OpenAI Codex – agentní vývoj software v praxi (AICODX)

Umělá Inteligence, AI pro vývojáře

Praktický jednodenní workshop pro zkušené vývojáře, architekty a tech leady, kteří chtějí využívat OpenAI Codex jako autonomního vývojového agenta v reálném vývojovém workflow. Kurz je zaměřen na praktickou práci s Codexem v IDE i terminálu, tvorbu instrukcí, agentních workflow, bezpečnostní pravidla a integraci do týmového vývoje. Důraz je kladen na hands-on ukázky, práci s repozitářem, code review a efektivní spolupráci člověka s AI agentem. Inspirací jsou aktuální profesionální kurzy zaměřené na Claude Code a OpenAI Codex.

TOTO ŠKOLENÍ VÁM POMŮŽE:

  • Pochopit rozdíl mezi klasickým AI chatem, autocomplete asistenty a agentním vývojem
  • Naučit se efektivně využívat OpenAI Codex při analýze, implementaci a refaktoringu kódu
  • Vytvářet kvalitní instrukce, prompty a opakovatelné workflow pro vývojové týmy
  • Bezpečně používat Codex v IDE i terminálu
  • Nastavit guardrails a pravidla pro týmové používání AI agentů
  • Začlenit AI agenty do běžného vývojového procesu včetně testování a code review
  • Porozumět principům multi-agentního vývoje a orchestrace agentů

KDO BY SE MĚL KURZU ZÚČASTNIT?

  • Backend a full-stack vývojáři
  • Softwaroví architekti
  • Tech leadi a engineering manageři
  • DevOps a platform engineeři
  • QA engineři a automatizační specialisté
  • Vývojové týmy zavádějící AI asistenty do každodenní práce

KDE A KDY KURZ PROBÍHÁ?

Kontaktujte nás

Privátní školení

Odemkněte potenciál svých zaměstnanců. Každé školení z naší nabídky přizpůsobíme konkrétním cílům i lidem.
Potřebujete školení přímo u vás ve firmě, nebo upravit obsah a délku na míru? ICT Pro je ideální řešení. Školit můžeme také v angličtině.

Poptat kurz na míru

Náplň kurzu:

Skrýt detaily
  • Úvod do OpenAI Codex
    1. Co je OpenAI Codex a jak funguje
    2. Evoluce AI nástrojů pro vývojáře
    3. Rozdíl mezi ChatGPT, Copilotem, Cursorem a Codexem
    4. Agentní přístup versus klasické generování kódu
    5. Typické scénáře použití v praxi
    6. Limity současných coding agentů
    7. Role vývojáře v éře AI agentů
  • Základy agentního vývoje
    1. Co je AI agent
    2. Rozdíl mezi chatbotem, workflow a agentem
    3. Životní cyklus agentní úlohy
    4. Kontext, plánování, reasoning a akce
    5. Tool use a práce s externími nástroji
    6. Jednoagentní a víceagentní architektury
    7. Human-in-the-loop přístup
  • Jak přemýšlí coding agent
    1. Rozklad komplexních úloh
    2. Plánování řešení
    3. Práce s repozitářem a kontextem projektu
    4. Vyhledávání relevantních informací v kódu
    5. Iterativní řešení problémů
    6. Sebekontrola a validace výsledků
    7. Kde vznikají chyby a halucinace
  • Prompt engineering pro Codex
    1. Jak se liší promptování coding agenta od běžného LLM
    2. Struktura kvalitního zadání
    3. Definice cíle a očekávaného výsledku
    4. Omezení rozsahu úkolu
    5. Zadávání technických požadavků
    6. Iterativní zpřesňování zadání
    7. Nejčastější chyby při práci s Codexem
  • Instrukce a kontext projektu
    1. Projektové instrukce
    2. Systémové instrukce
    3. AGENTS.md a projektová pravidla
    4. Organizace znalostí o projektu
    5. Verzování instrukcí
    6. Sdílení instrukcí v týmu
    7. Jak minimalizovat nekonzistentní výstupy
  • OpenAI Codex v praxi
    1. Přehled prostředí a možností Codexu
    2. Práce nad existujícím repozitářem
    3. Analýza architektury projektu
    4. Navigace v kódu
    5. Generování změn
    6. Refaktoring a modernizace kódu
    7. Generování dokumentace
    8. Vysvětlování cizího kódu
  • Praktické workflow vývojáře s Codexem
    1. Analýza požadavku
    2. Návrh řešení
    3. Implementace nové funkcionality
    4. Generování unit testů
    5. Refaktoring existujícího řešení
    6. Debugging a řešení chyb
    7. Code review s podporou AI
    8. Příprava Pull Requestu
    9. Dokumentace změn
  • TDD a kvalita kódu s AI
    1. Test-driven development s agentem
    2. Generování testovacích scénářů
    3. Pokrytí kritických případů
    4. Revize generovaného kódu
    5. Ověřování výstupů
    6. Statická analýza
    7. AI jako reviewer
  • Pokročilé workflow a multi-agentní přístup
    1. Delegace úloh mezi více agentů
    2. Role specializovaných agentů
    3. Architekt agent
    4. Vývojář agent
    5. Tester agent
    6. Reviewer agent
    7. Koordinace agentních workflow
    8. Praktické scénáře spolupráce více agentů
  • Integrace nástrojů a MCP
    1. Co je Model Context Protocol (MCP)
    2. Propojení AI agentů s externími nástroji
    3. GitHub, Jira, Confluence a další systémy
    4. MCP servery a jejich role
    5. Praktické příklady integrací
    6. Bezpečnost MCP přístupů
    7. Omezení a rizika externích integrací
  • Bezpečnost a governance
    1. Rizika agentního vývoje
    2. Prompt injection útoky
    3. Práce se secrets a citlivými daty
    4. Oprávnění agentů
    5. Approval workflow
    6. Audit a logování aktivit
    7. Bezpečnostní guardrails
    8. Týmová pravidla používání AI
  • Open-source modely a hybridní přístup
    1. Cloudové versus lokální modely
    2. OpenAI modely pro vývoj
    3. Open-source coding modely
    4. Ollama a OpenAI-compatible endpointy
    5. Hybridní architektury
    6. Náklady a výkon
    7. Kdy zvolit lokální model
  • Srovnání nástrojů pro AI-assisted development
    1. OpenAI Codex
    2. GitHub Copilot
    3. Cursor
    4. Claude Code
    5. Windsurf
    6. Continue.dev
    7. Silné a slabé stránky jednotlivých nástrojů
    8. Doporučené kombinace nástrojů podle typu projektu
  • Závěrečné hands-on cvičení
    1. Analýza existujícího repozitáře
    2. Návrh změny pomocí Codexu
    3. Implementace nové funkcionality
    4. Generování testů
    5. Code review
    6. Příprava Pull Requestu
    7. Diskuse zkušeností a doporučených postupů
  • Technické požadavky
    1. Visual Studio Code
    2. Git
    3. Přístup k OpenAI účtu s Codexem
    4. Ukázkový repozitář pro cvičení
    5. Doporučeno: Docker a lokální vývojové prostředí
  • Požadavky na účastníky
    1. Praktická zkušenost s vývojem software
    2. Znalost práce s Gitem
    3. Základní orientace v CLI
    4. Zkušenost s některým programovacím jazykem
    5. Výhodou je předchozí práce s ChatGPT, GitHub Copilotem nebo jiným AI nástrojem pro vývojáře
Předpokládané znalosti:

Praktická zkušenost s vývojem software

Znalost práce s Gitem

Základní orientace v CLI

Zkušenost s některým programovacím jazykem

Výhodou je předchozí práce s ChatGPT, GitHub Copilotem nebo jiným AI nástrojem pro vývojáře

Časový rozvrh:
1 den (9:00-17:00)