Jeśli dziś korzystasz z GitHub Copilot, Cursor Tab albo innego narzędzia AI głównie do autocomplete i szybkiego generowania fragmentów kodu, to znaczy, że jesteś dopiero na pierwszym poziomie wykorzystania AI. To szkolenie powstało po to, aby pomóc Ci wejść poziom wyżej – z roli wykonawcy w rolę managera, który planuje, deleguje, kontroluje jakość i pozwala AI pracować także wtedy, gdy sam nie siedzi przy klawiaturze.
Dwudniowe warsztaty poświęcone są Vibe Engineering, czyli świadomemu i odpowiedzialnemu wykorzystaniu AI w procesie wytwarzania oprogramowania. Nie uczymy „vibe codingu”, losowego generowania kodu ani bezrefleksyjnego klikania „accept”. Pokazujemy, jak przyspieszać pracę bez utraty kontroli nad jakością, architekturą i bezpieczeństwem, wykorzystując AI jako realne wsparcie w codziennej pracy programisty, tech leada czy architekta.
Szkolenie łączy dwa sposoby pracy z AI. Z jednej strony System 1 Thinking – szybkie, intuicyjne kodowanie w IDE, gdzie AI działa jak „exoskeleton”, wspierając refaktoryzację, testy, dokumentację i analizę kodu. Z drugiej strony System 2 Thinking – spokojne, przemyślane planowanie, delegowanie zadań autonomicznym Agentom AI, praca w terminalu, automatyzacja procesów oraz wykorzystanie agentów działających w tle i w chmurze.
Podczas warsztatów pracujemy na żywym organizmie. Uczestnicy otrzymują dostęp do repozytorium GitHub z „brudnym” kodem (Brownfield Project), który wspólnie analizujemy, porządkujemy, refaktoryzujemy i rozbudowujemy o nowe funkcje. W trakcie szkolenia stopniowo zwiększamy poziom autonomii AI – od pracy w IDE jako partner pair-programmingowy, przez agentów CLI w terminalu, aż po agentów działających asynchronicznie w chmurze, wykonujących testy, code review i inne zadania bez bezpośredniego nadzoru.
Szkolenie pokazuje, jak skutecznie rozmawiać z AI, jak formułować polecenia, definiować kontekst, role, ograniczenia i kryteria jakości, a także jak radzić sobie z halucynacjami, „context rot” i innymi realnymi problemami pracy z dużymi modelami językowymi. Uczestnicy uczą się, jak wykorzystywać AI do zrozumienia istniejącego kodu, planowania zmian, generowania testów jednostkowych i integracyjnych, przygotowywania dokumentacji technicznej oraz przeprowadzania code review.
Duży nacisk położony jest na automatyzację. Pokazujemy, jak wyjść poza IDE do terminala i zmusić AI do pracy w tle – również wtedy, gdy programista zajmuje się czymś innym. Uczestnicy poznają koncepcję autonomicznej pętli (tzw. „Ralph Loop”), uczą się definiowania Skills dla agentów, delegowania testów integracyjnych, łączenia pracy agentów lokalnych i chmurowych oraz bezpiecznego włączania AI w procesy CI/CD.
W trakcie szkolenia poruszamy także podstawy budowy aplikacji wykorzystujących modele AI (m.in. OpenAI SDK, Speech-to-Text), jednak zawsze w kontekście realnych zastosowań biznesowych i inżynierskich, a nie eksperymentów oderwanych od codziennej pracy zespołów developerskich.
Warsztaty prowadzone są w formie praktycznej, z naciskiem na samodzielną pracę uczestników. Nie korzystamy z maszyn wirtualnych – każdy pracuje lokalnie na swoim sprzęcie, w swoim środowisku. Przed szkoleniem uczestnicy otrzymują szczegółową instrukcję i checklistę instalacyjną.
Jako bazowy język programowania wykorzystywany jest TypeScript, jednak ćwiczenia można wykonywać również w innych popularnych językach, takich jak Python, Java czy Rust. Zasady pracy z AI, agentami i automatyzacją pozostają w dużej mierze niezależne od technologii.
Szkolenie skierowane jest do programistów, którzy znają dobrze przynajmniej jeden język programowania i chcą przestać traktować AI wyłącznie jako „lepsze Google”. Jest szczególnie wartościowe dla midów, seniorów i tech leadów, ale samodzielny i zmotywowany junior również poradzi sobie z materiałem.
Po ukończeniu szkolenia uczestnicy zyskują nie tylko konkretne umiejętności techniczne, ale przede wszystkim nowy sposób myślenia o pracy z AI – jako o narzędziu, którym się zarządza, a nie które „magicznie pisze kod”. Dzięki temu są w stanie realnie przyspieszyć swoją pracę, poprawić jakość wytwarzanego oprogramowania i lepiej wykorzystać potencjał nowoczesnych narzędzi AI w codziennej praktyce.
Narzędzia wykorzystywane podczas szkolenia
Zestaw narzędzi wykorzystywanych podczas szkolenia dobierany jest na podstawie ankiety przed szkoleniem.
Pracujemy zarówno w IDE, jak i w terminalu oraz procesach CI/CD, aby pokazać pełny proces pracy z AI w wytwarzaniu oprogramowania.
Jako bazowy standard rynkowy wykorzystujemy GitHub Copilot, dostępny w popularnych środowiskach IDE (m.in. VS Code, IntelliJ IDEA, Xcode). W zależności od preferencji grupy prezentowane są również 1–2 alternatywne narzędzia, takie jak Cursor, Google Antigravity lub Zed.
W części poświęconej pracy w terminalu wybierane jest jedno główne narzędzie CLI oraz 1–2 narzędzia uzupełniające (np. GitHub Copilot CLI, Claude Code, Gemini CLI, Codex CLI, Cursor CLI, OpenCode, Aider, Goose). Jako repozytorium kodu i środowisko CI/CD wykorzystywany jest GitHub.
Jakie języki programowania?
Jako bazę do przykładów proponuję TypeScript jako najbardziej uniwersalny i powszechnie używany język full-stack. Jednak na bazie ankiet przed szkoleniem i preferencji grupy udostępnię również repo i przykłady w 1-2 innych językach (np. Python, Rust, Java) i postaram się w trakcie szkolenia pokazać różnice. Same ćwiczenia możesz więc wykonywać w języku najbardziej dla Ciebie wygodnym. Większość zasad pracy z AI i narzędzi AI działa podobnie we wszystkich popularnych językach.
Adresaci szkolenia:
- Programiści znający dobrze co najmniej jeden język programowania (np. TypeScript, Python, Java, C#, Rust).
- Osoby, które wykorzystują AI głównie jako „lepsze Google” lub do autocomplete i chcą wejść na wyższy poziom pracy z AI.
- Programiści chcący przejść od pisania kodu do projektowania rozwiązań i zarządzania pracą agentów AI.
- Miderzy, seniorzy oraz tech leadzi poszukujący sposobów na przyspieszenie pracy własnej lub zespołu.
- Osoby początkujące w automatyzacji programowania z AI, jak i uczestnicy już korzystający z AI na co dzień, chcący uporządkować wiedzę.
- Samodzielni i zmotywowani juniorzy, gotowi pracować na istniejącym kodzie (Brownfield Project).
Wymagania:
- własny laptop umożliwiający komfortową pracę z kodem,
- zainstalowane środowisko (Node.js 22+ i Python 3) i wybrane CLI,
- konto GitHub (najlepiej prywatne lub z uprawnieniami do tworzenia repo i push do publicznych repo),
- aktywna subskrypcja w minimum jednym narzędziu AI (rekomendujemy GitHub Copilot, lub alternatywnie Google AI Pro, Claude Code, Cursor, Codex/ChatGPT, Z.ai Coding Plan) i zapas tokenów do wykorzystania!
- Na szkoleniu udostępnię klucz API do OpenRouter z ograniczonym dostępem do tanich modeli (jak Gemini Flash, GLM 4.7 czy DeepSeek + model STT), jednak głównie pod kątem aplikacji AI nad którą będziemy pracować i jako backup. Wymagane jest używanie własnych tokentów / kredytów do LLM.
Cel szkolenia:
- Zarządzanie agentami AI przy zachowaniu jakości i bezpieczeństwa kodu.
Korzyści ze szkolenia:
Co zyskasz i czego się nauczysz?
- Odzyskasz czas, delegując agentom AI pisanie testów, dokumentacji oraz części logiki biznesowej — zarówno lokalnie, jak i w chmurze.
- Zwiększysz liczbę zrealizowanych zadań, wykorzystując pracę agentów AI także poza godzinami aktywnej pracy.
- Poprawisz jakość kodu dzięki lepszemu planowaniu rozwiązań, dobremu pokryciu testami oraz automatycznemu code review.
- Nauczysz się świadomie kierować pracą AI — kiedy jej używać, jak formułować polecenia oraz kiedy zachować pełną kontrolę po stronie człowieka.
- Poznasz aktualne narzędzia AI (IDE, CLI, Cloud) oraz trendy i nauczysz się dobierać odpowiednie narzędzie i model LLM do konkretnego zadania.
PROGRAM SZKOLENIA
Dzień 1 – AI-Assisted Coding i Vibe Engineering w IDE
Setup & Mindset:
- Poznanie grupy i oczekiwań uczestników
- Vibe Coding vs Vibe Engineering
- Szybkie powtórzenie podstaw pracy z LLM:
- okno kontekstu, atencja i tokeny,
- autoregresja, halucynacje, knowledge cutoff,
- benchmarki modeli, koszty i dobór LLM do zadania,
- najnowsze badania dotyczące AI w programowaniu.
AI Agent jako „zdolny junior z ADHD”:
- zarządzanie agentem i podział zadań na mniejsze fragmenty,
- formułowanie jasnych instrukcji i kryteriów oceny.
Prompt Engineering dla programistów:
- jak rozmawiać z modelem, aby ograniczyć halucynacje,
- kontekst, rola, format i ograniczenia,
- problem context rot i sposoby radzenia sobie z nim.
Zrozumienie kodu z AI (Brownfield Project):
- konfiguracja IDE pod AI (np. GitHub Copilot, VS Code, Cursor),
- wprowadzenie do repozytorium z długiem technicznym,
- szybkie zrozumienie działania aplikacji z pomocą AI,
- praca z dużym kontekstem (kompresja, iteracja),
- personalizacja: pliki AGENTS.md i reguły (globalne i projektowe).
Refaktoryzacja i „odgruzowanie” kodu:
- debugowanie z AI (Context7 MCP),
- testy jednostkowe i TDD z agentem AI,
- refaktoryzacja bez psucia funkcjonalności.
Planowanie nowej funkcjonalności z AI:
- research i wybór narzędzi,
- generowanie PRD i ADR,
- Definition of Done (testy, linting, UI),
- tryb planowania i tworzenie listy zadań przez agenta.
Vibe Engineering – implementacja:
- implementacja z autonomicznym agentem AI,
- poziomy autonomii i zagrożenia,
- testy, walidacja i commit message generowany przez AI.
Frontend – jak AI „widzi” aplikację:
- generowanie UI na podstawie screenów (Multimodal AI),
- praca z przeglądarką i DOM (Cursor, Antigravity),
- Chrome DevTools MCP / Browser Use MCP,
- weryfikacja efektów pracy przez agenta.
Code Review i dokumentacja:
- lokalne code review z AI,
- README vs AGENTS.md,
- changelog, JSDoc / Swagger.
Wrap-up dnia 1:
- podsumowanie,
- pytania uczestników,
- przygotowanie do pracy z agentami CLI i chmurą.
Dzień 2 – Agenci CLI, automatyzacja i AI w chmurze
Setup & Mindset (System 2 Thinking):
- Asystent vs Agent – różnice i zastosowania,
- planowanie i delegowanie zadań autonomicznym agentom.
Zrozumienie kodu w CLI (Brownfield Project):
- instalacja i konfiguracja narzędzi CLI (np. GitHub Copilot CLI, Gemini CLI, Claude Code),
- analiza codebase z terminala – zrozumienie projektu bez otwierania plików,
- praca z dużym kontekstem w CLI,
- personalizacja agentów (reguły, AGENTS.md).
Delegowanie do chmury i praca asynchroniczna:
- delegowanie testów jednostkowych do agentów w chmurze,
- równoległy lokalny debugging w CLI,
- merge pracy lokalnej i zdalnych agentów,
- code review generowane przez agentów AI (GitHub Copilot, Gemini Assist, Codex).
Skills i testy integracyjne z AI:
- definiowanie Skills dla agentów CLI,
- automatyczne stawianie bazy danych (np. SQLite) i seed danych,
- generowanie, uruchamianie i poprawa testów integracyjnych.
Autonomiczna pętla (Ralph Loop):
- problem context rot przy długotrwałej pracy agentów,
- skrypt uruchamiający nowych agentów dla kolejnych zadań,
- implementacja pętli: Think → Plan → Act → Test → Commit,
- planowanie, PRD, ADR i śledzenie postępu prac,
- poziomy autonomii, dostęp do narzędzi i zagrożenia.
Cloud Agents & AI w CI/CD:
- konfiguracja automatycznego code review z agentami AI,
- One-Click Fix – wdrażanie poprawek sugerowanych przez AI,
- Security First – skanowanie bezpieczeństwa kodu.
Wrap-up & Q&A:
- podsumowanie efektów pracy,
- demo rozwiązań,
- pytania uczestników,
- kierunki rozwoju i przyszłość AI w chmurze.
Informacje organizacyjne:
08:45 – 09:00 Logowanie do platformy i sprawdzanie ustawień
09:00 – 15:00 Zajęcia
Po zapisaniu się na szkolenie wszystkie kwestie techniczne będą Państwu przesłane drogą mailową.