaný vývoj v GitHub Actions
Naučíte sa:
- Agenti pre issue triage, planner a implementer
- Read-only review agenti so štruktúrovanými verdiktmi
- Opravné slučky a auto-revert chránených súborov
- Rizikovo odstupňované CI pipeline so SHA disciplínou
- Doc gardening a týždenné metriky harnessu
- Spustenie celej slučky issue → PR → merge naživo
- Prispôsobenie harnessov vašej vlastnej codebase
Ukážte svoju expertízus naším certifikátom!
Prestaňte opatrovať AI editor
Väčšina vývojárov dnes používa AI nesprávnym spôsobom. Sedia v Cursor alebo Copilot Chat, akceptujú návrh, skrolujú, akceptujú ďalší, vrátia späť, skúšajú znova, vložia chybu späť do chatu a zavolajú to dňom. Pôsobí to produktívne, ale je to manuálna práca v AI kostýme. Človek je stále úzkym hrdlom. Agent stále háda. Nič nie je opakovateľné, nič nie je preskúmateľné a nič sa nedá škálovať za jedného vývojára a jednu vetvu.
Toto školenie obracia model. Váš tím sa naučí presunúť AI kódovanie z editora do GitHub Actions, kde agenti bežia v efemérnych runneroch, strážení verziovanými promptmi a automatizovanými kvalitatívnymi bránami. Vývojár otvorí issue, preskúma pull request a klikne merge. Všetko medzi tým — triage, plánovanie, implementácia, code review, náprava — sa deje automaticky na bežnej CI infraštruktúre.
CodeFactory harness toolkit
Učíme nad CodeFactory
, open-source CLI, ktoré do akéhokoľvek existujúceho repozitára nainštaluje kompletný agent-safety harness. Jeden príkaz — codefactory init — a váš repo získa 16 harnessov a 14+ GitHub Actions workflow prispôsobených vášmu stacku:
- Riziková zmluva (
harness.config.json), ktorá klasifikuje každý súbor do Tier 1, 2 alebo 3 a vynucuje správnu úroveň kontroly - Inštrukcie pre agenta (
CLAUDE.md), ktoré popisujú konvencie, pravidlá závislostí a chránené súbory - Issue triage agent, ktorý vyhodnotí zrozumiteľnosť, reprodukovateľnosť a rozsah pred napísaním akéhokoľvek kódu
- Issue planner, ktorý číta codebase len na čítanie a publikuje štruktúrovaný implementačný plán
- Issue implementer, ktorý vytvorí vetvu, implementuje zmenu, spustí základnú validáciu a otvorí PR
- Review agent, ktorý beží s nástrojmi len na čítanie a vydá verdikt APPROVE / REQUEST_CHANGES / COMMENT klasifikovaný druhým ľahkým modelom
- Opravná slučka, ktorá posiela review verdikty späť implementerovi pre až tri auto-fix cykly pred eskaláciou na človeka
- Workflow doc gardening, štrukturálne testy, harness smoke testy a týždenné metriky, ktoré udržiavajú samotný harness v poriadku
Všetko žije v repozitári. Žiadne externé dashboardy, žiadny vendor lock-in, žiadny skrytý stav. Úprava promptu je normálny pull request.
Reálny produkčný príklad: sport-affiliate
Prechádzame QualityUnit/sport-affiliate , reálnu produkčnú monorepo (tri Next.js stránky, zdieľaný engine a Python data pipeline) bežiacu s kompletným CodeFactory harnessom. Prečítate si skutočné workflow súbory, prompty a guard skripty, ktoré ho poháňajú:
- 15 GitHub Actions workflow orchestruje kompletnú slučku issue → PR → merge
- Štyri prispôsobené prompty v
.codefactory/prompts/(issue-triage.md,issue-planner.md,issue-implementer.md,review-agent.md) - TypeScript guard skripty (
scripts/*-guard.ts), ktoré pre-flight kontrolujú každý agentský beh a rozhodnú, či by vôbec mal začať - Štvorstupňová fail-fast CI pipeline, ktorá preskakuje plné Next.js buildy (25 minút každý) v prospech type-check + lint + štrukturálnych testov
- SHA disciplína: každá následná úloha robí checkout presnej SHA nahlásenej rizikovou bránou, takže agent nemôže race-pushnúť uprostred pipeline
- Chránené súbory (
.github/workflows/*,harness.config.json,CLAUDE.md, lock súbory, deployment konfigurácie), ktoré sú automaticky vrátené, ak sa ich agent dotkne - Review prompt načítaný z
origin/main— nie z PR vetvy — takže PR napísané agentom nemôžu manipulovať so svojím vlastným reviewerom
End-to-end vývojárska skúsenosť vyzerá takto: človek otvorí issue. Triage agent ho olabeluje, v prípade potreby sa pýta objasňujúce otázky a odovzdá ho plannerovi. Planner zverejní implementačný plán ako komentár. Implementer vytvorí issue-N, implementuje zmenu, spustí kvalitatívne brány a otvorí PR. Review agent to preskúma. Ak sa vyžiadajú zmeny, implementer sa znova dispatchne v režime review-fix — až tri cykly — predtým, ako sa eskaluje na človeka. Jedinými ľudskými dotykovými bodmi je otvorenie issue a schválenie finálneho merge.
Čo si váš tím odnesie
Na konci školenia budú vaši vývojári schopní nainštalovať presne toto nastavenie vo vlastných repozitároch, písať a ladiť vlastné agentské prompty, definovať rizikové úrovne zodpovedajúce ich architektúre a merať, či harness skutočne funguje prostredníctvom metrík Mean-Time-To-Harness a SLO. Odídu s bežiacim harnessom na jednom z vašich skutočných repozitárov — nie s hračkárskym príkladom.
Pridajte sa k ďalšej kohorte
Rezervujte si miesto ešte dnes!
Budúcnosť nepočká — kontaktujte nás teraz a rezervujte si školenie AI vývoja softvéru, aby ste začali automatizovať svoj inžiniersky workflow.