Integración de IA con agente en el ciclo de vida de desarrollo de software de la empresa

Acerca de los agentes de IA en GitHub

Los desarrolladores de tu empresa pueden estar acostumbrados a usar la inteligencia artificial como una herramienta de programación de pares. En este modelo, los desarrolladores trabajan con asistentes de IA de forma sincrónica y reciben sugerencias de código durante la fase de desarrollo de un project.

Los agentes de inteligencia artificial son más parecidos a los programadores del mismo nivel. Los agentes pueden hacer lo siguiente:

• Realizar tareas asincrónicas, como ejecutar pruebas o corregir problemas en el trabajo pendiente, con menos necesidad de intervención humana.
• Contribuir a los flujos de trabajo más allá de la fase de desarrollo, como la ideación o la optimización después de una versión.

La colaboración con agentes puede dar a los empleados más tiempo para centrarse en otras prioridades, como la planificación general, y aportar las ventajas de la inteligencia artificial a los roles que no son de desarrollador al proporcionar más eficacia a los mensajes de lenguaje natural.

          GitHub CopilotLas características de IA agente se integran en la plataforma cohesiva de GitHub, proporcionando una experiencia de usuario más eficiente y controles de gobernanza y licencias más sencillos en comparación con la adopción de un conjunto de herramientas de terceros.

Escenario de ejemplo

Eres el administrador de ingeniería en Mona's, un minorista de paraguas. A tu equipo se le ha encargado agregar un widget con tecnología de IA a la tienda en línea de la empresa. El widget ayudará a los clientes a elegir el paraguas adecuado mediante la realización de recomendaciones personalizadas basadas en factores como la ubicación del usuario y las tendencias meteorológicas locales.

Para alcanzar una fecha límite ajustada, tienes como objetivo acelerar cada fase del proceso, tanto para los desarrolladores como para los no desarrolladores del equipo. También quieres asegurarte de que el equipo no esté sobrecargado con tareas de mantenimiento una vez que se implemente la nueva característica.

1. Planear con Chat de Copiloto

1. Para empezar a planear, un administrador de productos funciona con Chat de Copiloto en https://github.com/copilot.

          Copilot Formulan preguntas de alto nivel para tener una idea del trabajo de desarrollo necesario para la nueva característica. Para conceder Copilot acceso al contexto importante sobre el proyecto, cargan archivos de diseño y enlazan al repositorio donde se almacena el código.
   

2. Cuando el PM ha trabajado con Copilot para obtener una visión general de las tareas necesarias, pide Copilot que cree problemas para cada parte del trabajo.

          Copilot redacta las incidencias en `https://github.com/copilot`, donde el PM puede refinarlas y publicarlas en el repositorio.
   

   El PM marca algunas de las incidencias como interesantes de conservar o de mantenimiento. Pueden ser buenos candidatos para agente en la nube de Copilot.

   

3. Para ayudar al desarrollador a empezar rápidamente, el PM crea un espacio con espacios de Copilot en https://github.com/copilot/spaces. El PM recopila recursos como diagramas y referencias a archivos de código, envía algunas preguntas de prueba y, a continuación, comparte el espacio con su organización.

   Ahora, el desarrollador puede formular preguntas en el espacio, y Copilot ya contará con todo el contexto que el PM agregó.

2. Prototipo con GitHub Spark

1. Para prototipar la característica, el PM abre GitHub Spark (https://github.com/spark) y le pide que cree el widget. Pueden escribir un mensaje, pegar la documentación de la última fase o cargar una captura de pantalla. Spark genera una aplicación funcional con un LLM ya integrado para potenciar las recomendaciones, sin necesidad de IDE ni codificación.
2. Para refinar el prototipo, el PM puede volver a preguntar Spark , usar el editor visual o editar el código directamente. En la pestaña "Prompts", puede ajustar el texto que activa las recomendaciones sin editar el código. Cada cambio actualiza al instante la vista previa dinámica, para que el PM pueda ver cómo afectan las ediciones a la aplicación.
3. Para colaborar, el PM publica el spark y actualiza la visibilidad para que su organización pueda acceder a ella. También puede crear un repositorio e invitar a colaboradores. Los cambios de código realizados en el repositorio se vuelven a sincronizar con Spark, lo que permite que los diseñadores y pm vean las actualizaciones del widget en tiempo real.

3. Crear con GitHub Models y modo agente

1. El PM comparte el espacio Copilot y el GitHub Spark prototipo y el repositorio con el desarrollador y pide al desarrollador que empiece por encontrar el mejor modelo de IA para proporcionar las recomendaciones de paraguas personalizadas, en función del costo y la eficacia de los modelos.

2. El desarrollador pide que recomiende Chat de Copiloto varios modelos de IA para el trabajo y las ventajas y desventajas de cada uno. Para proporcionar contexto útil, se pide Copilot que tenga en cuenta la información del artículo Comparación de modelos de IAGitHub Docs .

3. Para decidirse por un modelo de la lista corta, el desarrollador usa el entorno GitHub Models para comparar los resultados del mismo indicador entre modelos. Después, también pueden actualizar el GitHub Spark prototipo para usar el modelo específico que han seleccionado para ver cómo afecta a toda la experiencia del widget en el prototipo (todos los modelos admitidos en GitHub Models se admiten en Spark). Ahorra tiempo probando modelos en una sola plataforma, en lugar de necesitar configurar una clave de API para cada modelo por separado.

   

4. Con el modelo decidido, el desarrollador abre el código en VS Code.

5. El desarrollador comienza a escribir código para el nuevo widget. Para acelerar su trabajo, usan Chat de Copiloto en el modo "Preguntar" y "Editar" para preguntas de sintaxis y sugerencias de alto nivel.

   Sugerencia

   El desarrollador trabaja con la inteligencia artificial de la manera que mejor le funciona, pero la organización tiene control sobre la experiencia. Por ejemplo, puede: * Controle los modelos que el desarrollador puede usar para el trabajo de desarrollo con el fin de cumplir los requisitos de cumplimiento y administrar los costes. * Excluya determinados archivos del Chat de Copilotoalcance. * Guarde los mensajes efectivos que se han probado con GitHub Models, para que otros usuarios puedan beneficiarse.

6. Cuando el desarrollador ha escrito código, cambia al modo de agente para pedir Copilot que refactorice el código en varias funciones diferentes para mejorar la legibilidad.

   En el modo de agente, Copilot funciona de forma más autónoma y puede actualizar varios archivos y, con la autorización del desarrollador, ejecutar comandos para acciones como instalar dependencias o ejecutar pruebas.

   

   Sugerencia

   Puedes crear una experiencia más coherente si agregas un archivo de instrucciones personalizadas al repositorio. Por ejemplo, el archivo podría ayudar a garantizar que el modo de agente usa convenciones de nomenclatura establecidas y ejecuta los comandos correctos para compilar, probar y aplicar linting al código según los estándares de la organización.

7. El desarrollador revisa la diferencia del trabajo del agente y elige qué código conservar.

4. Prueba con un servidor MCP

1. Cuando finaliza el código, el desarrollador quiere ejecutar pruebas en su compilación local del sitio mediante Playwright, un servicio automatizado de pruebas en el explorador.

   • Un administrador de repositorios ha agregado el servidor del Protocolo de contexto de modelo (MCP) para Playwright, que proporciona al Copilot agente una interfaz predefinida para la integración con Playwright.
   • El desarrollador pide que describa los escenarios Copilot de prueba en un .feature archivo y, a continuación, le indica Copilot que ejecute las pruebas en el explorador.
   • En el modo de agente, Copilot pide al desarrollador que autorice sus acciones a medida que abre el explorador y hace clic en diferentes elementos en la interfaz de usuario. A medida que el desarrollador supervisa las pruebas en el explorador, Copilot identifica una prueba con errores y sugiere una corrección en el código.

2. Cuando estén satisfechos con las pruebas, el desarrollador solicita al modo agente que abra una solicitud de incorporación de cambios para el trabajo en GitHub.

   Sugerencia

   • Con el GitHub servidor MCP habilitado, Copilot puede ejecutar el comando para abrir una solicitud de incorporación de cambios directamente desde VS Code, con el título y la descripción ya rellenados.
   • Las interacciones con el GitHub servidor MCP están protegidas mediante protección de inserción, lo que impide que los secretos se incluyan en las respuestas generadas por IA y evita que usted exponga secretos mediante las acciones que realice con el servidor (solo repositorios públicos). Consulta Acerca de la protección de inserción.

5. Revisar con revisión de código Copilot y Agentes personalizados de Copilot

1. Un propietario del repositorio ha configurado revisiones automáticas de código en Copilot el repositorio. Copilot proporciona una revisión inicial en la solicitud de incorporación de cambios, identificando errores y posibles problemas de rendimiento que el desarrollador puede corregir antes de que un revisor humano llegue a la solicitud de incorporación de cambios.
2. Como comprobación de cumplimiento adicional, un propietario de la empresa ha creado un documento con contexto clave sobre las regulaciones de la industria y las directivas internas. El desarrollador selecciona el agente personalizado en https://github.com/copilot/agents, lo que lleva a que Copilot revise cuidadosamente el pull request para verificar su cumplimiento y aplicar los cambios necesarios antes de pedir una revisión humana.
3. El compañero del desarrollador revisa y aprueba la solicitud de cambios. El trabajo está listo para combinarse.

6. Optimizar con agente en la nube de Copilot

1. Después del lanzamiento, el administrador de productos recopila los comentarios de los clientes e identifica una oportunidad para mejorar las sugerencias del widget cambiando a una API más confiable para los datos meteorológicos. Crean un problema para implementar este cambio y lo asignan directamente en CopilotGitHub.

2.        agente en la nube de Copilot funciona en segundo plano y abre una solicitud de incorporación de cambios, que el gestor de producto marca como lista para su revisión.
   

   

3. Un desarrollador revisa el pull request de Copilot y deja comentarios, que Copilot incorpora. Por último, el desarrollador combina la solicitud cambios.

   Sugerencia

   agente en la nube de Copilot viene con límites de protección predeterminados. Por ejemplo, Copilot no puede combinar solicitudes de incorporación de cambios por sí mismo. Puedes definir protecciones adicionales para las ramas de destino mediante conjuntos de reglas de repositorio.

4. Más adelante, al trabajar en una característica independiente, el desarrollador observa un pequeño error en el código del widget de IA. Para evitar el cambio de contexto, el desarrollador indica Copilot que abra un pull request directamente a partir de VS Code.

   @github Create a PR for the widget function to correctly validate that the user's age is a positive integer.

5.        Copilot funciona en segundo plano y abre una solicitud de incorporación de cambios en GitHub, lista para que otro desarrollador revise.
   

7. Protección con Autofix de Copilot

1. Un administrador ha habilitado code scanning en el repositorio y una code scanning alerta sugiere una posible vulnerabilidad en el código.

2. Un administrador de seguridad solicita Autofix de Copilot sugerir automáticamente una corrección para la vulnerabilidad, que un desarrollador revisa y aprueba.

   

Comienza con la inteligencia artificial agéntica

          <a href="https://github.com/github-copilot/purchase?ref_product=copilot&ref_type=trial&ref_style=button&ref_plan=enterprise" target="_blank" class="btn btn-primary mt-3 mr-3 no-underline">
          <span>Regístrese para Copilot</span><svg version="1.1" width="16" height="16" viewBox="0 0 16 16" class="octicon octicon-link-external" aria-label="link external icon" role="img"><path d="M3.75 2h3.5a.75.75 0 0 1 0 1.5h-3.5a.25.25 0 0 0-.25.25v8.5c0 .138.112.25.25.25h8.5a.25.25 0 0 0 .25-.25v-3.5a.75.75 0 0 1 1.5 0v3.5A1.75 1.75 0 0 1 12.25 14h-8.5A1.75 1.75 0 0 1 2 12.25v-8.5C2 2.784 2.784 2 3.75 2Zm6.854-1h4.146a.25.25 0 0 1 .25.25v4.146a.25.25 0 0 1-.427.177L13.03 4.03 9.28 7.78a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042l3.75-3.75-1.543-1.543A.25.25 0 0 1 10.604 1Z"></path></svg></a>

Para comenzar con las características mencionadas en este artículo, use los enlaces de la tabla siguiente.

Para integrar características de inteligencia artificial con agente de forma eficaz en las secuencias de trabajo, deberás invertir en entrenamiento, gobernanza y cambios culturales eficaces. Se recomienda experimentar con las características con agente con equipo multifuncionales para recopilar comentarios antes de un lanzamiento mayor.

          Chat de Copiloto en GitHub | 
          [AUTOTITLE](/copilot/using-github-copilot/copilot-chat/asking-github-copilot-questions-in-github#submitting-a-question-to-copilot-chat) |