Codex pro vývojáře - agentní přístup k vývoji software

Tento workshop je navržen tak, aby vývojářům, tech leadům a architektům ukázal, jak prakticky využívat Codex jako vývojového agenta v reálném softwarovém projektu. Účastníci se seznámí s principy agentního vývoje, naučí se správně zadávat úkoly coding agentovi, pracovat s instrukcemi, prompty, skills a bezpečnostními pravidly. Kurz kombinuje vysvětlení konceptů, živé ukázky v terminálu a Visual Studio Code a praktická cvičení nad vývojovým workflow od analýzy repozitáře až po přípravu pull requestu.

Cílová skupina

• Backend / Full-stack vývojáři
• Tech leadi a softwaroví architekti
• DevOps / Platform engineers
• AI engineers
• Vývojáři a týmy, které chtějí zavést Codex, GitHub Copilot, Cursor nebo podobné AI nástroje do každodenního vývoje
• Technický management, který potřebuje rozumět možnostem, limitům a rizikům agentního vývoje

Cíle workshopu

• pochopit Codex jako vývojového agenta a jeho rozdíl oproti chatu, autocomplete a dalším vývojářským AI nástrojům
• porozumět základní architektuře AI agentů a jejich využití při vývoji software
• naučit se zadávat úkoly coding agentovi pomocí kvalitních promptů, instrukcí a opakovatelných skills
• používat Codex v terminálu i ve Visual Studio Code při praktickém vývojovém workflow
• nastavit základní bezpečnostní pravidla, guardrails a týmovou governance pro používání coding agentů

Osnova kurzu

Úvod do Codexu jako vývojového agenta

• Co je Codex a jak se liší od běžného chatu nebo autocomplete
• Typické scénáře použití při vývoji software
• Kdy Codex výrazně pomáhá a kdy může být rizikový
• Role programátora při práci s agentem

Obecná architektura AI agentů

• Co je AI agent
• Rozdíl mezi promptem, workflow a agentem
• Základní prvky agenta: cíl, kontext, stav, reasoning, nástroje, akce. zpětná vazba
• Jednoagentní a víceagentní přístupy
• Limity agentního přístupu

Prompt engineering pro Codex

• Jak se liší promptování coding agenta od běžného LLM
• Struktura dobrého zadání pro vývojářského agenta
• Vymezování rozsahu úkolu
• Práce s omezeními, pravidly a očekávaným výstupem
• Iterativní zpřesňování zadání
• Nejčastější chyby při promptování Codexu

Hierarchie promptů a instrukcí v Codex

• Systémové instrukce
• Uživatelský prompt
• Projektové instrukce
• Soubor AGENTS.md
• Lokální instrukce v podadresářích
• Vztah mezi instrukcí, promptem a kontextem repozitáře
• Jak udržovat instrukce stručné, přesné a verzované

Agent, instrukce a skill

• Co je agentní zadání
• Co je trvalá instrukce
• Co je skill
• Kdy použít jednorázový prompt
• Kdy vytvořit projektovou instrukci
• Kdy vytvořit opakovatelný skill
• Jak skills pomáhají standardizovat vývojové postupy

Vývoj a správa promptů

• Prompty jako součást vývojového procesu
• Verzování promptů v repozitáři
• Týmová knihovna promptů
• Prompt review
• Testování promptů na typických úlohách
• Prevence nekonzistentních výstupů
• Governance promptů v týmu

Codex v terminálu

• Instalace a základní konfigurace
• Spuštění Codexu nad projektem
• Práce s pracovním adresářem
• Čtení, úprava a kontrola souborů
• Spouštění buildů, testů a skriptů
• Schvalování akcí
• Bezpečná práce s terminálovým agentem

Codex ve Visual Studio Code

• Instalace a přihlášení
• Práce s Codex panelem v IDE
• Analýza otevřeného projektu
• Návrh změn a kontrola diffu
• Spouštění testů z IDE
• Schvalování úprav
• Kdy je vhodnější IDE a kdy CLI

Praktické vývojové workflow s Codexem

• Analýza repozitáře
• Návrh řešení
• Implementace malé změny
• Generování a úprava testů
• Refactoring
• Code review
• Dokumentace změn
• Příprava pull requestu
• Zapojení člověka do kontroly výsledku

Orchestrace agentů a Paperclip AI

• Proč používat více agentů
• Rozdělení rolí mezi agenty
• Typické role: architekt, vývojář, tester, reviewer, security reviewer, dokumentátor
• Koordinace více agentů
• Využití Codexu jako jednoho z výkonných agentů
• Paperclip AI jako orchestrace nad agentním týmem
• Limity a rizika multi-agentního přístupu

Open - source LLM modely v Codexu

• Kdy uvažovat o open-source modelech
• Lokální modely vs cloudové modely
• Připojení přes OpenAI-compatible endpoint
• Použití Ollama nebo podobných nástrojů
• Výhody lokálního běhu
• Omezení lokálních modelů při práci s kódem
• Doporučený hybridní přístup

Bezpečnost a quardrails

• Rizika agentního vývoje
• Nechtěné změny v kódu
• Práce se secrets
• Prompt injection v repozitáři nebo dokumentaci
• Nebezpečné shell příkazy
• Omezení práv agenta
• Approval režimy
• Logování a audit akcí
• Pravidla pro týmové používání Codexu

Rozdíl mezi Codexem, GitHub Copilotem a Cursorem

• Codex jako coding agent od OpenAI
• GitHub Copilot jako AI asistent integrovaný do GitHub / VS Code ekosystému
• Cursor jako samostatný AI-first editor postavený na vývojářském workflow
• Rozdíl mezi: autocomplete, chatem nad kódem, agentním režimem, cloud/background agenty, multi-agentním vývojem
• Kdy dává smysl použít Codex
• Kdy dává smysl použít GitHub Copilot
• Kdy dává smysl použít Cursor
• Jak se nástroje mohou doplňovat v jednom vývojovém procesu

Závěrecné hands-on cvičení a diskuse

 Technické požadavky

• Nainstalované Visual Studio Code
• Git a základní vývojové nástroje podle použitého repozitáře
• Přístup k účtu / prostředí pro práci s Codexem
• Volitelně: lokální LLM prostředí typu Ollama nebo OpenAI-compatible endpoint

Požadavky na účastníky

• Orientace v práci s Gitem
• Zkušenost s Visual Studio Code nebo jiným IDE
• Základní povědomí o LLM a promptování
• Výhodou: zkušenost s testováním, code review, CI/CD nebo správou většího repozitáře