Program

Copilot jako partner w pracy programisty

1. Copilot jako generator kodu i narzędzie do rozumienia systemu
2. Praca na istniejącym kodzie jako główny scenariusz użycia
3. Jakość pracy, odpowiedzialność programisty i ograniczenia modeli
4. Rola AI w analizie, implementacji, testowaniu i review

Kontekst projektu w VS Code

1. Workspace, otwarte pliki, zaznaczenie, symbole, terminal i błędy
2. Kontrolowanie zakresu kontekstu przekazywanego do Copilota
3. Dokumentacja, testy i aktywne pliki jako sygnały dla modelu
4. Wpływ kontekstu na jakość i precyzję odpowiedzi

Tryby pracy z GitHub Copilot

1. Autocomplete i najbliższy kontekst edytora
2. Inline Chat jako narzędzie małej, lokalnej zmiany
3. Chat jako wsparcie analizy, projektowania i porównywania wariantów
4. Agent Mode pod kontrolą: plan, zakres i test jako źródło prawdy

Frameworki pracy z AI w legacy codebase

1. Goal -> Context -> Constraints -> Ask -> Verify -> Iterate
2. Understand -> Scope -> Patch -> Test -> Review
3. Explain -> Challenge -> Improve
4. Bad prompt -> Better context -> Smaller task -> Verified result
5. Zawężanie prośby i kontrola ryzyka zmiany

Projekt warsztatowy

1. Praca na przykładowym istniejącym codebase
2. Moduły w różnych warstwach lub technologiach
3. Częściowo nieaktualna dokumentacja
4. Legacy smells, ukryte zależności i brakujące testy
5. Analiza struktury projektu, przepływu danych i punktów ryzyka
6. Karty zadań dopasowane do wybranego wariantu warsztatu

Context engineering w praktyce

1. Pakowanie kontekstu do pracy z AI
2. Praca z plikami, symbolami, testami i dokumentacją
3. Małe zakresy zmian i jawne ograniczenia implementacji
4. Pytanie o plan przed implementacją
5. Przygotowanie kontekstu do zmiany w module parsera

Characterization tests i Golden Master Testing

1. Testy opisujące obecne zachowanie systemu
2. Red -> Green -> Refactor with AI
3. Golden master jako zabezpieczenie przed niezamierzoną zmianą zachowania
4. Praca z plikami wejściowymi i oczekiwanymi raportami
5. Świadome wykrywanie zmian w outputach

Safe refactoring with AI

1. Scope refaktoru i ochrona kontraktów
2. Praca małymi krokami
3. Weryfikacja przez testy i golden output
4. Review diffu wygenerowanego z pomocą AI
5. Rozdzielanie refaktoru od zmiany zachowania

Debugowanie i Root Cause Analysis

1. Stack trace, logi, regresje i błędne raporty
2. Explain -> Challenge -> Improve
3. Copilot jako narzędzie do budowania hipotez
4. Weryfikowanie przyczyn w kodzie, testach i danych wejściowych

Testowanie i ocena sugestii AI

1. Generowanie testów z pomocą Copilota
2. Identyfikowanie brakujących scenariuszy
3. Fałszywa pewność odpowiedzi modeli
4. Checklista oceny odpowiedzi Copilota
5. Review ryzykownych sugestii AI

Security, sekrety i licencje

1. Dane wrażliwe w kontekście
2. Sekrety, konfiguracja i realistyczne dane testowe
3. Public code matching
4. Review zmian pod kątem ryzyka bezpieczeństwa i licencji

Repository instructions i reusable prompts

1. `.github/copilot-instructions.md`
2. Prompt files
3. Instrukcje jako pamięć zespołu
4. Dobre i złe zastosowania instrukcji repozytorium
5. Prompty wspierające analizę modułów i review zmian

GitHub workflow, Copilot CLI, Coding Agent i MCP

1. Lokalna praca w VS Code jako główny workflow
2. Copilot w terminalu
3. Copilot Coding Agent
4. GitHub MCP w kontekście repozytorium
5. Ocena wyników pracy narzędzi AI w workflow zespołu