Kursplan
Den fyrstegs personifieringsstacken
Nivå 1 | Vet – Regler och AGENTS.md
Amtal som tas upp:
• Definiera projektkonventioner och kodningsstandarder
• Dokumentera arkitektur och tekniska begränsningar
• Skapa tool-neutralt projektriktlinjer
• Behålla konsistens över utvecklingsteam och AI-verktyg
Nivå 2 | Kan – Färdigheter
Amtal som tas upp:
• Skapa återanvändbara enheter av specialistkunskap
• Ladda kontextuell information endast när det krävs
• Minska kontextstorleken medan förbättras uppgiftsprestationer
• Bygga bibliotek med återanvändbara arbetsflöden och expertis
Nivå 3 | Reaches – MCP
Amtal som tas upp:
• Anslut AI-verktyg till externa system och tjänster
• Accessa repositories, databaser och dokumentationskällor
• Utöka förmågorna för AI-kodassistenter
• Implementera säkra integrationer och styrkontroller
Nivå 4 | Acts – Agenter
Amtal som tas upp:
• Förstå autonomt AI-agenter och deras förmågor
• Läs, skriv, testa och revidera kod autonomt
• Hantera mål-drivna arbetsflöden och delegerade uppgifter
• Upprätta översikt och mänsklig granskningsmekanismer för agentic system
Dag 1 | Delegation och utvidgning av verktyg
Modul 1 | Från assistent till agent
Amtal som tas upp:
• Förstå skillnaden mellan AI-assistenter och autonom agentic system
• Inline kodkomplettering versus agentic delegation
• Hur agentic arbetsflöden ändrar utvecklingsuppgifters struktur
• Identifiera uppgifter som är lämpliga för delegering till agenter
• Bäst practices för samarbete med autonom AI-system
Modul 2 | Delegationer som fungerar utan babysitting & Loops
Amtal som tas upp:
• Skriv effektiva instruktioner för AI-agenter
• Tillräcklig kontext och affärsbehov
• Definiera begränsningar och gränser för utförande
• Upprätta tydliga acceptanskriterier och successeffekt
• Minimera mänsklig intervention samtidigt som kvaliteten bevaras
• Hur bygger man Loops
Modul 3 | Personifieringsstacken och vad gäller där
Amtal som tas upp:
• Förstå den fyrstegs personifieringsstacken
• Använd regler och AGENTS.md för att definiera projektkonventioner
• Avgör vilka mekanismer gäller i olika scenarier
• Hantera kontext effektivt över verktyg och projekt
• Skapa konsekventa AI-assistenter miljöer
Modul 4 | Färdigheter och Subagenter
Amtal som tas upp:
• Skapa återanvändbara färdigheter för vanliga arbetsflöden och uppgifter
• Förpacka specialistkunskap för upprepade användningar
• Förstå rollen av subagenter och isolerade kontexter
• Delegera begränsade uppgifter till specialiserade agenter
• Förbättra effektivitet genom modulariserade AI-arbetsflöden
Dag 2 | Anslutning av verktyg, parallellism och governance
Modul 5 | MCP: Koppla och bygg
Amtal som tas upp:
• Förstå principerna för Model Context Protocol (MCP)
• Anslut AI-verktyg till externa system och tjänster
• Integrera webb, databaser, repositories och dokumentationskällor
• Bygg en custom MCP-server
• Hantera åtkomstkontroll och säkerhetsaspekter
Modul 6 | Det disciplinerade agentic arbetsflödet
Amtal som tas upp:
• Upprätta ett upprepande AI-assistenter utvecklingsprocess
• Brainstorming och planering med AI-agenter
• Bygg och implementera lösningar tillsammans
• Testa och validera genererade utdata
• Granska och finalisera leveranser med lämpliga verifieringssteg
• Hur sätter man upp mål
Modul 7 | Parallell utveckling
Amtal som tas upp:
• Köra flera AI-agenter samtidigt
• Arbeta med isolerade grenar och Git worktrees
• Koordinera utvecklingsaktiviteter över parallella arbetsflöden
• Sammanfoga och validera utdata från flera agenter
• Förbättra produktivitet genom parallella exekveringsstrategier
Modul 8 | Risker, granskning och governance
Amtal som tas upp:
• Utvärdera och granska externa färdigheter och MCP-servrar
• Förstå säkerhets- och styringsrisker
• Hantera behörigheter och åtkomsträttigheter
• Skydda känsliga data och immateriella rättigheter
• Upprätta granskningsprocesser och kvalitetsassurance praktik
Modul 9 | AI-adoptering i mjukvaruutveckling: Användningsfall och nästa steg
Amtal som tas upp:
• Hur organisationer integrerar AI in i Software Development Lifecycle (SDLC)
• Verkliga fallbeskrivningar och implementeringsexempel från olika industrier
• Vanliga AI-adoptionsätt: individbaserad adoptering, teambaserad adoptering och organisation-wide möjliggörande
• Typiska användningsfall över hela SDLC:
• Kravinsamling och dokumentation
• Kodgenerering och prototypning
• Testning och kvalitetsassurance
• Kodenrevision och refaktorisering
• Dokumentation och kunskapshantering
• DevOps och incidenthantering
• Governance-modeller, policyer och säkerhetsaspekter
• Mätning av produktivitet och ROI för AI-assisterad utveckling
• Bygg en intern AI-adoptions roadmap
• Definiera praktiska nästa steg för deltagarna och deras team
Interaktiv diskussionsworkshop
• Nuvarande utmaningar inom deltagarnas utvecklingsteams
• Identifiering av hög värde användningsfall för omedelbar adoptering
• Risker, blockerare och organisatoriska överväganden
• Skapande av en inledande handlingsplan för AI-integration.
Krav
Yrkesmässig utvecklingserfarenhet, bekvämlighet med terminalen och arbetande Git-kunskap. Regelbunden användning av ett AI-kodverktyg eller avslutad grundkurs.
Målgrupp
Utvecklare som redan använder AI-verktyg, tekniska ledningar ansvariga för teamadoptering och platform- eller DevOps-ingörer som bygger färdigheter och MCP-servrar.
Vittnesmål (2)
Att lära sig hur man formulerar prompts för Claude och använder den för att bearbeta all tillgänglig data.
Mike Hartleroad - Furniture Row
Kurs - Claude AI for Data Analysis and Business Intelligence
Maskintolkat
hur man engagerar sig i Office-miljön och ställer in upprepande uppgifter
Matthew Wallace - Group CBS
Kurs - Claude AI for Workflow Automation and Productivity
Maskintolkat
