Съдържание и теми, включени в курса
От автозавършване до агенти: защо агентите се провалят
• Анатомия на код-generиращ агент: модел, обвивка (harness), повърхност за инструменти, контекст, разрешения
• Разположението на всеки инструмент: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Таксономия на неуспеха: грешен контекст, неправилни инструменти, липса на обратна връзка, неконтролирана автономия
Демонстрация: Една и съща задача, изпълнена добре и зле, един до друг
Конструиране на контекст (Context engineering)
• Прозорецът за контекст като бюджет: какво заслужава място в него
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — една концепция, няколко имена на файлове, един източник на истина
• Конвенции, команди за компилация и тестове, архитектурни граници
• Извличане (retrieval) срещу експлицитен контекст; деконструкция на задачи и суб-агенти
Практическо упражнение: Напишете контекст за хранилището на непозната Python услуга, след което повторете провалена задача и сравнете изхода
Възпроизводими работни процеси и умения на агентите (Agent Skills)
• Избор на абстракция: файл с инструкции, умение, персонализирана команда или обикновен скрипт
• Анатомия на едно умение: активиране, инструкции, вградени скриптове, прогресивно разкриване
• Преносимост между инструментите и къде започва блокирането (lock-in)
• Версионирание, преглед и разпространение в рамките на екипа; често срещани анти-патерни
Практическо упражнение: Изградете и тествайте възпроизводим работен процес, който гарантира спазване на вътрешните стандарти за кодиране
MCP: свързване на агентите с реални системи
• Архитектура: клиенти, сървъри, инструменти, ресурси и промптове; транспортни протоколи stdio и HTTP
• Сървъри, които си заслужават мястото си: хостинг на Git, системи за проследяване на проблеми (issue trackers), бази данни, браузъри, вътрешни API-та
• Кога един CLI или скрипт са по-добър избор от MCP сървър
• Хигиена на повърхността за инструменти: защо повече инструменти означава по-малка надеждност
Практическо упражнение: Направете връзка с MCP сървъри и обработете задача (ticket) от начало до край — проблем, клон (branch), патч, тестове, pull request
Обратни връзки и оценка
• Тестове, типове данни (types) и линтъри като основна истина за агента; работата по принцип (test-first) като механизъм за контрол
• CI като външен контур и дисциплина при преглед на дифове, генерирани от агент
• Набори за оценка със златни задачи: какво да се измерва и как да се хванат регресии
• Разход (cost) и забавяне (latency) като първокласни метрики
Практическо упражнение: Изградете малък набор за оценка и оценете две конфигурации на агент спрямо него
Сигурност и предпазни мерки
• Инжекция на промпт чрез проблеми, pull requests, README-та, зависимости и изтеглени страници
• Модел за разрешения: allowlists (списъци с разрешени), одобрения, инструменти само за четене, контрол на изходящата мрежова активност
• Хигиена на тайните и sandboxing: контейнери, ефемерни упълномощения, ограничаване на радиуса на повреда
• Рискове във веригата на доставки при MCP сървъри и споделени умения от трети страни
Практическо упражнение: Наблюдавайте как агент бъде хакнат чрез отровено хранилище, след което укрепете настройките, за да предотвратите това
Въвеждане на практиката в екипа
• Стъпаловиден път за приемане; какво да се стандартизира и какво да се остави на индивидуалния избор
• Метрики, които показват реална стойност, и такива, които не го правят
Изисквания
• Работни познания по Python, Git и командния ред
• Опит с поне един AI асистент за кодиране
• NobleProg ще подготви VM-и (Dadesktop) за участниците с инсталирани Docker, VS Code и Python 3.11 или по-нова версия
• Работещ AI асистент за кодиране по избор на участника: Claude Code, GitHub Copilot, Cursor, Codex CLI или Gemini CLI. Практическите упражнения са инструмент-агностични и инструкции се предоставят за всеки от тях
Аудитория
• Софтуерни инженери, технически ръководители и архитекти, които използват AI асистенти за кодиране, но не получават стабилни резултати
• Инженери от платформи и developer-опита, въвеждащи AI инструменти в рамките на екипите
• Мениджъри в инженерните отдели, които установяват стандарти, предпазни мерки и метрики за успех
Отзиви от участници (3)
Тренерът е търпелив и много полезен. Той познава добре темата.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Курс - Agentic AI for Business Automation: Use Cases & Integration
Машинен превод
Добра смес от знания и практика
Ion Mironescu - Facultatea S.A.I.A.P.M.
Курс - Agentic AI for Enterprise Applications
Машинен превод
Мистото на теорията и практиката, както и на високонивелните и нисконивелните перспективи
Ion Mironescu - Facultatea S.A.I.A.P.M.
Курс - Autonomous Decision-Making with Agentic AI
Машинен превод