Good enough definiujesz ty, nie agent - SDLC z AI
"Jeżeli chodzi o architekturę, nie pozwalam mu podejmować żadnych decyzji." 🎯 Łukasz stawia granicę, a Szymon kontruje: "pozwólmy tym agentom robić ten kod, który jest krótkowzroczny" - i raz na pięć iteracji każmy zrobić refactor. Przechodzimy SDLC z AI fazę po fazie, od zbierania wymagań do życia po deployu. Na wejściu AI tylko wspomaga - "nie pójdzie do legala, do procurementu" i nie odsiedzi dupogodzin na spotkaniach. Dalej: linki do chatów od biznesu zamiast przepakowanych wymagań, powrót Enterprise Architecta i YAML jako formalny output specyfikacji. Plus prototypy klikane przez biznes, których nie negujesz - ale kod i tak idzie do kosza. ⚠️ Potem twarda część: harness to nie pliki MD, tylko hooki, lintery i SonarQube, których agent nie ominie. Frontend przechodzi testy - OK, skasujesz i wygenerujesz na nowo. Logika biznesowa - review. Agent SRE na read only halucynuje, a z pełnymi uprawnieniami stwierdzi, że "buga nie będzie jak będzie baza pusta". 🤖 Na deser koszty tokenów (150-300 dolarów na DevOpsa, od 300 na developera), mBankowe 3-4% wpływu AI na cały proces i złośliwa puenta: "Jakbyś miał dobry proces, to byłeś już gotowy." Kto definiuje good enough - Ty czy agent? A teraz nie ma co się obijać! 👉 Wpadajcie na naszego Discorda: https://discord.gg/78zPcEaP22 ! 🔥Tam możecie się z nami pokłócić o przyspieszanie SQL-a, podyskutować o naiwnych nadziejach na AI albo po prostu podzielić się swoimi IT-owymi przemyśleniami. Słuchasz Patoarchitektów dzięki PROTOPII – firmie, w której Łukasz i Szymon działają na co dzień, wspierając zespoły IT na każdym etapie: od projektowania, przez wdrożenia i migracje, aż po optymalizację i zabezpieczenia. Oferujemy też mentoring i szkolenia dostosowane do potrzeb każdej firmy, niezależnie od wielkości. Sprawdź nas: 👉 protopia.tech - Nasze sociale i linki - Materiały do odcinka - Pato szkolenia 00:00:00 Intro 00:01:44 Zbieranie wymagań: kontekst, chaty od biznesu i formalny output 00:10:47 PoC i MVP budowane przez biznes — jak na to reagować 00:12:33 Faza projektu: krótkowzroczny kod agenta i long term maintainable code 00:15:11 Przygotowanie środowiska pracy, harness i workflow zespołu 00:18:30 Dekompozycja na zadania, architektura, granice i good enough 00:23:44 Wytwarzanie: skala szarości, frontend, logika biznesowa i frameworki 00:31:05 Ownership kodu, odpowiedzialność za outcome i myślenie holistyczne 00:34:24 Dostarczanie i życie po deployu: release'y, agenci SRE, halucynacje 00:40:32 Utrzymanie i ewolucja: aktualizacje, martwy kod i decommissioning 00:42:30 Mity, koszty tokenów i dobry proces jako gotowość na agentów 00:45:34 Podsumowanie i zakończenie
Że ktoś dostaje już rozgrzanego agenta, jak przychodzi. Tak, tylko znowu, wchodzimy, żeby powiedzieć, że nie będziemy tego robili. I to jest ten problem właśnie, że pójdziemy w opcję albo, a tam, dobra, jakoś będzie, damy temu agentowi fulla, albo będziemy go trzymali na readme i on w tym momencie będzie dużo halucynował. Ok, coraz mniej z czasem, ale będzie halucynował. Tak i to jest wiesz, teraz można byłoby zrobić cały odcinek dosłownie gdzieś o moich doświadczeniach, jak przygotowywać sobie repo pod takiego agenda specjalnego, pod Holmsy, pod Holmesa czy inne rzeczy do troubleshootingu, bo to nie jest, jest to problematyczne. Tabużnik jeszcze jest w miarę prosty. Weryfikacja tego, co on wymyślił sobie. To jest skomplikowane i... a tu jest amnestia wartości. Tak. Przy czym szybkie on... bardzo dużo można zdjąć takim rzeczy bardzo powtarzalnych czynności, które były na zasadzie zrestartuj serwis, dołóż zasobów, inne takie elementy można... to akurat bardzo dobrze można zrobić.
Pokazano wszystkie 1 dopasowanie. Transkrypcja generowana automatycznie i niesprawdzana ręcznie — może zawierać błędy.
Łukasz i Szymon przedstawiają strukturę odcinka i temat, który będą omawiali - proces SDLC z AI.
Diskussja na temat zbierania wymagań i roli AI w tym procesie.
Analiza zalet i wad roli czatów w zbieraniu wymagań.
Rozważania na temat strukturyzacji procesu SDLC, w tym zbierania wymagań i podsumowywania rozmów.
Analiza roli agentów w procesie SDLC i ich ograniczenia.
Diskussja na temat przygotowywania środowiska pracy i dekompozycji na zadania.
Analiza architektury i granic w procesie SDLC, w tym dekompozycji na zadania i przygotowania środowiska pracy.
Rozważania na temat implementacji, testów i roli agentów w tych procesach.
Podsumowanie i dyskusja na temat ownershipu kodu i jego znaczenia w procesie SDLC z AI.
Rozmowa skupia się na konsekwencjach delegowania odpowiedzialności za kod napisany przez agenta AI. Autor podkreśla, że większość ludzi nie bierze odpowiedzialności za kod, który jest tworzony przez agencje, co prowadzi do problemów z jakością i ownershipem kodu.
Autor omawia problemy z kontrolą dostępu i testowaniem kodu tworzonego przez agenta AI. Podkreśla, że brak odpowiedzialności i kontrolki może prowadzić do nieefektywnego kodu i problemów technicznych.
Rozmowa zamyka się na temat potrzeby krytycznego myślenia i decyzyjności w zarządzaniu projektami z użyciem AI. Autor podkreśla, że choć AI może zwiększyć efektywność, nadal jest potrzebna ludzka kontrola i odpowiedzialność.
Rozdziały i streszczenia generowane automatycznie. Pełna transkrypcja nie jest publikowana — wyszukaj frazę, aby zobaczyć dopasowane fragmenty.
Kliknij, aby znaleźć fragmenty, w których pada.
Intro
Zbieranie wymagań: kontekst, chaty od biznesu i formalny output
PoC i MVP budowane przez biznes — jak na to reagować
Faza projektu: krótkowzroczny kod agenta i long term maintainable code
Przygotowanie środowiska pracy, harness i workflow zespołu
Dekompozycja na zadania, architektura, granice i good enough
Wytwarzanie: skala szarości, frontend, logika biznesowa i frameworki
Ownership kodu, odpowiedzialność za outcome i myślenie holistyczne
Dostarczanie i życie po deployu: release'y, agenci SRE, halucynacje
Utrzymanie i ewolucja: aktualizacje, martwy kod i decommissioning
Mity, koszty tokenów i dobry proces jako gotowość na agentów
Podsumowanie i zakończenie