BlogProces
AI w SDLC: co agenci kodujący zmieniają w każdej fazie cyklu
AI w cyklu wytwarzania oprogramowania to proces, który twój zespół już prowadzi: agenci kodujący wykonują część pracy w każdej fazie, a przy każdym przekazaniu decydują wskazane osoby. Agenci mogą szkicować kryteria akceptacji i plany, pisać diffy i testy, robić pierwsze przejście review, przygotowywać notatki do wydań i zestawiać logi podczas incydentów. Ludzie decydują, co budować, zatwierdzają merge'e i wydania na produkcję oraz dowodzą incydentami. Każda faza przekazuje następnej artefakt ze wskazanym właścicielem, a efekt zmiany oceniasz na podstawie metryk dostarczania, czasu review i poprawek dla każdego typu zadania.
AI SDLC i agentic SDLC: co to jest?
AI SDLC to cykl wytwarzania oprogramowania (SDLC), w którym agenci kodujący przejmują pracę w każdej fazie: planowaniu, projektowaniu, implementacji, testach, review, wydaniu i utrzymaniu. Decyzje zostają przy ludziach, między innymi co budować, akceptacja merge'a, wydania na produkcję i dowodzenie incydentami. To samo podejście nazywa się też agentic SDLC albo AI w SDLC.
Dlaczego AI w procesie wytwarzania oprogramowania dotyczy całego cyklu
Większość zespołów poznaje agentów kodujących w edytorze i tam też zaczyna się pierwszy pomiar: licencje, sesje, tokeny i zaakceptowane podpowiedzi. Ten obraz przestaje wystarczać, gdy agenci dostarczają całe diffy i pull requesty. Implementacja przyspiesza, a praca piętrzy się przed nią i za nią. Zadania przychodzą niedookreślone, a review, pipeline'y testowe i procesy wydań dostają więcej zmian, niż są w stanie obsłużyć.
Raport DORA 2025 o wytwarzaniu oprogramowania ze wsparciem AI stwierdza, że adopcja AI poprawia teraz przepustowość dostarczania oprogramowania, inaczej niż rok wcześniej, ale nadal zwiększa niestabilność dostarczania. Raport opisuje główną rolę AI jako wzmacniacza, który powiększa istniejące mocne i słabe strony organizacji. Proces review albo wydań, który już wcześniej działał na granicy możliwości, szybciej pokazuje swoje słabości.
AWS patrzy na cały cykl w AI-Driven Development Life Cycle (AI-DLC), opisanym w lipcu 2025. W AI-DLC sztuczna inteligencja tworzy plany, zadaje pytania doprecyzowujące i implementuje dopiero po walidacji przez ludzi, w trzech fazach: Inception, Construction i Operations. Zespół wspólnie weryfikuje propozycje AI na sesjach, które AWS nazywa Mob Elaboration i Mob Construction, plany i artefakty projektowe trafiają do repozytorium projektu, a sprinty ustępują krótszym cyklom nazywanym bolts. Workflowy open source tej metody dodają dziś fazy inicjalizacji i ideacji, działają w kilku agentach kodujących i zatrzymują się w punktach akceptacji przez człowieka.
Nie potrzebujesz nazwanej metody, żeby wprowadzić AI do swojego procesu. Dla każdej fazy zapisz dwie rzeczy: jak praca dzieli się między agentów i ludzi oraz jaki artefakt przechodzi do następnej fazy i kto za niego odpowiada. To właśnie nazywamy AI w SDLC albo agentic SDLC: proces, który już prowadzisz, z tymi decyzjami podjętymi wprost. Oto artefakty przekazania i ich właściciele.
- Specyfikacja (właściciel: osoba pisząca zadanie)
- Plan (właściciel: inżynier odpowiedzialny za zmianę)
- Diff, czyli pull request (właściciel: inżynier, który delegował zadanie)
- Raport z testów (generuje go CI, czyta wskazana osoba)
- Zapis review (właściciel: wskazany recenzent)
- Notatka do wydania (właściciel: osoba odpowiedzialna za wydanie)
- Zapis incydentu i zadania następcze (właściciel: zespół serwisu)
Fazy AI SDLC i co zmienia się w każdej z nich
AI SDLC zachowuje etapy cyklu, który już prowadzisz. Tabela pokazuje dla każdej fazy, jaką pracę może przejąć agent i co zostaje przy człowieku. Dwie kolejne sekcje omawiają fazy po kolei.
| Faza | Co może przejąć agent | Co zostaje przy człowieku |
|---|---|---|
| Wymagania i planowanie | Zestawienie zgłoszenia z kodem i jego historią, lista modułów, których dotknie zmiana, otwarte pytania i szkic kryteriów akceptacji | Co budować, dla kogo i kiedy praca jest skończona |
| Projektowanie | Plan przed pierwszą zmianą i prototyp do wyrzucenia, który rozstrzyga pytanie projektowe | Zatwierdzanie planów, które dotykają publicznych API, modeli danych, granic bezpieczeństwa albo kodu innego zespołu |
| Implementacja | Napisanie zmiany, uruchomienie builda, linta i testów z czystego checkoutu i poprawianie błędów | Odpowiedzialność za diff: inżynier, który delegował zadanie, steruje sesją, restartuje ją albo przejmuje pracę ręcznie |
| Testy | Odtworzenie zgłoszonego błędu jako nieprzechodzącego testu przed poprawką i dopisanie testów wokół kodu, który zaraz się zmieni | Co musi być przetestowane oraz najważniejsze testy akceptacyjne, trzymane poza zasięgiem agenta |
| Review | Pierwsze przejście w świeżym kontekście albo innym modelem, sprawdzenie diffa względem planu i twoich konwencji oraz streszczenie dla recenzenta | Akceptacja przez wskazanego recenzenta, który odpowiada za to, co trafia do merge'a |
| Wydanie | Szkic notatki do wydania ze zmergowanych pull requestów, sprawdzenie migracji i feature flag względem planu oraz przygotowanie zmiany wdrożeniowej | Kiedy i dla kogo wydać zmianę oraz czy ją wycofać, o czym decyduje osoba odpowiedzialna za wydanie |
| Eksploatacja i utrzymanie | Praca tylko do odczytu podczas incydentu, na przykład zestawianie logów, trace'ów i ostatnich wdrożeń, poprawki proponowane jako zwykłe pull requesty oraz cykliczne prace utrzymaniowe, takie jak aktualizacje zależności | Dowodzenie incydentem, zmiany na produkcji i komunikacja z klientami |
Od zgłoszenia do diffa: planowanie, projektowanie i implementacja
Problemy, które zaczynają się we wczesnych fazach, później drogo kosztują, bo nikt nie zrecenzuje diffa względem wymagań, których nikt nie spisał. Te fazy decydują, czy wynik pracy agenta jest wart czasu recenzenta.
Wymagania i planowanie
Agenci przydają się, zanim ktokolwiek napisze kod. Mogą zestawić zgłoszenie z kodem i jego historią, wypisać moduły, których dotknie zmiana, zadać pytania, które zgłoszenie zostawia otwarte, i naszkicować kryteria akceptacji. O tym, co budować, dla kogo i kiedy praca jest skończona, decydują ludzie. Przekazaniem jest specyfikacja, a każde zadanie warto pociąć tak, żeby dawało jeden diff, który recenzent przeczyta za jednym podejściem.
Projektowanie
Przy wszystkim, co przekracza granicę modułu, poproś agenta o plan przed pierwszą zmianą: pliki do zmiany, interfejsy i struktury danych, kolejność migracji i sposób przetestowania zmiany. Agent może też zbudować prototyp do wyrzucenia, żeby tanio rozstrzygnąć pytanie projektowe. Ludzie zatwierdzają plany, które dotykają publicznych API, modeli danych, granic bezpieczeństwa albo kodu innego zespołu, i odrzucają plany ruszające więcej, niż wymaga zadanie. Zatwierdzony plan zostaje w repozytorium albo w pull requeście, żeby recenzent mógł porównać z nim diff.
Implementacja
Tu agenci wykonują najwięcej pracy i tu harness ma największe znaczenie. Agent pisze zmianę, uruchamia build, lint i testy z czystego checkoutu i poprawia błędy, a niezależne zadania idą równolegle w izolowanych środowiskach. Inżynier, który delegował zadanie, pozostaje jego właścicielem: steruje sesją, restartuje ją, gdy odbiega od briefu, albo przejmuje pracę ręcznie. Pull request mówi, co zostało uruchomione, a czego nie sprawdzono.
Task PAY-412 Retry failed webhook deliveries Spec docs/specs/PAY-412.md, approved by the task writer Plan approved in the pull request before the first edit Agent tool, model and harness revision Ran lint, unit and integration tests: passing Not run load test against the provider sandbox Risk retries pile up during a long provider outage Owner engineer who delegated the task Reviewer named person, merges after CI passes
Od diffa do produkcji: testy, review, wydanie i utrzymanie
Dalsze fazy muszą przyjąć wszystko, co dostarczy implementacja. To ich przepustowość, bardziej niż szybkość agenta, decyduje, jak szybko zmiany docierają do użytkowników.
Testy
Agenci szybko piszą testy, co pomaga, ale jest też głównym ryzykiem tej fazy. Test napisany przez tego samego agenta, który napisał kod, dzieli jego rozumienie zadania, łącznie z błędnymi odczytaniami. Uważaj na zaktualizowane snapshoty, poluzowane asercje i pominięte testy, które zmieniają czerwony build w zielony. Agenci dobrze radzą sobie z odtworzeniem zgłoszonego błędu jako nieprzechodzącego testu przed poprawką i z dopisywaniem testów wokół kodu, który zaraz zmienią.
Ludzie decydują, co musi być przetestowane, i trzymają kluczowe testy akceptacyjne poza zasięgiem agenta. Przekazaniem jest raport z testów: wyniki CI przypisane do kryteriów akceptacji oraz wszystko, co sprawdzono ręcznie.
Review
Review zapycha się jako pierwsze, gdy agenci produkują diffy szybciej, niż ludzie są w stanie je czytać. Agent może zrobić pierwsze przejście w świeżym kontekście albo innym modelem, sprawdzić diff względem planu i twoich konwencji i streścić go recenzentowi. Akceptacja zostaje przy wskazanym recenzencie, który odpowiada za to, co trafia do merge'a. Zapis review razem z uwagami zostaje przy pull requeście.
Wydanie
Agenci mogą przygotować szkic notatki do wydania na podstawie zmergowanych pull requestów, sprawdzić, czy migracje i feature flagi zgadzają się z planem, i przygotować zmianę wdrożeniową. O tym, kiedy i dla kogo wydać zmianę oraz czy ją wycofać, decyduje osoba odpowiedzialna za wydanie, w ramach twojego obecnego change managementu. Przekazaniem jest notatka do wydania: co się zmieniło, znane ryzyka i ścieżka wycofania.
Eksploatacja i utrzymanie
W eksploatacji daj agentom najpierw pracę tylko do odczytu, na przykład zestawianie logów, trace'ów i ostatnich wdrożeń podczas incydentu, a poprawki niech proponują jako zwykłe pull requesty. Cykliczne prace utrzymaniowe dobrze pasują do agentów, bo aktualizacje zależności, wycofywanie przestarzałych API i małe migracje są powtarzalne i łatwe do sprawdzenia. Dowodzenie incydentem, zmiany na produkcji i komunikacja z klientami zostają przy ludziach. Zadania następcze z zapisu incydentu wracają do planowania.
Gotowe workflowy obejmujące kilka faz
Część zespołów sięga po gotowy workflow, zamiast samodzielnie projektować każde przekazanie. Przykładem jest pstack, plugin do Cursora i Claude Code autorstwa Lauren Tan, opublikowany w repozytorium cursor/plugins na licencji MIT. Jego playbooki obejmują powtarzalną pracę inżynierską, od analizy i poprawek błędów po nowe funkcje, refaktoryzację i pracę nad wydajnością, a niektóre prowadzą pull requesty przez CI i komentarze z review aż do merge'a. Kolejne skille każą kilku modelom szukać błędów w diffie, a reguła zapisywana przy konfiguracji przypisuje modele do ról, takich jak kodowanie, ocena i review.
Gotowy workflow ma wbudowane założenie, w którym miejscu wkracza człowiek. Zasady pstack każą agentowi kontynuować pracę odwracalną i pytać przed działaniami nieodwracalnymi, a README pokazuje nocne uruchomienie, które merge'uje cały stos pull requestów. Siostrzany playbook buduje i weryfikuje stos, a review i merge zostawia człowiekowi. To, czy merge do gałęzi, z której idzie wdrożenie, jest odwracalny, rozstrzyga twoja organizacja.
Playbooki instruują agenta i niczego nie wymuszają. Gdy wdrażamy gotowy workflow z zespołem, przypisujemy każdy krok do jego fazy, zatrzymujemy go w twoich punktach akceptacji, a kroki zakładające więcej autonomii, niż daje twoja konfiguracja, dostosowujemy, ograniczamy albo pomijamy. Punkty akceptacji wbudowane w workflowy AI-DLC też pomagają, ale nie zastępują twoich. Punkty akceptacji, które muszą działać, należą do systemów, których agent nie zmieni sam.
- Uprawnienia i poświadczenia agenta, ograniczone do zadania
- Ochrona gałęzi i wymagane review
- Kontrole CI, które blokują merge, gdy nie przechodzą
- Zatwierdzenia wdrożeń na produkcję
Workflowy pstack w twoich repozytoriachpstack w Cursorpstack: kod źródłowy i README
Role, które się zmieniają
Nazwy stanowisk rzadko muszą się zmieniać. Zmienia się to, na co ludzie poświęcają tydzień i za które artefakty odpowiadają.
- Osoby piszące zadania tworzą briefy, które agent wykona bez dopytywania, z kryteriami akceptacji i listą tego, co poza zakresem.
- Inżynierowie, którzy delegują, odpowiadają za każdy diff przekazany agentowi, łącznie z decyzją o restarcie sesji albo przejęciu pracy.
- Recenzenci spędzają więcej czasu na review i potrzebują małych diffów, zatwierdzonego planu i raportu z testów.
- Zespół platformowy odpowiada za harness: instrukcje, polecenia builda i testów, uprawnienia, hooki, domyślne modele i budżety.
- Osoby odpowiedzialne za bezpieczeństwo i wydania decydują, które typy zadań mogą działać bez nadzoru, i zatwierdzają wyjątki.
Wersjonuj harness, zmieniaj go według ustalonego procesu i ogranicz liczbę pull requestów od agentów, które mogą czekać na jednego recenzenta. DORA AI Capabilities Model, uzupełnienie raportu 2025, wymienia wysokiej jakości platformy wewnętrzne wśród siedmiu zdolności, które według badań wzmacniają pozytywny wpływ AI. Harness należy do tej platformy.
Metryki, które nadal mają sens
Metryki DORA dotyczące dostarczania oprogramowania nadal opisują wynik. Change lead time, deployment frequency i failed deployment recovery time mierzą przepustowość, a change fail rate i deployment rework rate niestabilność. DORA stosuje je na poziomie aplikacji lub serwisu, co pasuje do wdrażania agentów: pytanie brzmi, czy serwis jako całość dostarcza lepiej.
Te metryki zmieniają się powoli i reagują na wiele czynników. Dodaj miary bliższe pracy agentów i śledź je według typu zadania.
- Koszt zaakceptowanej zmiany: wydatki na modele i narzędzia dla typu zadania podzielone przez zmiany, które trafiły do merge'a i tam zostały.
- Czas review pull requestu od agenta, od gotowości do review do akceptacji.
- Poprawki: commity, które wkrótce po merge'u naprawiają zmianę agenta.
- Reverty i pull requesty od agentów zamknięte bez merge'a.
- Czas poświęcony na briefy i plany, żeby koszt przed implementacją był widoczny.
Raportuj według zespołu i typu zadania, nigdy według pojedynczych inżynierów. Poprawki błędów, refaktoryzacje i aktualizacje zależności zachowują się inaczej, a średnia z nich ukrywa, gdzie agenci pomagają. DORA ostrzega, że metryki ustawione jako cele zachęcają do ich podkręcania, a oceny indywidualne dodatkowo kosztują zaufanie. Pomiń liczbę linii kodu, odsetek zaakceptowanych podpowiedzi i liczbę pull requestów, bo wszystkie mogą rosnąć bez poprawy dostarczania.
Zasady dla uruchomień bez nadzoru i akceptacji
Ustalaj zasady osobno dla każdego typu zadania. Aktualizacja zależności w dobrze przetestowanym serwisie i migracja schematu w systemie płatności potrzebują innych reguł, nawet przy tym samym narzędziu i modelu. Uruchomienie bez nadzoru ma sens, gdy zadanie da się przekazać na piśmie, zestaw testów uruchamia się sam i nie jest niestabilny, a człowiek recenzuje każdą zmianę przed merge'em. Samo uruchomienie potrzebuje uprawnień ograniczonych do zadania, izolowanego środowiska i wąsko określonych poświadczeń. Wszystko, co zmienia produkcję, dane albo dostępy, wymaga wskazanej osoby zatwierdzającej, a egzekwowanie odbywa się poza agentem.
- Merge do chronionych gałęzi: wskazany recenzent, a egzekwują to ochrona gałęzi i wymagane review.
- Wdrożenia na produkcję i wycofania: osoba odpowiedzialna za wydanie, przez twoje zatwierdzenia wdrożeń.
- Migracje schematu i danych: zespół, do którego należy system, z przetestowaną ścieżką wycofania.
- Nowe narzędzia, modele, serwery MCP lub poświadczenia dla agentów: zespół platformowy i zespół bezpieczeństwa.
Ślad audytowy
Dla każdej zmiany zachowaj brief, zatwierdzony plan, konfigurację agenta (narzędzie, model i rewizję harnessu), raport z testów, zapis review oraz informację, kto zrobił merge. Trzymaj to przy pull requeście, gdzie przetrwa dłużej niż historia sesji w dowolnym narzędziu. Nasza zasada brzmi: agent proponuje, a decydują deterministyczne kontrole i ludzie. Runmill, projekt open source naszego założyciela, działa według niej: o pushach, pull requestach i merge'ach decyduje deterministyczny kod, nigdy agent.
Wprowadzanie agentic SDLC faza po fazie
Nie potrzebujesz do tego nowego procesu ani reorganizacji. DORA AI Capabilities Model wymienia pracę w małych partiach wśród swoich siedmiu zdolności, a wdrożenie agentów korzysta z tej samej dyscypliny.
- 1
Wybierz jedną fazę i jeden typ zadania
Postaw na pracę z wiarygodnymi testami i małym zasięgiem skutków, na przykład drobne poprawki błędów, pokrycie testami jednego serwisu albo aktualizacje zależności.
- 2
Spisz przekazania
Nazwij artefakt, który agent dostaje, ten, który zwraca, i osobę odpowiedzialną za każdy z nich.
- 3
Zmierz punkt wyjścia
Zapisz metryki DORA dla serwisu oraz czas review, poprawki i koszt dla tego typu zadania, zanim cokolwiek zmienisz.
- 4
Uruchom przy niezmienionych kontrolach
Zostaw review i CI bez zmian i zapisuj narzędzie, model oraz rewizję harnessu dla każdego uruchomienia.
- 5
Porównaj i zdecyduj
Rozszerz zakres na kolejny typ zadania albo sąsiednią fazę, popraw harness albo zakończ. Uruchomienia bez nadzoru przychodzą na końcu.
Zespoły pytają nas o to jako o konsulting AI SDLC albo o usługi wdrożenia AI SDLC, a praca jest ta sama. Pomagamy zespołowi wprowadzać agentów kodujących faza po fazie, zaczynając od jednego zespołu pilotażowego i jego codziennych zadań, przy niezmienionym review i CI. Usługa wdrażania agentów kodujących obejmuje pilotaż i rozszerzenie na kolejne zespoły. Ewaluacja odtwarza zmiany już zmergowane w twoich repozytoriach i pokazuje, ile każda konfiguracja kosztuje w przeliczeniu na zaakceptowaną zmianę.
Wdrażanie agentów kodujących z zespołem pilotażowymEwaluacja agentów kodujących na zmergowanych zmianach
Jak pomaga Cloudsail
Pracujemy z jednym zespołem naraz, w jego własnych repozytoriach. Jesteśmy niezależni od dostawców i nie płaci nam żaden dostawca modeli ani narzędzi.
- Spisujemy fazy, artefakty przekazania i właścicieli dla jednego typu zadania, a potem rozszerzamy zakres.
- Konfigurujemy harness i punkty akceptacji, wersjonowane i z właścicielem.
- Prowadzimy warsztaty zdalnie albo na miejscu w Niemczech i w Polsce, po angielsku, niemiecku lub polsku, jako sesje zespołowe na twoich repozytoriach i backlogu.
- Mierzymy efekt, odtwarzając zmergowane zmiany względem odłożonych testów, i raportujemy koszt zaakceptowanej zmiany według typu zadania.
Wdrażanie agentów kodującychHarness engineeringEwaluacje na twoich repozytoriach
Pytania
Czy AI w SDLC to to samo co AI-DLC od AWS?
Nie. AI-DLC to konkretna metoda AWS z własnymi fazami, rytuałami zespołowymi i workflowami open source. Pytania z tego przewodnika, na przykład kto decyduje w każdej fazie i kto odpowiada za każde przekazanie, pojawiają się niezależnie od tego, czy przyjmiesz AI-DLC, gotowy workflow taki jak plugin pstack do Cursora i Claude Code, czy żadną nazwaną metodę.
Czy istnieje standardowy framework AI SDLC?
Nie ma jednego standardu, który trzeba przyjąć. AI-DLC od AWS to nazwana metoda z własnymi fazami i workflowami open source, a gotowe workflowy, takie jak plugin pstack do Cursora, obejmują kilka faz w jednym narzędziu. Na początek nie potrzebujesz ani nazwanego frameworka, ani konkretnego narzędzia. Weź proces, który już prowadzisz, i faza po fazie zapisz, jak praca dzieli się między agentów i ludzi oraz kto odpowiada za każde przekazanie.
Czy agenci kodujący mogą sami przeprowadzić cały cykl?
Agenci mogą przejmować pracę w każdej fazie, a my nie zalecamy odsuwania ludzi od decyzji. O tym, co budować, o akceptacji merge'a, wydaniach na produkcję i dowodzeniu incydentami decydują wskazane osoby. Uruchomienia bez nadzoru mają sens dla typów zadań z pisemnym briefem, wiarygodnymi testami i review przed merge'em.
Od której fazy zacząć?
Zwykle od implementacji albo testów, dla jednego wąskiego typu zadania w serwisie z wiarygodnymi testami, bo tam błędy wyłapią twoje obecne review i CI. Wydania i utrzymanie przychodzą później, zaczynając od pracy tylko do odczytu, takiej jak analiza incydentów.
Skąd wiemy, czy to działa?
Porównaj ten sam typ zadania przed i po: metryki DORA dla serwisu oraz koszt zaakceptowanej zmiany, czas review, poprawki i reverty. Jeśli razem z przepustowością rosną poprawki albo change fail rate, popraw testy i review, zanim rozszerzysz zakres.
Czy te metryki posłużą do oceny pojedynczych inżynierów?
Nie w żadnej konfiguracji, którą budujemy. Raportujemy według zespołu i typu zadania, bo oceny indywidualne zachęcają do podkręcania wyników i kosztują zaufanie. Ułatwia to też wczesne poinformowanie rady zakładowej, jeśli działa w twojej firmie.
Tworzymy ranking inżynierów według zużycia tokenów AI. Czy mierzymy niewłaściwą rzecz?
Tak, jeśli ranking porównuje ludzi. Zużycie tokenów mierzy nakład: ile ktoś zlecił modelom, a nie czy cokolwiek użytecznego trafiło do merge'a. Liczone per osoba nagradza długie sesje, równoległych agentów i ponowienia, a ludzie szybko uczą się, jak piąć się w rankingu; przed takim naginaniem ostrzega DORA, gdy metryki stają się celami. Śledzenie wydatków na tokeny nadal ma sens, jeśli powiążesz je z czymś innym: raportuj wydatki według zespołu i typu zadania, dziel je przez zmiany, które trafiły do merge'a i tam zostały, i zestawiaj z czasem przeglądu, poprawkami i wycofaniami, jak w sekcji o metrykach powyżej. Liczb per osoba używaj tylko do budżetów i do wykrywania wymykających się spod kontroli sesji, nigdy do rankingów, i uzgodnij to z radą zakładową, jeśli ją masz.
Powiązane usługi
Wdrażanie agentów kodujących
Agenci, którzy z kilku zespołów pilotażowych trafiają do reszty działu inżynierii, ze szkoleniami i jedną wspólną konfiguracją.
Ewaluacje na twoich repozytoriach
Narzędzia, modele lub ustawienia porównywane ze sobą na zmianach, które zostały już zmergowane, zanim wybierzesz jedno z nich.
Harness engineering
Konfiguracja, która mówi agentowi, jak budować, testować i zmieniać twój kod, trzymana w systemie kontroli wersji.
Wdrożenie GitHub Copilot
Copilot i jego agent w chmurze skonfigurowani tak, by trzymali się zasad i kroków review, które już stosujesz.
Więcej z bloga
Metryki pilotażu GitHub Copilot
Co mierzą metryki użycia Copilota od GitHuba, gdzie się kończą i jak połączyć je z własnymi danymi o review i poprawkach, żeby zdecydować o kontynuacji.
Bezpieczeństwo agentów AI
Bezpieczeństwo agentów AI do programowania i zarządzanie nimi w praktyce: prompt injection, sekrety, uprawnienia, sandboxing, uruchomienia bez nadzoru i podział odpowiedzialności.
Spec driven development
Jak pisać specyfikacje dla agentów kodujących, przeprowadzić zmianę od specyfikacji do merge'a i wybrać między Spec Kit, OpenSpec, BMad, GSD i Kiro.
Fabryka oprogramowania AI
Czego potrzeba, żeby agenci kodujący prowadzili jasno określone zadania od issue do merge'a, jaka praca się do tego nadaje i gdzie kontrola zostaje po stronie ludzi.
Źródła
- AWS DevOps Blog: AI-Driven Development Life Cycle: Reimagining Software Engineering
- AWS DevOps Blog: Open-Sourcing Adaptive Workflows for AI-Driven Development Life Cycle (AI-DLC)
- awslabs/aidlc-workflows na GitHubie (README i opis faz)
- DORA: DORA's software delivery performance metrics
- DORA: State of AI-assisted Software Development 2025
- State of AI-assisted Software Development 2025 (pełny raport, PDF)
- Google Cloud Blog: Announcing the 2025 DORA Report
- Google Cloud Blog: Introducing the DORA AI Capabilities Model
- pstack w repozytorium cursor/plugins (README, playbooki i zasady)
Porozmawiaj z inżynierem
Przyjdź z jednym zadaniem, które chcesz usprawnić. Rozmowa trwa 30 minut i nie wymaga dostępu do twoich systemów ani danych.
Rezerwacja odbywa się w Kalendarzu Google.

Mickey Graf
Założyciel i prezes Cloudsail
Wolisz najpierw napisać? Zostaw e-mail i kilka zdań. Mickey sam czyta każdą wiadomość i odpowiada e-mailem z propozycją terminów.
Sprawdź wersję roboczą w swoim programie pocztowym
Wyślij ją stamtąd, a Mickey odpowie ci osobiście, proponując terminy 30-minutowej rozmowy. Jeśli wersja robocza się nie otworzyła, napisz do nas na adres miki@cloudsail.com.