AI Engineering. Na skali.

Wprowadzenie w to jak będzie wyglądało to szkolenie. Jaki projekt zbudujemy i czego się nauczysz. W pierwszej lekcji konfigurujemy środowisko developerskie. Przedstawiamy różne możliwe konfiguracje z użyciem Claude Code, Codex, GitHub Copilot, VS Code, CEZAR. Pokażemy jak to działa w Sandboxie jak jedno środowisko od pierwszego dnia. Powiemy sobie czym właściwie jest AI Engineering. Zrobimy szybkie wyrównanie z takich tematów jak: worktrees, skille AI, jak zainstalować wymagane narzędzia i bardzo krótko jak ich użyć. Stworzymy repozytorium na Githubie w którym będziemy dalej pracować. Dowiesz się dlaczego używamy w całym szkoleniu Githuba (do zarządzania zadaniami, PR'kami i kodem źródłowym) zamiast np. kombinacji Github + Linear, Jira itd. Takie kombinacje też są możliwe i jeśli w Twojej firmie korzystacie z tych narzędzi to super - dostaniesz wszystko co potrzebne aby skonfigurować środowisko także pod nie.

Czas zacząć budować. Podejmujemy decyzję o technologicznym stacku projektowym. Przeanalizujemy jakie rzeczy z świata AI wpływają na decyzję o technologii. Będziemy definiować wstępną architekturę projektu oraz wybierzemy wzorce projektowe jakim agenty przy kodowaniu powinny się kierować. Zrobimy szkielet projektu w repozytorium i powstaną pierwsze AGENTS.md (później je ładnie uporządkujemy w lekcji o Context Engineering). Uruchomimy podstawowy safety-net w postaci zestawu testów i checków pod Github CI; będziemy te testy odpowiednio rozwijać i rozbudowywać w miarę budowania kolejnych funkcjonalności - oraz rozwijania plików kontekstu. Zdefiniujemy też podstawowe zasady SDLC dla naszego projektu.

Mamy już repozytorium, zarys architektury i wybrane główne wzorce projektowe. W tej lekcji przejrzymy i zmodyfikujemy skille dla agentów AI, dostosujemy je pod nasz stack technologiczny i wzorce projektowe, które chcemy stosować. Pokażemy o co zadbać przy tworzeniu nowych skill do swojego projektu oraz jak wykorzystać skills do zwiększania autonomii działania agentów, czyli o co chodzi ze skillami "auto".

"Sesja discovery&define: Zaczniemy od uporządkowania wiedzy o produkcie: jaki problem rozwiązujemy, kto go doświadcza i jaką wartość chcemy dostarczyć. Przyjrzymy się użytkownikom, interesariuszom, kontekstowi biznesowemu, regułom domenowym i kluczowym przepływom. Przeanalizujemy też rynek oraz istniejące rozwiązania: co robią dobrze, jakie wzorce wykorzystują i gdzie znajduje się przestrzeń na wyróżnienie naszego produktu. AI pomoże nam uporządkować i sprawdzić wymagania. Stworzymy przykładowe persony, porozmawiamy z nimi w symulowanych wywiadach i spojrzymy na najważniejsze funkcje produktu z perspektywy różnych użytkowników. Dzięki temu, zanim zaczniemy kodować, znajdziemy niejasności, sprzeczności, brakujące przypadki i ryzykowne założenia. Zaznaczymy też, które kwestie trzeba potwierdzić w rozmowie z prawdziwymi użytkownikami.
Następnie opiszemy produkt jednym zdaniem, ustalimy, po czym poznamy jego sukces, co znajdzie się w MVP, co zostawiamy na później, a czego świadomie nie budujemy. Na końcu zamienimy te ustalenia w uporządkowany backlog EPIC → STORY → TASK, z priorytetami i kryteriami akceptacji, gotowy do przeniesienia do GitHub Issues."

W tej lekcji skupimy się na tym jak przekazać agentom AI co mają i jak mają zakodować. Stworzymy dokumenty specyfikacji, opowiem jak je najlepiej skonsultować, na co zwrócić uwagę aby później powstawał kod i rozwiązanie którego oczekujemy. Stworzymy specyfikacje pod funkcjonalności z naszego backlogu i poddamy je krytycznej analizie przez AI.

Zaczniemy od rozpoznania generycznego „AI look & feel” i stworzenia własnego kierunku wizualnego. Przygotujemy moodboard z referencjami, kolorami, typografią, kompozycją i detalami, które mają nadawać produktowi charakter. Następnie zamienimy go w skill stylu: zestaw konkretnych zasad, przykładów oraz wskazówek „stosuj/unikaj”, dzięki którym agent będzie konsekwentnie projektował kolejne ekrany bez popadania w estetykę AI slopu. Efektem lekcji będzie design system jako wspólne źródło prawdy o produkcie. Połączy gotowe elementy potrzebne do budowania interfejsu: tokeny, komponenty, wzorce i przykłady implementacji z opisem logiki stojącej za decyzjami projektowymi. Określi, jak produkt organizuje informacje, prowadzi użytkownika, reaguje na jego działania i zachowuje własny charakter. Dzięki temu developer lub agent AI będzie wiedział nie tylko czego użyć, ale także dlaczego i w jaki sposób, aby kolejne ekrany pozostawały spójne, użyteczne i rozpoznawalne.

Prototypujemy z AI wygląd aplikacji, zanim powstanie kod: z briefu i backlogu generujemy klikalny prototyp i iterujemy go promptami. Prototyp walidujemy syntetycznymi personami z sesji discovery & define: przechodzimy główne ścieżki ich oczami, a wychwycone tarcia wracają jako poprawki do specki i backlogu, zanim ruszy development.

Budujemy pierwsze funkcjonalności. Na tym etapie jeszcze w trybie interaktywnym z agentem. W ramach tej lekcji weźmiemy specyfikacje, prototyp i wykorzystamy je do stworzenia funkcjonalności. Powiemy o tym co jest istotne w samej implementacji całej funkcjonalności, jak zadbać o kontekst podczas samego procesu kodowania i rozłożymy na czynniki pierwsze skill-e do implementacji aby zobaczyć jaki workflow działania jest w nich zaszyty.

W następnej lekcji zaczynamy kodować, najwyższy czas się trochę zatrzymać i pogadać o bezpieczeństwie. Zaczniemy od tego jak bezpiecznie korzystać z narzędzi do kodowania, jakie konfiguracje zastosować i zadbać o bezpieczeństwo danych podczas tego procesu. Przejrzymy nasze używane MCP, przeanalizujemy skille i sprawdzimy czy nasz setup jest bezpieczny przeciwko prompt injection z opisu zadania nad którym będziemy pracować

Mamy już pierwszy pliki AGENTS.md oraz skille to są podstawowe komponenty naszego systemu sterowania kontekstem. W tej lekcji skupimy się żeby zrobić z nimi porządek aby stanowiły jeden spójny mechanizm tak zwanego "Context Engineeringu". Pogadamy o Task Driven Context Routing i pochylimy się nad kluczowym zadaniem, czyli jak w dużym projekcie nie przeładować kontekstu Agenta, dać mu szybką drogę dotarcia do wiedzy którą potrzebuje i zadbać o to aby nie spadła jakość wytwarzania.

Wchodzimy na kolejny poziom. W tej lekcji chcemy pokazać co musisz zrobić w swoim projekcie aby zwiększyć autonomie pracy agentów. Pokażemy jak stworzyć mechanizm pod ephemeral environment, jak wykorzystać nasz CI i testy aby dostarczyć odpowiednią informację zwrotną dla agentów. Przejdziemy przez auto skill-e do implementacji i zobaczymy jaki one nadają workflow do pracy agentom, jak wykorzystują mechanizmy worktrees i subagentów aby dowozić całe funkcjonalności w jednej pętli.

Testy wykorzystujące Agent Browser (lub Playwright - będziesz mógł wybrać), które pozwalają na weryfikacje automatyczną całego systemu, jak podchodzimy do generowania testów z AI, jak dbać o pokrycie i co finalnie dostajemy jako rezultat. Utworzenie zestawu testów dla naszej aplikacji oraz modyfikacja SDLC tak, żeby testy integracyjne nie mogły być pomijalne.

Wielu agentów pracujących równolegle to brzmi bardzo kusząco. Wydaje się, że to łatwy sposób na zmultiplikowanie swojej wydajności. W tej lekcji sprawdzamy, gdzie równoległa praca agentów naprawdę przyspiesza proces wytwarzania oprogramowania. Gdzie kończy się granica wzrostu wydajności i zaczyna się uciążliwa praca dla programisty. Chcemy szczerze opowiedzieć o tym, że człowiek ma swoje granice poznawcze i jeśli chcemy stworzyć model pracy, który sprawdzi się w dłuższym terminie musimy wziąć to pod uwagę. Pokażemy jak korzystać z takich narzędzi jak Cezar, opowiemy też o innych alternatywach.

Testujemy wcześniej zbudowane funkcjonalności, zgłaszamy błędy i naprawiamy je z pomocą agentów. Pokazujemy, dlaczego odpowiedź "fixed" nie oznacza jeszcze, że problem naprawdę zniknął, jak szybko weryfikować poprawki przez testy, Playwrighta lub Claude Preview Mode oraz jak wykorzystać drugiego agenta do automatycznej recenzji PR-a i szukania regresji. Czym jest statyczna analiza kodu i dlaczego przy programowaniu z AI jest ważniejsza niż kiedykolwiek.

Przejście na tworzenie oprogramowania z agentami AI to proces ciągły. Cały czas będziemy wyłapywać błędy w konfiguracji i miejsca do poprawy. Ważne zatem aby zadbać o przestrzeń na pracę nad usprawnieniami. Podczas tej lekcji chcemy przejść w zespole przez to jak wyglądał do tej pory proces developmentu. Gdzie widzimy elementy, które nie zadziałały prawidłowo i należy wprowadzić poprawki do skill, CI/CD czy plików z kontekstem dla agentów. Opowiemy o tym jak zbieramy dane do takiej rozmowy i jak wprowadzać poprawki tak aby były skuteczne.

Patrzymy na aplikację oczami atakującego. Z pomocą agentów tworzymy prosty model zagrożeń, szukamy miejsc, w których można ominąć uprawnienia, dostać się do danych innego użytkownika lub organizacji, wykorzystać źle zwalidowane dane albo wyciągnąć sekrety. Sprawdzamy IDOR, eskalację uprawnień, a znalezione problemy zamieniamy w poprawki i testy regresyjne. Na koniec dokładamy automatyczne testy bezpieczeństwa do CI/CD.

Jedna z trudniejszych rzeczy w całym kursie czyli, proces odbioru pracy agentów. Na tej lekcji chcemy opowiedzieć jak czytać duże pull requesty, jak wypracować sobie podejście i politykę do odbioru kodu wygenerowanego przez AI. Jak system review testów i CI powinien nas wspierać w tym procesie. Czym jest w tym temacie skażony kontekst i jak poprzez wybór odpowiednich modeli zwiększać ilość wykrywanych błędów.

Prędkość wytwarzania oprogramowania rośnie, nowe funkcjonalności tworzone są znacznie szybciej. Na razie nie zmienia się to, że muszą one być wytestowane przed udostępnieniem do użytkowników. To sprawia, że praca testerów i testerek staje się jeszcze trudniejsza. Jak będzie wyglądała ta nowa rola testera/ki, jak ułożyć sobie pracę w tym nowym paradygmacie. Tutaj też powiemy o tym jak zespół developerski poprzez odpowiednią konfigurację pracy agentów będzie mógł wesprzeć proces testowania.

"Przez ostatnie lekcje doświadczyliście na własnej skórze, gdzie AI SDLC realnie boli: review, odbiór, zaufanie do kodu, którego nikt nie napisał ręcznie. Teraz przełożymy to na waszą firmę, bo tam czeka zespół, który mówi ""to u nas nie zadziała"". Rozbierzemy opór na cztery główne narracje i pokażę jak na nie odpowiadać. Do tego wzorce wdrożenia: statek piracki zamiast obracania tankowca i trzy metody nawracania we właściwej kolejności. Wszystko na aktualnych liczbach i anonimizowanych case'ach z dużych organizacji z którymi rozmawiam od blisko roku. Wychodzicie z frameworkiem wdrożenia AI w Zespole IT. Zdobądź zaufanie Zespołu jak i Zarządu.

Role, proces docelowy i pomiar produktywności celowo zostawiamy na lekcję 20."

Implementacja kodu przy wykorzystaniu wielu różnych modeli jednocześnie, z podziałem na role. Pokażemy jak dobierać modele, dlaczego teoretycznie słabsze modele mogą znaleźć błędy w rozumowaniu tych droższych, jak ustrukturyzować przebieg "specyfikacja > implementacja > review". Dlaczego przyszłość może zamienić zespoły developerów na zespoły "developer + agenci"? Czym są "context contamination", "correlated errors" i "confirmation bias" w rozumieniu pracy modeli LLM.

Podczas tej lekcji zajmiemy się wydaniem wersji 1.0.0 budowanej aplikacji. Tworzenie i zarządzanie changelogiem, mergowanie otwartych PR korzystając ze skilli AI oraz tworzenie wydania.

Nie żyjemy w próżni. Projekty w Waszej firmie nadal są wytwarzane w tradycyjny sposób, a Wy po przejściu naszego kursu chcecie wrócić do swojej organizacji i pracować w AI SDLC dalej. Jak to zrobić? Czasem najlepiej jest rozpocząć od nowa i w tym projekcie przyjąć zupełnie nowy sposób pracy tak jak w naszym kursie. W większości nie mamy takiego komfortu. Jest przed nami wyzwanie typu "Mamy istniejący projekt i w nim chcemy rozpocząć naszą pracę w AI SDLC". Przedstawimy Wam konkretne przykłady projektów, które przeszły transformację na AI SDLC. Jaki był tech stack, ilość linii kodu, rozmiar zespołu, użyte narzędzia, ocenimy każdy z nich przy użyciu ai-sdlc-score skilla. Pokażemy Wam jak używać matrycy decyzyjnej, która pozwoli Wam szybko ocenić Wasz projekt pod kątem przejścia na AI SDLC w trybie "green field" lub "brown field".

Omawiamy opcję na deploy aplikacji. W tej lekcji nie będziemy się skupiać na aspektach devops tylko na zarządzaniu zamykaniem wersji, generowaniem changelogów, zadbaniem o kompatybilność wsteczną oraz jak AI może nam pomóc zautomatyzować te zadania. Omówimy Dokploya, Railway, Coolify i inne opcje.

W ostatniej lekcji chcielibyśmy pokazać jak radzić sobie z projektem po wydaniu pierwszej wersji. Jak dodawać nowe wymagania i tworzyć specyfikacje do już istniejących funkcjonalności, jak zadbać o aktualność skilli i kontekstu żeby nie rozjeżdżały się z kodem w czasie. Tutaj przedstawimy też na jakie my napotkaliśmy problemy i jak je rozwiązaliśmy rozwijając produkt ponad rok w pełni z AI.