Schița de curs
De la autocompletare la agenți: de ce eșuează agenții
• Anatomia unui agent de codare: model, mediu de execuție (harness), suprafața de instrumente, context, permisiuni
• Unde se plasează fiecare instrument: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• O taxonomie a eșecului: context greșit, instrumente inadecvate, lipsa feedback-ului, autonomie nelimitată
Demonstrație: Aceeași sarcină, rezolvată corect și incorect, în paralel
Ingineria contextului
• Fereastra de context ca buget: ce merită să fie inclus în ea
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — un singur concept, mai multe denumiri de fișiere, o singură sursă de adevăr
• Convenții, comenzi de construire și testare, limite arhitecturale
• Recuperarea informațiilor versus context explicit; descompunerea sarcinilor și sub-agenți
Laborator: Scrieți contextul pentru un depozit de cod (repository) al unui serviciu Python necunoscut, apoi repetați o sarcină care eșua anterior și comparați ieșirea
Fluxuri de lucru reutilizabile și abilități ale agenților
• Alegerea abstractizării: fișier de instrucțiuni, abilitate (skill), comandă personalizată sau script simplu
• Anatomia unei abilități: declanșator, instrucțiuni, scripts încorporate, dezvăluire progresivă
• Portabilitatea între instrumente și unde începe blocarea la un anumit tool (lock-in)
• Versiunizare, revizuire și distribuire în cadrul echipei; anti-paternuri comune
Laborator: Construiți și testați un flux de lucru reutilizabil care impune standardele interne de codare
MCP: conectarea agenților la sisteme reale
• Arhitectură: clienți, servere, instrumente, resurse și prompturi; transport stdio și HTTP
• Servere care își justifică prezența: gazduire Git, sisteme de gestionare a problemelor (issue trackers), baze de date, browsere, API-uri interne
• Când o comandă CLI sau un script sunt preferate față de un server MCP
• Igienă suprafeței instrumentelor: de ce mai multe instrumente înseamnă mai puțină fiabilitate
Laborator: Conectați servere MCP și parcurgeți complet o sarcină (ticket) — de la problemă, ramificare (branch), patch-uri, teste până la cererea de extragere (pull request)
Bucle de feedback și evaluare
• Testele, tipurile și linter-ele ca adevăr fundamental al agentului; lucrul test-first ca mecanism de control
• CI ca buclă exterioară și disciplina de revizuire a diferențelor (diffs) generate de agenți
• Seturi de sarcini „golden” pentru evaluare: ce să măsori și cum să prindeți regresii
• Costul și latența ca métrici de primă clasă
Laborator: Construiți un set mic de evaluare și scalați două configurații de agenți în raport cu acesta
Securitate și garduri de protecție
• Injecția de prompt prin probleme (issues), pull requests, README-uri, dependențe și pagini web preluate
• Modele de permisiuni: liste de permitere, aprobări, instrumente doar pentru citire, control al ieșirii rețelei (egress)
• Igienă secretelor și izolarea (sandboxing): containere, credențiale efemere, limitarea razului de distrugere
• Riscuri în lanțul de aprovizionare la serverele MCP terțe și abilitățile partajate
Laborator: Urmăriți cum un agent este preluat de control prin intermediul unui depozit de cod viciat (poisoned), apoi întăriți configurația pentru a preveni acest lucru
Implementarea la nivel de echipă
• Un traseu de adoptare în etape; ce să standardizați și ce să lăsați la latitudinea individului
• Métrici care indică o valoare reală și cele care nu o fac
Cerințe
• Cunoștințe practice de Python, Git și linia de comandă
• Expunere anterioară față de un asistent AI de codare
• NobleProg va configura mașini virtuale Dadesktop pentru participanți, cu Docker, VS Code și Python 3.11 sau o versiune ulterioară
• Un asistent AI de codare funcțional, la alegerea participantului: Claude Code, GitHub Copilot, Cursor, Codex CLI sau Gemini CLI. Laboratoarele sunt agnostice față de instrumente, iar instrucțiuni specifice sunt furnizate pentru fiecare
Public țintă
• Ingineri software, lideri tehnici și arhitecți care folosesc asistenți AI de codare dar nu obțin rezultate fiabile
• Ingineri platformă și experți în experiența dezvoltatorilor care implementează instrumente AI la nivel de echipă
• Manageri de inginerie care stabilesc standarde, garduri de protecție și métrici de succes
Mărturii (3)
Trainerul este răbdător și foarte util. Cunoaște bine subiectul.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Curs - Agentic AI for Business Automation: Use Cases & Integration
Tradus de catre o masina
Bună amestec de cunoștințe și practică
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curs - Agentic AI for Enterprise Applications
Tradus de catre o masina
Mixul dintre teorie și practică, precum și al perspectivelor de nivel ridicat și de nivel scăzut
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curs - Autonomous Decision-Making with Agentic AI
Tradus de catre o masina
