AI dla Programistów – Vibe Engineering: od AI-Assisted Coding do Autonomicznych Agentów – online

AI w pracy programisty: od asystenta do zarządzania agentami

Szkolenie pokazuje, jak świadomie wykorzystywać sztuczną inteligencję w procesie wytwarzania oprogramowania. Jest przeznaczone dla osób, które chcą wyjść poza autocomplete i generowanie fragmentów kodu, a zacząć planować zadania, delegować je agentom i kontrolować jakość rezultatów.

Praktyka na istniejącym projekcie

Dwudniowe warsztaty koncentrują się na Vibe Engineering — odpowiedzialnym wykorzystaniu AI w codziennej pracy programistycznej. Uczestnicy pracują na repozytorium GitHub z istniejącą aplikacją i długiem technicznym: analizują kod, porządkują go, refaktoryzują i rozwijają o nowe funkcje. Praca przebiega stopniowo: od wsparcia w IDE, przez agentów uruchamianych w terminalu, po agentów działających asynchronicznie w chmurze.

Program obejmuje między innymi formułowanie instrukcji i kryteriów jakości, przekazywanie modelom kontekstu, ograniczanie halucynacji i radzenie sobie z problemem context rot. AI jest wykorzystywane do rozumienia kodu, planowania zmian, generowania testów, przygotowania dokumentacji oraz code review. Omawiane są również automatyzacja zadań, definiowanie Skills dla agentów, praca lokalna i zdalna oraz włączanie AI do procesów CI/CD.

Sposób pracy i narzędzia

Zajęcia mają formę praktycznych warsztatów z samodzielną pracą uczestników na własnym komputerze i środowisku. Przed szkoleniem uczestnicy otrzymują instrukcję techniczną i checklistę instalacyjną. Narzędzia są dobierane na podstawie ankiety przed szkoleniem. Wykorzystywane są środowiska IDE, terminal, GitHub i CI/CD; przykłady obejmują między innymi GitHub Copilot oraz wybrane narzędzia alternatywne. Bazowym językiem przykładów jest TypeScript, a repozytoria i ćwiczenia mogą być przygotowane także w innych językach, na przykład Pythonie, Rust lub Javie.

Dla kogo

Dla programistów dobrze znających co najmniej jeden język programowania, w tym osób początkujących w automatyzacji z AI oraz tych, które korzystają z AI na co dzień i chcą uporządkować wiedzę. Szkolenie jest szczególnie przydatne midom, seniorom i tech leadom. Samodzielni, zmotywowani juniorzy również mogą uczestniczyć, jeśli są gotowi pracować na istniejącym kodzie.

Uczestnicy poznają metody zarządzania agentami AI przy zachowaniu kontroli nad jakością i bezpieczeństwem kodu. W praktyce będą pracować nad analizą i refaktoryzacją kodu, planowaniem funkcji, testami, dokumentacją, code review oraz delegowaniem zadań agentom.

DZIEŃ 1 – AI-ASSISTED CODING I VIBE ENGINEERING W IDE

1. Setup i sposób myślenia

• Poznanie grupy i oczekiwań uczestników.

• Vibe Coding a Vibe Engineering.

• Podstawy pracy z LLM: okno kontekstu, atencja, tokeny, autoregresja, halucynacje i knowledge cutoff.

• Benchmarki, koszty, dobór modelu do zadania i najnowsze badania dotyczące AI w programowaniu.

2. Agent AI jako „zdolny junior z ADHD”

• Zarządzanie agentem i dzielenie zadań na mniejsze fragmenty.

• Formułowanie jasnych instrukcji i kryteriów oceny.

3. Prompt engineering dla programistów

• Rozmowa z modelem ograniczająca ryzyko halucynacji.

• Kontekst, rola, format i ograniczenia.

• Problem context rot i sposoby radzenia sobie z nim.

4. Rozumienie kodu – Brownfield Project

• Konfiguracja IDE pod AI, na przykład GitHub Copilot, VS Code lub Cursor.

• Wprowadzenie do repozytorium z długiem technicznym.

• Szybkie poznanie działania aplikacji z pomocą AI.

• Praca z dużym kontekstem: kompresja i iteracja.

• Personalizacja pracy przez plik instrukcji dla agentów oraz reguły globalne i projektowe.

5. Refaktoryzacja i porządkowanie kodu

• Debugowanie z AI (Context7 MCP).

• Testy jednostkowe i TDD z agentem AI.

• Refaktoryzacja bez naruszania funkcjonalności.

6. Planowanie nowej funkcjonalności z AI

• Research i wybór narzędzi.

• Generowanie PRD i ADR.

• Definition of Done: testy, linting i UI.

• Tryb planowania i przygotowywanie listy zadań przez agenta.

7. Vibe Engineering – implementacja

• Implementacja z autonomicznym agentem AI.

• Poziomy autonomii i zagrożenia.

• Testy, walidacja i generowanie commit message przez AI.

8. Frontend – jak AI „widzi” aplikację

• Generowanie UI na podstawie zrzutów ekranu (Multimodal AI).

• Praca z przeglądarką i DOM (Cursor, Antigravity).

• Chrome DevTools MCP / Browser Use MCP.

• Weryfikowanie efektów pracy przez agenta.

9. Code review i dokumentacja

• Lokalne code review z AI.

• README a plik instrukcji dla agentów.

• Changelog, JSDoc / Swagger.

10. Podsumowanie pierwszego dnia

• Podsumowanie i pytania uczestników.

• Przygotowanie do pracy z agentami CLI i chmurą.

DZIEŃ 2 – AGENCI CLI, AUTOMATYZACJA I AI W CHMURZE

1. Setup i sposób myślenia (System 2 Thinking)

• Asystent a agent – różnice i zastosowania.

• Planowanie i delegowanie zadań autonomicznym agentom.

2. Rozumienie kodu w CLI – Brownfield Project

• Instalacja i konfiguracja narzędzi CLI, na przykład GitHub Copilot CLI, Gemini CLI lub Claude Code.

• Analiza codebase z terminala i poznanie projektu bez otwierania plików.

• Praca z dużym kontekstem w CLI.

• Personalizacja agentów przez reguły i plik instrukcji dla agentów.

3. Delegowanie do chmury i praca asynchroniczna

• Delegowanie testów jednostkowych agentom w chmurze.

• Równoległy debugging lokalny w CLI.

• Łączenie pracy lokalnej i zdalnych agentów.

• Code review generowane przez agentów AI, na przykład GitHub Copilot, Gemini Assist, Codex.

4. Skills i testy integracyjne z AI

• Definiowanie Skills dla agentów CLI.

• Automatyczne przygotowanie bazy danych, na przykład SQLite, i seed danych.

• Generowanie, uruchamianie i poprawianie testów integracyjnych.

5. Autonomiczna pętla (Ralph Loop)

• Context rot przy długotrwałej pracy agentów.

• Skrypt uruchamiający nowych agentów do kolejnych zadań.

• Pętla Think → Plan → Act → Test → Commit.

• Planowanie, PRD, ADR i śledzenie postępu prac.

• Poziomy autonomii, dostęp do narzędzi i zagrożenia.

6. Cloud Agents i AI w CI/CD

• Konfiguracja automatycznego code review z agentami AI.

• One-Click Fix – wdrażanie poprawek sugerowanych przez AI.

• Security First – skanowanie bezpieczeństwa kodu.

7. Podsumowanie i pytania

• Podsumowanie efektów pracy.

• Demo rozwiązań.

• Pytania uczestników.

• Kierunki rozwoju i przyszłość AI w chmurze.