Ta kontakt

Kursplan

Fra autofullføring til agenter: hvorfor agenter feiler

•     Anatomi i en kodingsagent: modell, bås, verktyleflate, kontekst, tillatelser

•     Hvor hvert verktøy plasseres: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI

•     En taksonomi for feil: feil kontekst, feil verktøy, ingen tilbakemelding, ubegrenset autonomi

Demonstrasjon: Oppgaven utført godt og dårlig, side om side

Kontekstingeniørfaglighet

•     Kontekstvinduet som en budsjettrammer: hva fortjener en plass i det

•     AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — ett konsept, flere filnavn, én kilde til sannhet

•     Konvensjoner, bygge- og testkommandoer, arkitektoniske grenser

•     Henting versus eksplicit kontekst; oppgavedeling og underagenter

Lab: Skriv lagerkontekst for en ukjent Python-tjeneste, kjør deretter en feilende oppgave på nytt og sammenlign utdataene

Gjenbrukbare arbeidsflyter og agentferdigheter

•     Valg av abstraksjon: instruksjonsfil, ferdighet, egendefinert kommando eller vanlig skript

•     Anatomi i en ferdighet: utløsning, instruksjoner, inkluderte skripter, progressiv avsløring

•     Bærekraft på tvers av verktøy, og hvor låsing begynner

•     Versjonering, gjennomgang og distribusjon på tvers av et team; vanlige anti-mønster

Lab: Bygg og test en gjenbrukbar arbeidsflyt som håndhever en huset kodingstandard

MCP: kobling av agenter til sanne systemer

•     Arkitektur: klienter, servere, verktøy, ressurser og forespørsler; stdio- og HTTP-overføringer

•     Servere som fortjener sin plass: Git-lagring, utsteder-sporere, databaser, nettlesere, interne API-er

•     Når et CLI eller skript er bedre enn en MCP-server

•     Ryddighet i verktylet: hvorfor flere verktøy betyr mindre pålitelighet

Lab: Koble MCP-servere og fullfør en billett fra start til slutt — utsteder, branch, fiks, tester, pull request

Tilbakemeldingsløkker og evaluering

•     Tester, typer og lints som agentens grunnleggende sannhet; test-først-arbeid som en kontrollmekanisme

•     CI som den ytre løkken, og gjennomgangsdisciplin for agent-skrevne diff-filer

•     Sett med gull-standard oppgaver: hva du måler og hvordan du fanger tilbakefall

•     Kostnad og latens som første-klasses mål

Lab: Bygg en liten evalueringssett og poengsett to agentkonfigurasjoner mot det

Sikkerhet og sikkerhetskontroller

•     Prompt-injeksjon gjennom utsteder, pull requests, README-er, avhengigheter og hentede sider

•     Tillatelsesmodeller: tillatelseslister, godkjenninger, lese-trygge verktøy, kontroll av nettverksutgående

•     Håndtering av hemmeligheter og sandkassing: containere, flyktige legitimasjoner, begrensning av eksplosjonsradius

•     Forsyningskjederisiko i tredjeparts MCP-servere og delte ferdigheter

Lab: Se en agent bli kidnappet av en forgiftet repository, deretter herde oppsettet slik at det ikke skjer

Rullering ut til et team

•     En trinnvis innføringssti; hva du skal standardisere og hva som skal overlates til individer

•     Mål som indikerer reell verdi, og de som ikke gjør det

Krav

•     Arbeidskjennskap til Python, Git og kommandolinjen

•     Noen forhåndsvisning av en AI-kodingsassistent

•     NobleProg vil sette opp Dadesktop-VM-er for deltakerne med Docker, VS Code og Python 3.11 eller senere

•     En fungerende AI-kodingsassistent etter deltakerens eget valg: Claude Code, GitHub Copilot, Cursor, Codex CLI eller Gemini CLI. Labbene er verktøy-uavhengige, og instruksjoner er tilgjengelige for hver

Målgruppe

•     Programvareingeniører, tekniske ledere og arkitekter som bruker AI-kodingsassistenter uten å få pålitelige resultater

•     Platform- og utvikleropplevelsesingeniører som ruller ut AI-verktøy på tvers av team

•     Ingeniørledere som setter standarder, sikkerhetskontroller og suksessmålinger

 7 Timer

Antall deltakere


Pris per deltaker

Referanser (3)

Kommende kurs

Relaterte kategorier