Utbildning i AI-mjukvaruutveckling
Del 1 – Grunderna i Harness Engineering
Du kommer att lära dig:
- Varför barnvaktande av en AI-editor inte skalar
- Harness engineering: människor styr, agenter utför
- Bootstrappa ett repo med CodeFactory CLI
- Upptäcka stack, risknivåer och arkitektoniska gränser
- Skriva CLAUDE.md som agentens kontrollplan
- Versionera prompts och guards som kod
- Pre-commit hooks, riskpolicygates och skyddade filer
Del 2 – Automatiserad utveckling i GitHub Actions
Du kommer att lära dig:
- Agenter för issue-triage, planner och implementer
- Read-only review-agenter med strukturerade verdikt
- Åtgärdsslingor och auto-revert av skyddade filer
- Risk-gated CI-pipelines med SHA-disciplin
- Doc gardening och veckovis harness-metrik
- Köra hela issue → PR → merge-loopen live
- Anpassa harnesses till din egen kodbas
Visa upp din expertismed vårt certifikat!
Sluta barnvakta AI-editorn
De flesta utvecklare idag använder AI på fel sätt. De sitter i Cursor eller Copilot Chat, accepterar ett förslag, scrollar, accepterar ett till, ångrar, försöker igen, klistrar in ett fel tillbaka i chatten och kallar det en dag. Det känns produktivt, men det är manuellt arbete klätt i AI-kostym. Människan är fortfarande flaskhalsen. Agenten gissar fortfarande. Inget är repeterbart, inget är granskningsbart och inget skalar bortom en utvecklare och en gren.
Denna utbildning vänder på modellen. Ditt team lär sig att flytta AI-kodning ut ur editorn och in i GitHub Actions, där agenter körs i efemära runners, skyddade av versionerade prompts och automatiserade kvalitetsgates. Utvecklaren öppnar ett issue, granskar en pull request och klickar merge. Allt däremellan — triage, planering, implementation, kodgranskning, åtgärd — sker automatiskt på vanlig CI-infrastruktur.
CodeFactory harness-verktygslådan
Vi undervisar ovanpå CodeFactory
, ett open source-CLI som bootstrappar en komplett agent-säkerhetsharness in i vilket befintligt repo som helst. Ett kommando — codefactory init — och ditt repo får 16 harnesses och 14+ GitHub Actions-workflows anpassade till din stack:
- Ett riskkontrakt (
harness.config.json) som klassificerar varje fil i Tier 1, 2 eller 3 och upprätthåller rätt nivå av granskning - Agentinstruktioner (
CLAUDE.md) som beskriver konventioner, beroenderegler och skyddade filer - En issue-triage-agent som bedömer tydlighet, reproducerbarhet och omfattning innan någon kod skrivs
- En issue-planner som läser kodbasen read-only och publicerar en strukturerad implementationsplan
- En issue-implementer som skapar en gren, implementerar ändringen, kör baslinjevalidering och öppnar en PR
- En review-agent som körs med read-only-verktyg och avger ett APPROVE / REQUEST_CHANGES / COMMENT-verdikt klassificerat av en andra lättviktsmodell
- En åtgärdsslinga som matar review-verdikt tillbaka till implementeraren för upp till tre auto-fix-cykler innan eskalering till en människa
- Workflows för doc gardening, strukturella tester, harness smoke-tester och veckometrik som håller själva harnessen frisk
Allt bor i repot. Inga externa dashboards, ingen leverantörslåsning, inget dolt tillstånd. Att redigera en prompt är en normal pull request.
Verkligt produktionsexempel: sport-affiliate
Vi går igenom QualityUnit/sport-affiliate , en riktig produktionsmonorepo (tre Next.js-sajter, en delad motor och en Python-datapipeline) som kör den fullständiga CodeFactory-harnessen. Du kommer att läsa de faktiska workflow-filerna, prompts och guard-skript som driver den:
- 15 GitHub Actions-workflows som orkestrerar hela issue → PR → merge-loopen
- Fyra anpassade prompts i
.codefactory/prompts/(issue-triage.md,issue-planner.md,issue-implementer.md,review-agent.md) - TypeScript guard-skript (
scripts/*-guard.ts) som pre-flightar varje agentkörning och avgör om den ens ska börja - En fyrstegs fail-fast CI-pipeline som hoppar över fulla Next.js-byggen (25 minuter vardera) till förmån för type-check + lint + strukturella tester
- SHA-disciplin: varje nedströmsjobb checkar ut exakt den SHA som rapporteras av risk-gaten så att en agent inte kan race-pusha mitt i pipelinen
- Skyddade filer (
.github/workflows/*,harness.config.json,CLAUDE.md, lock-filer, deployment-konfigurationer) som auto-reverteras om en agent rör dem - Review-prompten laddad från
origin/main— inte PR-grenen — så att agent-författade PR:er inte kan manipulera sin egen granskare
Utvecklarupplevelsen från ände till ände ser ut så här: en människa öppnar ett issue. Triage-agenten etiketterar det, ställer förtydligande frågor om det behövs och överlämnar det till plannern. Plannern postar en implementationsplan som kommentar. Implementeraren skapar issue-N, implementerar ändringen, kör kvalitetsgates och öppnar en PR. Review-agenten granskar. Om ändringar begärs, dispatchas implementeraren igen i review-fix-läge — upp till tre cykler — innan eskalering till en människa. De enda mänskliga kontaktpunkterna är att öppna issuet och godkänna den slutliga mergen.
Vad ditt team kommer att ta med sig hem
Vid utbildningens slut kommer dina utvecklare att kunna bootstrappa exakt denna setup i sina egna repon, skriva och finjustera sina egna agent-prompts, definiera risknivåer som matchar deras arkitektur och mäta om harnessen faktiskt fungerar genom Mean-Time-To-Harness och SLO-metrik. De kommer att lämna med en körande harness på ett av era riktiga repon — inte ett leksaksexempel.
Gå med i nästa kohort
Boka din plats idag!
Framtiden väntar inte — kontakta oss nu och boka din utbildning i AI-mjukvaruutveckling för att börja automatisera ditt ingenjörsworkflow.