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
Vittnesmål (3)
Instruktören är tålmodig och väldigt hjälpsam. Han känner väl till ämnet.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Kurs - Agentic AI for Business Automation: Use Cases & Integration
Maskintolkat
Bra blandning av kunskap och praktik
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Agentic AI for Enterprise Applications
Maskintolkat
Blandningen av teori och praktik samt högnivå- och lågnivåperspektiv
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Autonomous Decision-Making with Agentic AI
Maskintolkat