From Prompts to Agentic SDLC
- data
- kategoria
- AI Agents
- czytanie
- 3 min / 638 słów
Większość developerów przeszła podobną drogę.
Najpierw otwieraliśmy ChatGPT w drugiej zakładce. Kopiowaliśmy fragment kodu, stack trace albo SQL-a, dostawaliśmy odpowiedź i przenosiliśmy ją z powrotem do IDE.
Potem modele zaczęły dostawać coraz więcej kontekstu. Pojawił się Claude Code. AI przestało tylko odpowiadać na pytania i dostało dostęp do repozytorium, shella, gita i testów.
Dalej pojawił się kolejny problem: skoro Claude może wykonywać pracę, trzeba nauczyć go naszego projektu. Potem trzeba dać mu dostęp do informacji spoza repo. Następnie zapisać powtarzalne sposoby pracy. Rozdzielić duże zadania na osobne konteksty. W końcu przestać liczyć na to, że LLM przez godzinę będzie pamiętał każdy punkt instrukcji z początku rozmowy.
Ta seria jest o tej ewolucji.
Nie jest kursem dla juniorów. Nie zakłada też, że musisz znać agentów, MCP czy RAG. Punktem odniesienia jest zwykły SDLC, który zna praktycznie każdy developer:
task
-> analiza
-> implementacja
-> testy
-> review
-> poprawki
-> CI
-> PR
-> deployment
-> utrzymanie
AI może pomagać na każdym z tych etapów. Pytanie brzmi: jak przestać używać go jako lepszego autocomplete i zacząć systematycznie poprawiać własny sposób pracy?
Jak czytać tę serię
Każdy artykuł opisuje jeden poziom.
Nie musisz zaczynać od pierwszego. Jeśli rozpoznajesz swój obecny sposób pracy w którymś z tekstów, zacznij właśnie tam.
Każdy poziom ma tę samą konstrukcję:
- Jak pracujemy dzisiaj
- Co zaczyna przeszkadzać
- Jaki mechanizm rozwiązuje ten problem
- Jak wygląda to w codziennym SDLC
- Co konkretnie wdrożyć u siebie
- Jak sprawdzić, czy naprawdę przeszedłeś poziom wyżej
Najważniejsza zasada tej serii:
Po przeczytaniu artykułu coś w Twoim repozytorium albo codziennym SDLC powinno działać inaczej niż wcześniej.
Jeżeli poznałeś tylko nowe słowo, a Twój sposób pracy się nie zmienił, poziom nie jest zaliczony.
Mapa serii
LEVEL 0
Chat / copy-paste
|
| 1. Claude Code
v
AI wykonuje zadanie w repo
|
| 2. CLAUDE.md + context engineering
v
Claude rozumie projekt i zasady
|
| 3. Search / retrieval / RAG / MCP
v
Claude sam zdobywa potrzebne informacje
|
| 4. Skills, Hooks i Permissions
v
Claude zna sposób pracy, automatyzację i granice
|
| 5. Subagents
v
Duża praca trafia do osobnych kontekstów
|
| 6. Dynamic Workflows
v
Workflow nie zależy od pamięci LLM-a
|
| 7. Managed Agents
v
Wykonanie nie zależy od Twojego laptopa
|
| 8. Beyond Dynamic Workflows
v
Orkiestracja całego systemu nie należy do LLM-a
|
| 9. Agent runtime platforms
v
Agent staje się workloadem platformowym
Level 1: Claude Code
Przestajemy przenosić kod między chatem i IDE.
Model dostaje repozytorium, shell i narzędzia. Zaczyna działać w pętli:
sprawdź
-> wykonaj
-> zobacz wynik
-> zdecyduj co dalej
Level 2: Context engineering
Claude może już pracować w repo, ale nie zna automatycznie zasad projektu.
Przenosimy powtarzane instrukcje z rozmowy do repozytorium: CLAUDE.md, dokumentacja, jednoznaczne komendy testowania i weryfikacji.
Level 3: Retrieval, RAG i MCP
Repo to tylko fragment świata developera.
Claude musi czasem znaleźć historię PR-a, logi z CI, dokumentację, ADR, runbook albo aktualny stan usługi.
Przestajemy być ręcznym interfejsem między AI a tymi systemami.
Level 4: Skills, Hooks i Permissions
Jeśli regularnie tłumaczysz Claude tę samą metodę pracy, to nie jest już prompt.
To powtarzalny sposób pracy.
Zapisujemy go jako skill, mechaniczne kroki przenosimy do hooków, a krytyczne granice do permissions.
Level 5: Subagents
Jeden context nie powinien robić wszystkiego.
Implementacja, niezależne review, analiza testów czy research mogą dostać osobne konteksty i osobne odpowiedzialności.
Level 6: Dynamic Workflows
LLM nie jest niezawodną pamięcią workflow.
Jeżeli na początku godzinnego zadania powiedziałeś "na końcu koniecznie zrób jeszcze X", nie powinieneś opierać poprawności SDLC na tym, że model za kilkadziesiąt tool calli nadal będzie o tym pamiętał.
Workflow wychodzi z contextu i staje się wykonywalną strukturą.
Level 7: Managed Agents
Do tej pory wszystko mogło działać w Twoim terminalu.
Na tym poziomie bierzemy zadanie, które normalnie wykonujesz przez Claude Code w repozytorium, i uruchamiamy je poza laptopem - jako sesję w zarządzanym środowisku.
To moment, w którym AI zaczyna być nie tylko osobistym narzędziem developera, ale elementem SDLC.
Level 8: Beyond Dynamic Workflows
Claude nie musi być właścicielem całej orkiestracji.
Jeżeli workflow zaczyna obejmować webhooki, kolejki, długie waity, approvale, retries i stan systemowy, część odpowiedzialności powinna przejść do zewnętrznego orchestratora.
Level 9: Agent runtime platforms
Managed Agents nie zawsze są ostatnim poziomem.
W większej organizacji agent może stać się zwykłym workloadem platformowym, który musi pasować do IAM, networkingu, sekretów, observability, governance i standardów deploymentu.
Cel końcowy
Nie chodzi o to, żeby każdy zespół skończył z kilkunastoma agentami.
Chodzi o świadomy podział odpowiedzialności:
Claude
= reasoning
context
= wiedza potrzebna do podjęcia decyzji
tools
= możliwość działania
skills
= powtarzalne know-how
subagents
= osobne konteksty dla osobnych zadań
workflow
= kolejność i warunki, których nie powinien pilnować z pamięci LLM
environment
= miejsce, w którym agent faktycznie wykonuje pracę
orchestrator
= trwały stan, retry, waity, webhooki i integracje systemowe
agent runtime
= hosting, identity, scaling, observability i governance agentów
Zaczynamy od najprostszego upgrade'u: przestajemy zanosić kod do AI i pozwalamy AI wejść do repozytorium.