エージェント型 AI を Enterprise のソフトウェア開発ライフサイクルに統合する

AIエージェントについてGitHubで

Enterprise の開発者は、AI をペア プログラミング ツールとして使うことに慣れている場合があります。 このモデルでは、開発者は AI アシスタントを同期的に操作し、projectの開発フェーズ中にコード提案を受け取ります。

AI エージェントは同僚のプログラマーのような役割を果たします。 エージェントは次のことができます。

• テストの実行やバックログの問題の修正などの非同期タスクを実行し、人間が介入する必要性を減らします。
• リリース後のアイデア提供や最適化など、開発フェーズを超えてワークフローを支援します。

エージェントと共同作業すると、従業員は高レベルの計画といった他の優先度の高い作業に取り組む時間を増やすことができ、開発者以外の役割のユーザーは AI を活用して自然言語プロンプトの機能をいっそう高めることができます。

          GitHub Copilotエージェント AI 機能は、 GitHubのまとまりのあるプラットフォームに統合され、さまざまなサードパーティ製ツールの採用に比べて、より合理化されたユーザー エクスペリエンスと簡素化されたライセンスとガバナンス制御を提供します。

シナリオ例

以下では、あなたは傘専門の小売店である Mona's のエンジニアリング マネージャーであるとします。 あなたのチームは、AI を搭載したウィジェットを会社のオンライン ストアに追加する作業を担当しています。 そのウィジェットは、ユーザーの場所とその地域の天気の傾向などの要因に基づいて調整されたレコメンデーションを作成して、顧客が適切な傘を選ぶのを助けます。

厳しい期限に間に合わせるため、あなたはチームの開発者と開発者以外の両方について、プロセスの各ステージの期間を短縮しようと考えています。 また、新しい機能がロールアウトされた後は、チームがメンテナンス タスクに忙殺されないようにすることも望んでいます。

～と計画を立てる Copilot Chat

1. 計画を開始するために、製品マネージャーはhttps://github.com/copilotと協力します。

   新機能 Copilot 必要な開発作業を把握するために、大まかな質問をします。 プロジェクトに関する重要なコンテキストに Copilot アクセスできるようにするには、モックアップ ファイルをアップロードし、コードベースが格納されているリポジトリにリンクします。

2. PM がCopilotと連携して必要なタスクの概要を確認したら、作業の各部分のCopilotするように**** に依頼します。

          Copilot で問題を下書きし、PM がそれらを改善してリポジトリに公開できます。
   

   PM は、一部の issue を非必須またはメンテナンスとしてマークします。 これらは、 Copilotクラウドエージェントに適している可能性があります。

   

3. 開発者がすばやく作業を開始できるように、PM はCopilotスペースにhttps://github.com/copilot/spacesを含むスペースを作成します。 PM はダイアグラムやコード ファイルへの参照などのリソースを収集し、いくつかのテスト質問を送信して、スペースを organization と共有します。

   これで、開発者はスペース内で質問することができ、 Copilot には PM が追加したすべてのコンテキストが既に用意されています。

2. GitHub Sparkを使用してプロトタイプする

1. この機能をプロトタイプ化するために、PM は GitHub Spark (https://github.com/spark) を開き、ウィジェットの作成を求めます。 プロンプトを記述したり、最後のフェーズのドキュメントを貼り付けたり、スクリーンショットをアップロードしたりできます。 Spark は、既にパワーレコメンデーションに統合されている LLM を使用して動作するアプリを生成します。IDE やコーディングは必要ありません。
2. プロトタイプを絞り込むには、PM は Spark をもう一度プロンプト表示したり、ビジュアル エディターを使用したり、コードを直接編集したりできます。 [プロンプツ] タブでは、コードを編集することなく、推奨を生成するテキストを調整できます。 各変更によってライブ プレビューが即座に更新されるため、PM は編集がアプリに与える影響を確認できます。
3. 共同作業を行うために、PM はSparkを公開し、組織がアクセスできるように可視性を調整します。 リポジトリを作成し、コラボレーターを招待することもできます。 リポジトリで行われたコードの変更は Sparkに同期され、PM とデザイナーはウィジェットの更新をリアルタイムで確認できます。

3. GitHub Models およびエージェント モードで作成する

1. PM は、 Copilot スペースと GitHub Spark プロトタイプとリポジトリを開発者と共有し、モデルのコストと有効性に基づいて、調整された傘の推奨事項を提供する最適な AI モデルを見つけることから始めるよう開発者に依頼します。

2. 開発者は、 Copilot Chat に、ジョブに対していくつかの AI モデルとそれぞれの長所と短所を推奨するように求めます。 有用なコンテキストを提供するために、Copilotに AUTOTITLEGitHub Docs 記事の情報を検討するよう求めます。

3. ショートリストからモデルを解決するために、開発者は GitHub Models プレイグラウンドを使用して、モデル間で同じプロンプトからの結果を比較します。 また、 GitHub Spark プロトタイプを更新して、選択した特定のモデルを使用して、プロトタイプのウィジェット エクスペリエンス全体にどのように影響するかを確認することもできます ( GitHub Models でサポートされているすべてのモデルは、 Sparkでサポートされています)。 時間を節約するため、モデルごとに個別に API キーを設定する必要がないよう、単一のプラットフォームでモデルをテストします。

   

4. モデルが決定されたので、開発者はコードを VS Code で開きます。

5. 開発者は、新しいウィジェットのコードを書き始めます。 作業を高速化するために、構文の質問や高度な提案に対して、"質問" モードと "編集" モードで Copilot Chat を使用します。

   ヒント

   開発者は最適な方法で AI を使用しますが、そのエクスペリエンスは organization で制御できます。 たとえば、次のようなことができます。

   • コンプライアンス要件を満たし、コストを管理するため、開発者が開発作業に使用できるモデルを制御します。

          **特定のファイル** を Copilot Chatの範囲から除外します。
   

   • 他のユーザーがメリットを得ることができるように、**** でテストされたGitHub Models。

6. 開発者がコードを記述したら、 エージェント モード に切り替えて、読みやすくするためにコードを複数の異なる関数にリファクタリングするように Copilot に依頼します。

   エージェント モードでは、 Copilot は自律的に動作し、複数のファイルを更新でき、開発者の承認を得て、依存関係のインストールやテストの実行などのアクションに対してコマンドを実行できます。

   

   ヒント

   カスタム指示ファイルをリポジトリに追加して、より一貫性のあるエクスペリエンスを作成できます。 たとえば、このファイルは、エージェント モードで確立された名前付け規則を使用し、organization の標準に従ってコードのビルド、テスト、リントを行うための正しいコマンドを実行するのに役立ちます。

7. 開発者はエージェントの作業の相違を確認し、保持するコードを選びます。

4. MCP サーバーでテストする

1. コードが完成したら、開発者はブラウザー内の自動テスト サービスである Playwright を使って、サイトのローカル ビルドでテストを実行する必要があります。

   • リポジトリ管理者が Playwright 用 のモデル コンテキスト プロトコル (MCP) サーバー を追加しました。これによって、 Copilot エージェントに Playwright と統合するための定義済みのインターフェイスが提供されます。
   • 開発者は、Copilot ファイル内のテスト シナリオの概要を.featureに求め、ブラウザーでテストを実行するようにCopilotに指示します。
   • エージェント モードでは、 Copilot はブラウザーを開き、UI 内の別の要素をクリックすると、そのアクションを承認するように開発者に求めます。 開発者がブラウザーでテストを監視すると、 Copilot は失敗したテストを識別し、コードの修正を提案します。

2. テストに問題がなければ、開発者はエージェント モードに対して、 GitHubでの作業に対するプル要求を開くように求めます。

   ヒント

   * ** GitHub MCP サーバーを有効にすると、Copilotコマンドを実行して、VS Codeから直接 pull request を開き、タイトルと説明が既に入力されています。 * GitHub MCP サーバーとの対話はプッシュ保護**によって保護されます。これにより、シークレットが AI によって生成された応答に含まれないようにし、サーバーを使用して実行するすべてのアクションを通じてシークレットを公開できなくなります (パブリック リポジトリのみ)。 「プッシュ保護について」を参照してください。

5. Copilotコード レビュー と Copilot カスタムエージェント と一緒にレビューする

1. リポジトリ所有者が、リポジトリに**** して自動Copilotを構成しました。 Copilot では、pull request に対する最初のレビューが行われ、開発者が修正できるバグや潜在的なパフォーマンスの問題が特定されます。このレビューは、人間のレビュアーがプルリクエストを確認する前に行われます。
2. 追加のコンプライアンス チェックとして、企業の所有者は、業界の規制と内部ポリシーに関する重要なコンテキストを持つ Copilot カスタム エージェント を作成しました。 開発者は、カスタム エージェントでhttps://github.com/copilot/agentsを選択し、コンプライアンスに関する pull request を慎重に確認し、必要な変更を適用してから人間のレビューを要求するようにCopilotに求めます。
3. 開発者の同僚が pull request をレビューして承認します。 作業はマージできる状態になります。

6. 次の方法で最適化する Copilotクラウドエージェント

1. リリースの後、製品マネージャーは顧客からのフィードバックを収集し、さらに信頼性の高い気象データ用 API に切り替えて、ウィジェットの提案を改善する機会を特定します。 この変更を実装するためのタスクを作成し、GitHubCopilotで直接**** に割り当てます。

2.        Copilotクラウドエージェント はバックグラウンドで動作し、pull request を開きます。この pull request は、製品マネージャーがレビューの準備ができているとマークします。
   

   

3. 開発者は Copilotの pull request をレビューし、フィードバックを残します。フィードバックは Copilot 組み込まれています。 最後に、開発者は pull request をマージします。

   ヒント

   Copilotクラウドエージェント には、既定のガードレールが付属しています。 たとえば、 Copilot 自体でプル要求をマージすることはできません。 ユーザーは、リポジトリ ルールセットを使って、ターゲット ブランチに対する追加の保護を定義できます。

4. 開発者は、後で別の機能の作業中に、AI ウィジェットのコードに小さなバグがあることに気付きます。 コンテキストの切り替えを回避するために、開発者は Copilot に VS Codeから直接プル要求を開くよう指示します。

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

5.        Copilot はバックグラウンドで動作し、別の開発者が確認できるように、 GitHubで pull request を開きます。
   

7. Copilot自動修正で固定する

1. 管理者がリポジトリで code scanning を有効にしており、 code scanning アラートによって、コードに潜在的な脆弱性が示されます。

2. セキュリティ マネージャーは、開発者がレビューして承認する脆弱性の修正プログラムを自動的に提案するように Copilot自動修正 を要求します。

   

エージェンティックAIの利用を開始する

          <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>サインアップ 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>

この記事で紹介されている機能を始めるには、次の表のリンクを使用します。

エージェント型 AI 機能をワークストリームに効果的に統合するには、効果的なトレーニング、ガバナンス、カルチャの転換に投資する必要があります。 大規模なロールアウトの前に、複数の部署を対象とするコーホートを使ってエージェントの機能を試し、フィードバックを収集することをお勧めします。

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