課程簡介
從自動完成到代理:為什麼代理會失敗
• 編碼代理的解剖結構:模型、封套、工具表面、上下文、權限
• 各工具的定位:Claude Code、GitHub Copilot、Cursor、Codex CLI、Gemini CLI
• 失敗的分類學:錯誤的上下文、錯誤的工具、缺乏反饋、無邊界的自主性
演示:同一任務,良好執行與糟糕執行並列對比
上下文工程
• 將上下文視窗視為預算:哪些內容值得佔據空間
• AGENTS.md、CLAUDE.md、.cursor/rules、copilot-instructions.md —— 同一概念,多個檔案名,單一事實來源
• 慣例、建構和測試指令、架構邊界
• 檢索與明確上下文;任務分解和子代理
實驗:為一個陌生的 Python 服務編寫倉庫上下文,然後重新運行失敗的任務並比較輸出結果
可重用的工作流程和代理技能
• 選擇抽象層:指令檔案、技能、自訂命令或純腳本
• 技能的解剖結構:觸發條件、指令、捆綁腳本、漸進式披露
• 跨工具的移植性,以及何處開始出現鎖定效應
• 版本控制、審查以及在團隊中的分發;常見的錯誤模式
實驗:構建並測試一個強制執行團隊編碼標準的可重用工作流程
MCP:將代理連接到真實系統
• 架構:客戶端、服務器、工具、資源和提示;stdio 和 HTTP 傳輸
• 值得存在的服務器:Git 託管、問題追蹤器、資料庫、瀏覽器、內部 API
• 何時 CLI 或腳本優於 MCP 服務器
• 工具表面衛生:為什麼工具越多可靠性越低
實驗:連接 MCP 服務器並端到端處理一張工單 —— 問題、分支、修補程式、測試、拉取請求
反饋迴圈和評估
• 將測試、類型檢查器和程式碼風格檢查器作為代理的基準事實;先寫測試的工作方式作為控制機制
• 將 CI 作為外層迴圈,並對代理生成的差異實施審查紀律
• 黃金任務評估集:測量和捕捉回歸測試的指標
• 將成本和延遲作為一等級的指標
實驗:構建一個小型評估集,並對兩個代理配置進行評分
安全性和防護柵欄
• 透過問題、拉取請求、README、依賴項和抓取頁面進行提示注入
• 權限模型:白名單、批准流程、唯讀工具、網路出口控制
• 密碼雜湊和沙箱技術:容器、臨時憑證、限制爆炸半徑
• 第三方 MCP 服務器和共享技能中的供應鏈風險
實驗:觀察代理被中毒的倉庫劫持,然後加固設置以防止此類情況發生
將此擴展至團隊
• 分階段採用路徑;哪些需要標準化,哪些留給個人
• 表明真實價值的指標,以及無效的指標
最低要求
• 具備 Python、Git 和命令行的工作知識
• 此前曾接觸過某種 AI 編碼輔助工具
• NobleProg 將為參與者配置帶有 Docker、VS Code 和 Python 3.11 或更高版本的 Dadesktop VM。
• 參與者自行選擇的工作 AI 編碼輔助工具:Claude Code、GitHub Copilot、Cursor、Codex CLI 或 Gemini CLI。實驗與工具無關,並為每種工具提供說明
受眾
• 使用 AI 編碼輔助工具但未能獲得可靠結果的軟體工程師、技術主管和架構師
• 在團隊中部署 AI 工具的平台和開發者體驗工程師
• 制定標準、防護柵欄和成功指標的工程經理
客戶評論 (3)
培訓師很有耐心,也非常樂於助人。他對主題非常瞭解。
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
課程 - Agentic AI for Business Automation: Use Cases & Integration
機器翻譯
知識與實踐的良好結合
Ion Mironescu - Facultatea S.A.I.A.P.M.
課程 - Agentic AI for Enterprise Applications
機器翻譯
理論與實踐的結合,以及高層與底層視角的融合
Ion Mironescu - Facultatea S.A.I.A.P.M.
課程 - Autonomous Decision-Making with Agentic AI
機器翻譯