Szkolenie: Python i AI dla zaawansowanych - od asystentów do agentów
Szkolenie Python i AI dla zaawansowanych to praktyczny kurs software engineering z wykorzystaniem AI coding assistants i agentów, obejmujący prompt engineering, context engineering, skills, tool calling, MCP, automatyzację workflow oraz użycie AI do implementacji, refaktoryzacji, testowania, debugowania, code review i dokumentowania aplikacji Python
Trenerzy praktycy
Kameralne grupy
Czas trwania szkolenia:5 dni (40h)
Poziom zaawansowania:
Kod kursu:Python/AI
ai-codingpython-aiai-agentsmodel-context-protocol
Dostępne terminy szkolenia
Termin
Trener
Cena
Lokalizacja
Zapis
Termin:
19 października - 23 października
Trwają zapisy na szkolenie
Oferta specjalna
online_payments
Trener:
Matt Harasymczuk
Cena:
3950 PLN netto
Dowiedz się więcej o cenach szkoleń - zapraszamy do kontaktu
+23% VAT
Lokalizacja:
Zdalne
Zdalne
Zapytaj o inne lokalizacje - w tym celu skorzystaj z chatu
Python i AI dla zaawansowanych - od asystentów do agentów
Cele szkolenia
Szkolenie uczy wykorzystywania AI coding assistants i AI coding agents do realizacji zadań związanych z analizą, implementacją, refaktoryzacją, testowaniem i dokumentowaniem oprogramowania w Pythonie
Szkolenie przygotowuje do projektowania skutecznych promptów, instrukcji, reusable workflows i agent skills, wspierających powtarzalną oraz kontrolowaną pracę z narzędziami AI w projektach programistycznych
Szkolenie pokazuje sposoby wykorzystania context engineering i zarządzania kontekstem projektu, repozytorium oraz standardami kodowania w celu podnoszenia jakości wyników generowanych przez modele AI i agentów
Szkolenie uczy projektowania agentów AI, narzędzi i procesów tool calling oraz pokazuje integrację z zewnętrznymi systemami, API i bazami danych z wykorzystaniem Model Context Protocol (MCP)
Szkolenie rozwija umiejętność krytycznej oceny wyników pracy modeli AI, identyfikowania halucynacji, regresji, błędnych założeń i ryzyk autonomicznego programowania oraz kontrolowania jakości i bezpieczeństwa pracy agentów
Szkolenie przygotowuje do samodzielnego projektowania kompletnego agentic workflow dla projektu Python, obejmującego implementację, testy, code review i dokumentację, z uwzględnieniem jakości, bezpieczeństwa i udziału człowieka w procesie decyzyjnym
Dla kogo?
Programiści Python z praktycznym doświadczeniem w tworzeniu i utrzymaniu oprogramowania
Software engineerowie wykorzystujący AI lub planujący wdrożenie AI coding agents w pracy
Tech leadzi i liderzy zespołów projektujący procesy programistyczne wspierane przez AI
Developerzy pracujący z Git, IDE, testami i terminalem w codziennym środowisku pracy
Osoby zainteresowane agentic software engineering, automatyzacją workflow i integracją narzędzi AI
Efekty kształcenia
Uczestnik szkolenia projektuje prompty, instrukcje, reusable prompts i agent skills dla powtarzalnych zadań programistycznych
Uczestnik szkolenia analizuje kod, repozytorium i wymagania oraz planuje zmiany z użyciem AI coding assistants i agentów AI
Uczestnik szkolenia organizuje agentic workflow dla implementacji, testów, debugowania i code review z wykorzystaniem odpowiednich poziomów autonomii agentów
Uczestnik szkolenia integruje agentów z narzędziami i systemami przez tool calling oraz Model Context Protocol (MCP)
Uczestnik szkolenia ocenia jakość kodu generowanego przez AI i identyfikuje halucynacje, regresje, błędne założenia oraz ryzyka autonomicznego programowania
Uczestnik szkolenia dokumentuje, refaktoryzuje i testuje aplikacje Python z użyciem AI oraz automatyzuje wybrane elementy procesu wytwarzania oprogramowania
Wymagania
Wymagana dobra znajomość języka Python
Wymagane praktyczne doświadczenie w tworzeniu oprogramowania
Możliwości i ograniczenia dużych modeli językowych w programowaniu
Różnice pomiędzy klasycznym chatbotem, asystentem programistycznym i agentem
Przegląd współczesnych narzędzi AI coding agents
Praca z narzędziami działającymi w IDE, terminalu i środowiskach autonomicznych
Generowanie i modyfikowanie kodu
Analiza istniejącego kodu i repozytorium
Planowanie zmian przed implementacją
Refaktoryzacja kodu z wykorzystaniem AI
Tryby pracy i poziomy autonomii agentów
Dobór sposobu pracy do rodzaju zadania
Praktyczne techniki prompt engineering dla programistów
Ćwiczenia: analiza, implementacja i refaktoryzacja kodu z wykorzystaniem różnych sposobów pracy z agentem
Pojęcie Context Window
Znaczenie kontekstu dla jakości generowanego kodu
Repozytorium jako źródło kontekstu dla AI
Instrukcje projektowe i standardy kodowania
Zarządzanie kontekstem projektu
Instrukcje globalne i projektowe
Prompt files i reusable prompts
Projektowanie promptów dla powtarzalnych zadań programistycznych
Czym są agent skills i kiedy warto ich używać
Różnica pomiędzy instructions, prompts, skills i agents
Projektowanie struktury własnego skill
Łączenie skills z dokumentacją, przykładami i narzędziami
Projektowanie reusable workflows dla zespołu programistycznego
Ćwiczenie: przygotowanie zestawu instrukcji, promptów i skills dla projektu Python
Czym jest agent i czym różni się od klasycznego asystenta AI
Agentic workflow i wieloetapowe wykonywanie zadań
Planowanie, wykonywanie, obserwacja i iteracja
Tworzenie własnego Agenta
Tworzenie własnego Multi-Agent workflow
Dostęp agenta do narzędzi i danych
Projektowanie narzędzi dla agentów
Tool calling: opis narzędzia, parametry, walidacja i wynik
Obsługa błędów i kontrolowanie skutków ubocznych
Permissions i human-in-the-loop
Specjalizacja agentów
Delegowanie zadań pomiędzy agentami
Sub-agents i równoległe wykonywanie zadań
Model Context Protocol (MCP)
Integracja agenta z zewnętrznymi API, bazami danych i systemami
Tworzenie własnego serwera MCP za pomocą FastMCP
Ćwiczenie: stworzenie narzędzi i agenta wykonującego wieloetapowe zadanie
AI-assisted software development lifecycle
Analiza wymagań i tworzenie planu implementacji
Generowanie i modyfikacja kodu produkcyjnego
Refaktoryzacja istniejącego i legacy code
Generowanie testów jednostkowych i integracyjnych
Analiza jakości wygenerowanych testów
Identyfikacja edge cases i brakujących scenariuszy
AI-assisted debugging i analiza błędów
Automatyzacja dokumentacji technicznej
Generowanie docstrings, README i dokumentacji API
AI-assisted code review
Analiza poprawności, bezpieczeństwa, wydajności i maintainability kodu
Ćwiczenie: przeprowadzenie kompletnego workflow od wymagania do przetestowanej i zreviewowanej implementacji
Architektura kompletnego workflow opartego na agentach
Podział zadań pomiędzy wyspecjalizowanych agentów
Wykorzystanie skills i narzędzi w workflow agentowym
Automatyzacja analizy repozytorium i planowania zmian
Automatyczna implementacja i refaktoryzacja
Automatyczne tworzenie i uruchamianie testów
Automatyczne code review
Generowanie i aktualizacja dokumentacji
Kontrola jakości wyników pracy agentów
Identyfikacja halucynacji, błędnych założeń i regresji
Bezpieczeństwo i kontrola dostępu do narzędzi
Ograniczenia i ryzyka autonomicznego programowania
Projekt końcowy: zaprojektowanie i uruchomienie kompletnego agentic workflow dla projektu Python
Autorem szkolenia jest Matt Harasymczuk
Trener Sages od 2015 roku, z 10 000+ godzinami doświadczenia i 30 000+ przeszkolonych osób.
Specjalizuje się w Pythonie, TDD, DevOps i CI/CD. Pracował m.in. w Allegro, COI, PAŻP i Europejskiej Agencji Kosmicznej.
Prowadzi stronę www.python3.info i jest założycielem i prezesem dwóch firm Astrotech i Analog Astronaut Training Center.
W wolnym czasie rozwija własny system operacyjny.
Szkolenie poprowadzi jego autor Matt Harasymczuk
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
Uczestnik szkolenia “Od API LLM do Agent-RAG – budowa systemów RAG”
Hubert Rosna-Woźniak
Wiele się nauczyłem, przypomniałem sobie podstawy, utrwaliłem to co wiedziałem i miałem przestrzeń żeby nauczyć się całkowicie nowych rzeczy. Marcin był zawsze pomocny, tłumaczył co i jak a w razie kłopotów przejmował ekran i naprawiał. Bardzo pozytywne odczucia po tym szkoleniu pozostaną i na pewno dużo wiedzy którą będę chciał wdrożyć w swoich projektach.
18.09.2026
Uczestnik szkolenia “Docker w praktyce”
Artur Kozłowski, Capgemini Polska Sp. z o.o.
Ogromna wiedza prowadzącego, oraz lekkość prowadzenia szkolenia.
18.09.2026
Uczestnik szkolenia “Docker w praktyce”
Robert Jańczuk, Capgemini Polska Sp. z o.o.
Dużo przydatnych informacji i pomoc ze strony prowadzącego.
18.09.2026
Uczestnik szkolenia “Python i generatywna AI w praktyce - podstawy”
Piotr Bernaśkiewicz, Aptiv Services Poland S.A.
Opowiedziano o zagadnieniach, które mnie interesowały.
18.09.2026
Uczestnik szkolenia “Python i generatywna AI w praktyce - podstawy”
Krzysztof Baran, Aptiv Services Poland S.A.
Było obszerne w temacie AI i narzędzi z nim związanych, chociaż czasem zbyt rozciągnięte (szczególnie w przypadku dni z zagadnieniami teoretycznymi)
18.09.2026
Uczestnik szkolenia “Inżynieria wymagań w AI”
Klaudia Jastrzębska
Dużo przykładów, ale może trochę za dużo zadań pod rząd dotyczących jednego zagadnienia. Przydatne i ciekawe prompty do wykorzystania później samodzielnie.
18.09.2026
Uczestnik szkolenia “Certyfikowany Architekt AWS”
Norbert Piwowarczyk
Na szkoleniu omawiany jest dość szczegółowo obszerny materiał.