Schița de curs
De la autocomplete la agenți: de ce eșuează agenții
• Anatomia unui agent de codificare: model, carcasă (harness), suprafața instrumentelor, context, permisiuni
• Unde se situează fiecare instrument: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• O taxonomie a eșecului: context incorect, instrumente greșite, lipsa feedback-ului, autonomie nelimitată
Demonstrație: Aceeași sarcină, executată bine și proastă, una lângă alta
Ingineria contextului
• Fereastra de context ca un buget: ceea ce merită să ocupe un spațiu în ea
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — un concept, mai multe nume de fișiere, o singură sursă adevărată
• Convenții, comenzi de construire și testare, limite arhitecturale
• Recuperarea informațiilor versus contextul explicit; descompunerea sarcinilor și agenții derivați (sub-agents)
Laborator: Scrieți contextul depozitului de cod pentru un serviciu Python necunoscut, apoi rulați din nou o sarcină care a eșuat și comparați ieșirile
Fluxuri de lucru reutilizabile și Abilități pentru Agenți (Agent Skills)
• Alegerea abstracției: fișier de instrucțiuni, abilitate, comandă personalizată sau script simplu
• Anatomia unei abilități: declanșare, instrucțiuni, scripturi incluse, dezvăluire progresivă
• Portabilitatea între instrumente și punctul în care începe dependența (lock-in)
• Versiunile, revizuirea și distribuția între o echipă; anti-paterni comune
Laborator: Construiți și testați un flux de lucru reutilizabil care impune un standard intern de codificare
MCP: conectarea agenților la sisteme reale
• Arhitectură: clienți, servere, instrumente, resurse și prompturi; transport prin stdio și HTTP
• Servere care merită să fie incluse: gazduire Git, sisteme de urmărire a problemelor, baze de date, browsere, API-uri interne
• Când un CLI sau un script bate un server MCP
• Igienă suprafeței instrumentelor: de ce mai multe instrumente înseamnă mai puțină fiabilitate
Laborator: Conectați serverele MCP și parcurgeți o sarcină (ticket) de la început până la sfârșit — problemă, ramifică (branch), patch, teste, cerere de pull
Bucle de feedback și evaluare
• Testele, tipurile și linterii ca adevăr fundamental pentru agent; munca „test-first” ca mecanism de control
• CI ca buclă exterioară și disciplina de revizuire pentru diferențele (diffs) create de agenți
• Seturi de sarcini de referință (golden-task evaluation sets): ce măsurăm și cum prindem regresii
• Costul și latența ca metrici de prim rang (first-class metrics)
Laborator: Construiți un set mic de evaluare și evaluați două configurații de agenți pe baza lui
Securitate și garduri de siguranță
• Injecția de prompturi prin probleme (issues), cereri de pull, README-uri, dependențe și pagini accesate
• Modele de permisiuni: liste albe, aprobări, instrumente doar pentru citire, controlul ieșirii de rețea
• Igiena secretelor și izolarea (sandboxing): containere, acreditări efemere, limitarea razei de explozie
• Risc în lanțul de aprovizionare la serverele MCP terțe și abilitățile partajate
Laborator: Urmăriți un agent care este preluat de controlul unui depozit de cod corupt (poisoned repository), apoi consolidați configurația pentru a evita acest lucru
Implementarea aceasta într-o echipă
• Un drum gradual pentru adoptare; ce să standardizezi și ce să lași în seama indivizilor
• Metricile care indică o valoare reală și cele care nu o fac
Cerințe
• Cunoștințe solide de Python, Git și linia de comandă
• O expunere anterioară la un asistent AI de codificare
• NobleProg va configura mașini virtuale Dadesktop pentru participanți, cu Docker, VS Code și Python 3.11 sau versiune ulterioară
• Un asistent AI de codificare funcțional la alegerea participantului: Claude Code, GitHub Copilot, Cursor, Codex CLI sau Gemini CLI. Laboratoarele sunt agnostice din punct de vedere al instrumentelor și sunt furnizate instrucțiuni pentru fiecare
Public țintă
• Ingineri software, lideri tehnici și arhitecți care utilizează asistenți AI de codificare dar nu obțin rezultate fiabile
• Ingineri de platformă și experiență pentru dezvoltatori care implementează instrumente AI în echipă
• Manageri de inginerie care stabilesc standardele, gardurile de siguranță și metricile 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
