Struttura del corso
Dal completamento automatico agli agenti: perché gli agenti falliscono
• Anatomia di un agente di codice: modello, harness, superficie degli strumenti, contesto, permessi
• Dove si colloca ogni strumento: Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Una tassonomia del fallimento: contesto errato, strumenti errati, mancanza di feedback, autonomia illimitata
Dimostrazione: Lo stesso compito, eseguito bene e male, affiancati
Ingegneria del contesto
• La finestra di contesto come budget: cosa meriterebbe un posto in essa
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md — un concetto, diversi nomi di file, una fonte di verità
• Convenzioni, comandi di build e test, confini architetturali
• Recupero rispetto al contesto esplicito; decomposizione dei compiti e sotto-agenti
Lab: Scrivere il contesto del repository per un servizio Python sconosciuto, quindi ri-eseguire un compito fallito e confrontare l'output
Flussi di lavoro riutilizzabili e Competenze degli Agenti
• Scegliere l'astrazione: file di istruzione, competenza, comando personalizzato o script semplice
• Anatomia di una competenza: attivazione, istruzioni, script inclusi, disclosure progressiva
• Portabilità tra strumenti e dove inizia il lock-in
• Versioning, revisione e distribuzione tra un team; anti-pattern comuni
Lab: Costruire e testare un flusso di lavoro riutilizzabile che applica uno standard di codifica aziendale
MCP: collegare gli agenti a sistemi reali
• Architettura: client, server, strumenti, risorse e prompt; trasporti stdio e HTTP
• Server che meritano il loro posto: hosting Git, tracciatori di problemi, database, browser, API interne
• Quando una CLI o uno script batte un server MCP
• Igiene della superficie degli strumenti: perché più strumenti significano meno affidabilità
Lab: Collegare server MCP e gestire un task end-to-end — problema, branch, patch, test, pull request
Loop di feedback e valutazione
• Test, tipi e linting come ground truth dell'agente; lavoro test-first come meccanismo di controllo
• CI come loop esterno e disciplina di revisione per le differenze scritte dagli agenti
• Insiemi di valutazione con task d'oro: cosa misurare e come rilevare le regressioni
• Costo e latenza come metriche di primo piano
Lab: Costruire un piccolo insieme di valutazione e punteggio due configurazioni degli agenti contro di esso
Sicurezza e garde-fou
• Iniezione di prompt attraverso problemi, pull request, README, dipendenze e pagine recuperate
• Modelli di permessi: liste bianche, approvazioni, strumenti in sola lettura, controllo dell'egress di rete
• Igiene dei segreti e sandboxing: contenitori, credenziali effimere, limitazione dell'ampiezza del danno
• Rischi della catena di approvvigionamento nei server MCP di terze parti e nelle competenze condivise
Lab: Osservare un agente rapito da un repository avvelenato, quindi consolidare la configurazione in modo che non accada più
Distribuire questo a un team
• Un percorso di adozione graduale; cosa standardizzare e cosa lasciare alla discrezione individuale
• Metriche che indicano valore reale e quelle che non lo fanno
Requisiti
• Conoscenza pratica di Python, Git e della riga di comando
• Precedente esposizione a un assistente di codice AI
• NobleConfigurerà le VM Dadesktop per i partecipanti con Docker, VS Code e Python 3.11 o versioni successive
• Un assistente di codice AI funzionante a scelta del partecipante: Claude Code, GitHub Copilot, Cursor, Codex CLI o Gemini CLI. I laboratori sono indipendenti dallo strumento e vengono fornite istruzioni per ciascuno
Destinatari
• Ingegneri software, lead tecnici e architetti che utilizzano assistenti di codice AI senza ottenere risultati affidabili
• Ingegneri della piattaforma e dell'esperienza degli sviluppatori che distribuiscono strumenti AI tra i team
• Responsabili ingegneristici che definiscono standard, garde-fou e metriche di successo
Recensioni (3)
Il istruttore è paziente e molto disponibile. Conosce bene l'argomento.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Corso - Agentic AI for Business Automation: Use Cases & Integration
Traduzione automatica
Buona miscela di conoscenza e pratica
Ion Mironescu - Facultatea S.A.I.A.P.M.
Corso - Agentic AI for Enterprise Applications
Traduzione automatica
Il mix di teoria e pratica e di prospettive a livello alto e basso
Ion Mironescu - Facultatea S.A.I.A.P.M.
Corso - Autonomous Decision-Making with Agentic AI
Traduzione automatica
