Свържете се с нас

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

 7 Часа

Брой участници


Цена за участник

Отзиви от участници (3)

Предстоящи Курсове

Свързани Kатегории