Kom i kontakt

Kursplan

Från autokomplettering till agenter: varför agenter misslyckas

•     Anatomin hos en kodningsagent: modell, kapsling (harness), verktygsyta, kontext, behörigheter

•     Var varje verktyg placeras: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI

•     En taxonomi över misslyckanden: fel kontext, fel verktyg, ingen feedback, obegränsad autonomi

Demonstration: Samma uppgift utförd väl och dåligt sida vid sida

Kontextutformning

•     Kontextfönstret som en budget: vad förtjänar en plats i det?

•     AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — ett koncept, flera filnamn, en sanning

•     Konventioner, kommandon för bygg och test, arkitektoniska gränser

•     Hämtning kontra explicit kontext; uppgiftsdekomponering och subagenter

Lab: Skriv repository-kontext för en okänd Python-tjänst, kör sedan om en misslyckad uppgift och jämför utmatningen

Återanvändbara arbetsflöden och Agentfärdigheter

•     Val av abstraktion: instruktionsfil, färdighet, anpassat kommando eller vanligt skript

•     Anatomin hos en färdighet: aktivering, instruktioner, inbäddade skript, progressiv avslöjande

•     Portabilitet över verktyg och var infästning (lock-in) börjar

•     Versionering, granskning och distribution inom ett team; vanliga anti-mönster

Lab: Bygg och testa ett återanvändbart arbetsflöde som upprätthåller företagets kodstandarder

MCP: ansluta agenter till verkliga system

•     Arkitektur: klienter, servrar, verktyg, resurser och prompts; stdio- och HTTP-transporter

•     Servrar som förtjänar sin plats: Git-hotell, ärendesporrtracare, databaser, webbläsare, interna API:er

•     När en CLI eller ett skript slår en MCP-server

•     Verktygsytekultur: varför fler verktyg innebär mindre pålitlighet

Lab: Tråda ihop MCP-servrar och ta en ärende från början till slut — issue, branch, patch, tester, pull request

Feedback-loopar och utvärdering

•     Tester, typer och linters som agentens grundläggande sanning; test-först-arbete som en kontrollmekanism

•     CI som den yttre loopen och granskningsdisciplin för agent-fattade diff:er

•     Golden-task-utvärderingsuppsättningar: vad man ska mäta och hur man fångar regressioner

•     Kostnad och latens som förstklassiga mätetal

Lab: Bygg en liten utvärderingsuppsättning och betygsätt två agentkonfigurationer mot den

Säkerhet och skyddsregler

•     Prompt-injektion via issues, pull requests, README:er, beroenden och hämtade sidor

•     Behörighetsmodeller: allowlists, godkännanden, läsbara verktyg, kontroll av nätverksutgång

•     Hantering av hemligheter och sandlådning: containrar, tillfälliga uppgifter, begränsning av spridningsradie

•     Risker i leveranskedjan hos tredjeparts-MCP-servrar och delade färdigheter

Lab: Se hur en agent blir övertagen av ett förgiftat repository, stärk sedan upp setupen så att det inte händer

Föra ut detta till ett team

•     En fasad införlivningsväg; vad som ska standardiseras och vad som ska lämnas till individer

•     Mätetal som indikerar verkligt värde, och de som inte gör det

Krav

•     Arbetserfarenhet av Python, Git och kommandoraden

•     Tidigare erfarenhet av en AI-kodningsassistent

•     NobleProg kommer att sätta upp Dadesktop-VM:er för deltagarna med Docker, VS Code och Python 3.11 eller senare

•     En fungerande AI-kodningsassistent efter deltagarens val: Claude Code, GitHub Copilot, Cursor, Codex CLI eller Gemini CLI. Labbar är verktygsagnostiska och instruktioner tillhandahålls för var och en

Publik

•     Mjukvaruingenjörer, tekniska ledare och arkitekter som använder AI-kodningsassistenter utan att få pålitliga resultat

•     Platform- och developer-experience-ingentiörer som introducerar AI-verktyg över team

•     Teknikchefer som sätter standarder, skyddsregler och framgångsmätetal

 7 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (3)

Kommande Kurser

Relaterade Kategorier