Szkolenie: GitHub Copilot dla programistów - bezpieczna praca z istniejącym kodem
Praktyczne szkolenie z GitHub Copilot dla programistów, które uczy świadomej pracy z istniejącym kodem, przygotowywania kontekstu dla AI, bezpiecznej refaktoryzacji, debugowania, testowania sugestii oraz wykorzystania Copilota w codziennym workflow developerskim
GitHub Copilot dla programistów - bezpieczna praca z istniejącym kodem
Cele szkolenia
Szkolenie przygotowuje do samodzielnego wykorzystania GitHub Copilot w pracy z istniejącymi projektami programistycznymi, w tym legacy codebase
Szkolenie uczy świadomego dobierania kontekstu, ograniczeń i zakresu zadania, aby zmniejszać ryzyko błędnych lub zbyt szerokich sugestii AI
Szkolenie rozwija umiejętność bezpiecznej refaktoryzacji z użyciem GitHub Copilot przy zachowaniu kontraktów, testów, diffu i obserwowalnego zachowania systemu
Szkolenie pokazuje, jak wykorzystywać GitHub Copilot do debugowania, analizy regresji, root cause analysis, generowania hipotez oraz weryfikacji przyczyn problemów technicznych
Szkolenie uczy oceny jakości sugestii AI, w tym wygenerowanych testów, zmian produkcyjnych, propozycji security oraz potencjalnych ryzyk związanych z public code matching i licencjami
Szkolenie wprowadza w konfigurację instrukcji repozytorium .github/copilot-instructions.md, reusable prompts, Copilot CLI, Copilot Coding Agent oraz wykorzystanie GitHub MCP w kontekście GitHub workflowworkflow
Dla kogo?
Programiści pracujący z istniejącymi aplikacjami, legacy codebase albo projektami z niepełną dokumentacją
Programiści chcący korzystać z GitHub Copilot w sposób bardziej świadomy niż samo akceptowanie podpowiedzi autocomplete
Liderzy techniczni i senior developerzy odpowiedzialni za jakość zmian, code review oraz standardy pracy z AI w zespole
Osoby pracujące z kodem w wielu językach lub technologiach, które chcą szybciej rozumieć obce moduły bez rezygnowania z weryfikacji technicznej
QA engineers, test automation engineers i DevOps engineers wspierający zespoły developerskie w analizie błędów, testowaniu oraz pracy z repozytorium
Efekty kształcenia
Uczestnik wykorzystuje podczas szkolenia GitHub Copilot w VS Code do analizy istniejącego projektu, pracy z symbolami, zaznaczeniami, otwartymi plikami, terminalem i błędami
Uczestnik porównuje tryby pracy GitHub Copilot, takie jak autocomplete, inline chat, chat oraz agent mode, i dobiera je do skali oraz charakteru zmiany
Uczestnik przygotowuje kontekst dla GitHub Copilot, zawęża zakres zadania oraz prosi o plan przed implementacją, wykorzystując zasady context engineering
Uczestnik tworzy testy charakterystyki oraz wykorzystuje podczas szkolenia podejście golden master testing do ochrony zachowania legacy codebase
Uczestnik wykonuje refaktoryzację z pomocą GitHub Copilot małymi krokami, kontrolując kontrakty, diff, zmiany semantyczne oraz wynik testów
Uczestnik wykorzystuje GitHub Copilot do analizy root cause na podstawie logów, testów, regresji i ograniczonego zestawu plików
Uczestnik ocenia wygenerowane przez AI testy, odrzuca słabe przypadki i uzupełnia brakujące scenariusze brzegowe, uwzględniając ograniczenia modeli
Uczestnik analizuje sugestie AI pod kątem bezpieczeństwa, sekretów, danych wrażliwych, public code matching oraz ryzyk licencyjnych
Uczestnik tworzy pierwszą wersję pliku .github/copilot-instructions.md oraz promptów wielokrotnego użytku dla zespołu, a także wykorzystuje Copilot CLI, Copilot Coding Agent i GitHub MCP jako elementy codziennego workflow pracy z repozytorium
Wymagania
Podstawowa umiejętność programowania w dowolnym języku
Praktyczna znajomość Git oraz pracy z repozytorium kodu
Podstawowa znajomość testów automatycznych i pracy z terminalem
Zainstalowany Visual Studio Code oraz rozszerzenie GitHub Copilot
Aktywne konto GitHub z dostępem do GitHub Copilot, licencja płatna jest rekomendowana, a wariant darmowy może wystarczyć przy niskim wykorzystaniu, ale może osiągnąć limit podczas intensywnych ćwiczeń
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Copilot jako generator kodu i partner do rozumienia systemu
Jakość pracy, odpowiedzialność programisty i ograniczenia modeli
Praca z istniejącym kodem jako główny scenariusz szkolenia
Workspace, otwarte pliki, zaznaczenie, symbole, terminal i błędy
Kontrolowanie zakresu kontekstu
Dokumentacja, testy i aktywne pliki jako sygnały dla modelu
Różnice między trybami pracy Copilota
Autocomplete i najbliższy kontekst
Inline Chat jako narzędzie małej zmiany
Agent Mode pod kontrolą planu, zakresu i testów
Goal, Context, Constraints, Ask, Verify, Iterate
Understand, Scope, Patch, Test, Review
Explain, Challenge, Improve
Przekształcanie szerokiej prośby w małe zweryfikowane zadanie
Analiza wielomodułowego projektu warsztatowego
Nieaktualna dokumentacja, legacy smells, ukryte zależności i brakujące testy
Budowanie mapy modułów i zależności z pomocą Copilota
Pakowanie kontekstu do zadania
Praca z plikami, symbolami, testami i logami
Małe zakresy zmian i pytanie o plan przed implementacją
Dlaczego nie zaczynamy od refaktoru
Testy opisujące obecne zachowanie systemu
Red, Green, Refactor with AI
Golden master jako ochrona przed nieświadomą zmianą zachowania
Zakres refaktoru i ochrona kontraktów
Praca małymi krokami
Review diffu z pomocą Copilota
Kontrola semantycznych zmian w kodzie
Praca ze stack trace, logami, testami i regresjami
Copilot jako narzędzie do hipotez, nie źródło prawdy
Weryfikowanie przyczyn problemów w plikach i testach
Generowanie testów z pomocą Copilota
Rozpoznawanie brakujących scenariuszy
Fałszywa pewność odpowiedzi AI
Checklista oceny sugestii Copilota
Dane wrażliwe w kontekście przekazywanym modelowi
Realistyczne fikcyjne sekrety i bezpieczne przykłady
Public code matching i ryzyka licencyjne
Review zmian pod kątem ryzyka bezpieczeństwa
Plik .github/copilot-instructions.md
Prompt files jako powtarzalne narzędzia zespołu
Instrukcje repozytorium jako pamięć zespołu
Kiedy instrukcje pomagają, a kiedy szkodzą
Lokalna praca w VS Code jako główny workflow
Copilot w terminalu i analiza wyników komend
Copilot Coding Agent w pracy z zadaniami i pull requestami
GitHub MCP w kontekście repozytorium
Analiza nowego modułu projektu
Przygotowanie kontekstu, ograniczeń i planu
Test charakterystyki albo golden master
Mały refaktor lub poprawka błędu
Opis przyjętych i odrzuconych sugestii Copilota
Autorem szkolenia jest Mateusz Jabłoński
Zawodowo programowaniem zajmuje się od 2011 roku. Głównym obszarem jego zainteresowań jest Javascript (React, Angular) oraz szeroko pojęte programowanie. W projektach, w których uczestniczy stara się znaleźć idealny balans pomiędzy jakością kodu a efektywnością dostarczanym rozwiązań. Wierzy, że kluczem do sukcesu projektu jest posiadanie odpowiednio zmotywowanego zespołu o uzupełniających się kompetencjach. W ramach prowadzonych szkoleń i warsztatów stawia na przekrojowe zrozumienie zagadnień i…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
Szkolenie bardzo dobrze pokazuje dzisiejsze możliwości AI.
8.10.2026
Uczestnik szkolenia “ISTQB® Certified Tester Foundation Level”
Piotr Nocuń
Prowadzący - trener był bardzo dobrzy zaznajomiony z tematem; posiadał wiedzę z zakresu szkolenia i wykraczającą po za ramy szkolenia. Potrafił doskonale przekazać informacje, odpowiedzieć na pytania słuchaczy, wyjaśnić problemy nurtujące odbiorców. Prezentowane materiały (prezentacja z przykładami) bardzo dobrze korelowały z omawianymi tematami.
7.10.2026
Uczestnik szkolenia “AI w pracy Analityka Danych”
Urszula Jagoda
Przydatna wiedza w obszarze mojej pracy, na pewno będę używać tej wiedzy
7.10.2026
Uczestnik szkolenia “Apache Kafka - wprowadzenie do architektury sterowanej zdarzeniami”
Piotr Szustak
Bez zbędnego lania wody, bardzo konkretnie przekazywania wiedza
7.10.2026
Uczestnik szkolenia “Apache Kafka - wprowadzenie do architektury sterowanej zdarzeniami”
Kamil Figarski
dużo praktycznej wiedzy
7.10.2026
Uczestnik szkolenia “ISTQB® Certified Tester Foundation Level”
Kamil Nizioł
Dużo informacji, podwaliny pod egzamin i przejście przez sylabu, materiały udostępnione, zabrakło może stworzenia przykładowego projektu.
Duże doświadczenie trenera. Wiedza praktyczna. Imponujące projekty trenera. Trener zna odpowiedź na każde tematy. Spełniony zakres szkolenia. Bardzo dobrze przygotowane środowisko pracy. Dużo pracy na przykładach. Świetna pomoc w rozwiązywaniu problemów