Интеграция агентического ИИ в жизненный цикл разработки программного обеспечения предприятия

О агентах ИИ на GitHub

Разработчики в вашей организации могут использоваться для использования ИИ в качестве парного средства программирования. В этой модели разработчики синхронно работают с ИИ-ассистентами и получают предложения кода на этапе разработки project.

Агенты ИИ больше похожи на одноранговых программистов. Агенты могут:

• Выполнение асинхронных задач, таких как выполнение тестов или устранение проблем в невыполненной работе, с меньшей потребностью в вмешательстве человека.
• Участие в рабочих процессах за пределами этапа разработки, таких как идея или оптимизация после выпуска.

Совместная работа с агентами может предоставить сотрудникам больше времени, чтобы сосредоточиться на других приоритетах, таких как планирование высокого уровня, и повысить преимущества ИИ для ролей, не являющихся разработчиками, предоставляя больше возможностей для запросов естественного языка.

          GitHub CopilotФункции агентного ИИ интегрированы в GitHubцелостную платформу , обеспечивая более упрощённый пользовательский опыт и упрощённые системы лицензирования и управления по сравнению с использованием различных сторонних инструментов.

Пример сценария

Вы являетесь менеджером по инженерии в Моне, бутик-магазин зонтиков. Ваша команда была поставлена перед добавлением мини-приложения** с поддержкой **искусственного интеллекта в интернет-магазин компании. Мини-приложение поможет клиентам выбрать правильный зонтик, сделав адаптированные рекомендации на основе таких факторов, как расположение пользователя и локальные тенденции погоды.

Чтобы достигнуть жесткого срока, вы стремитесь ускорить каждый этап процесса, как для разработчиков, так и для разработчиков и не разработчиков в вашей команде. Вы также хотите убедиться, что команда не перегружена задачами обслуживания после развертывания новой функции.

1. Планируйте с помощью Copilot Chat

1. Для начала планирования продуктовый менеджер работает с Copilot Chat .https://github.com/copilot

   Они задают Copilot вопросы на высоком уровне, чтобы понять, какая работа по разработке необходима для новой функции. Чтобы получить Copilot доступ к важному контексту проекта, они загружают макеты и ссылаются на репозиторий, где хранится кодовая база.

2. Когда менеджер проекта Copilot работает над обзором необходимых задач, он просит Copilotсоздать задачи для каждой части работы.

          Copilot разрабатывает выпуски в `https://github.com/copilot`, где PM может их доработать и опубликовать в репозитории.
   

   Премьер-министр отмечает некоторые из проблем как хорошие и у вас есть или обслуживание. Это могут быть хорошие кандидаты для Copilot облачный агент.

   

3. Чтобы помочь разработчику быстро начать, PM создаёт пространство с Copilot Spaces .https://github.com/copilot/spaces PM собирает такие ресурсы, как схемы и ссылки на файлы кода, отправляет несколько тестовых вопросов, а затем делится пространством со своей организацией.

   Теперь разработчик может задавать вопросы в этом пространстве и Copilot уже будет иметь весь контекст, который добавил PM.

2. Прототип с GitHub Spark

1. Чтобы создать прототип функции, PM открывает GitHub Spark (https://github.com/spark) и предлагает создать виджет. Они могут написать запрос, вставить документацию на последнем этапе или отправить снимок экрана. Spark генерирует рабочее приложение с уже интегрированной LLM для получения рекомендаций — без необходимости IDE или кодирования.
2. Для уточнения прототипа PM может снова подсказывать Spark , использовать визуальный редактор или редактировать код напрямую. На вкладке "Запросы" они могут настроить текст, который обеспечивает рекомендации без редактирования кода. Каждое изменение мгновенно обновляет динамическую предварительную версию, поэтому PM может увидеть, как изменения влияют на приложение.
3. Для сотрудничества PM публикует искру и обновляет видимость, чтобы их организация могла access к ней. Они также могут создавать репозиторий и приглашать участников совместной работы. Изменения кода, внесённые в репозитории, синхронизируются обратно в Spark, позволяя PM и дизайнерам видеть обновления виджета в реальном времени.

3. Создавать с GitHub Models и в режиме агента

1. PM делит Copilot пространство, GitHub Spark прототип и репозиторий с разработчиком и просит его начать с поиска лучшей модели ИИ, чтобы предоставить индивидуальные рекомендации с учётом стоимости и эффективности моделей.

2. Разработчик просит Copilot Chat порекомендовать несколько моделей искусственного интеллекта для этой задачи, а также о плюсах и минусах каждой из них. Для получения полезного контекста они просят Copilot рассмотреть информацию из статьи Сравнение моделей ИИGitHub Docs .

3. Чтобы выбрать модель из шорт-листа, разработчик использует GitHub Models игровую площадку для сравнения результатов одного и того же запроса между моделями. Затем они могут обновить GitHub Spark прототип, чтобы использовать выбранную модель, чтобы увидеть, как это влияет на весь опыт виджета в прототипе (все поддерживаемые модели GitHub Models поддерживаются в Spark). Они экономят время путем тестирования моделей на одной платформе, а не необходимости настраивать ключ API для каждой модели отдельно.

   

4. Выбрав модель, разработчик открывает код в VS Code.

5. Разработчик начинает писать код для нового мини-приложения. Чтобы ускорить работу, они используют Copilot Chat в режимах «Спросить» и «Редактировать» для вопросов по синтаксису и общеуровневых предложений.

   Совет

   Разработчик работает с ИИ таким образом, что лучше всего подходит для них, но у вашей организации есть контроль над опытом. Например, доступны следующие возможности: * Управляйте моделями , которые разработчик может использовать для разработки, чтобы соответствовать требованиям соответствия требованиям и управлять затратами. * Исключите определённые файлы из Copilot Chatдосягаемости '. * Сохраняйте эффективные подсказки , которые были протестированы с GitHub Models, чтобы другие пользователи могли получить пользу.

6. Когда разработчик написал код, он переходит в режим агента , чтобы попросить Copilot рефакторинг кода в несколько различных функций для лучшей читаемости.

   В режиме агента Copilot работает более автономно, может обновлять несколько файлов и, с авторизацией разработчика, запускать команды для действий, таких как установка зависимостей или запуск тестов.

   

   Совет

   Вы можете создать более согласованный интерфейс, добавив в репозиторий пользовательский файл инструкций . Например, файл может помочь убедиться, что режим агента использует установленные соглашения об именовании и выполняет правильные команды для сборки, тестирования и написания кода в соответствии со стандартами вашей организации.

7. Разработчик проверяет дифф работы агента и выбирает, какой код следует сохранить.

4. Тестирование с помощью сервера MCP

1. По завершении кода разработчик хочет выполнить тесты на локальной сборке сайта с помощью Playwright, автоматизированной службы тестирования в браузере.

   • Администратор репозитория добавил сервер Model Context Protocol (MCP ) для Playwright, который предоставляет Copilot агенту заранее заданный интерфейс для интеграции с Playwright.
   • Разработчик просит Copilot очертать тестовые сценарии в файле .feature , затем говорит Copilot запускать тесты в браузере.
   • В режиме агента Copilot просит разработчика авторизировать действия при открытии браузера и кликах по разным элементам интерфейса. Пока разработчик наблюдает за тестами в браузере, Copilot выявляет неудачный тест и предлагает исправление в коде.

2. Когда тесты удовлетворяются, разработчик просит режим агента открыть pull request для работы на GitHub.

   Совет

   • С включённым GitHub MCP-серверомCopilot можно запустить команду открытия pull request напрямую из VS Code, с уже заполненным заголовком и описанием.
   • Взаимодействие с GitHub MCP-сервером защищено push-защитой, которая блокирует включение секретов в ответы, сгенерированные ИИ, и не даёт вам раскрывать секреты через любые действия на сервере (только в публичных репозиториях). См . раздел AUTOTITLE.

5. Обзор с Обзор кода Copilot и Кастомные агенты Copilot

1. Владелец репозитория настроил автоматические проверкиCopilot кода на репозитории. Copilot предоставляет первоначальный обзор pull request, выявляя баги и возможные проблемы с производительностью, которые разработчик может исправить до того, как человеческий рецензент доберётся до pull-запроса.
2. В качестве дополнительной проверки соответствия владелец предприятия создал Copilot кастомный агент ключевой контекст отраслевых нормативов и внутренних политик. Разработчик выбирает Пользовательский агент пункт https://github.com/copilot/agents, заставляя Copilot тщательно проверить pull request на соответствие и внести необходимые изменения перед запросом человеческой проверки.
3. Коллега разработчика проверяет и утверждает запрос на вытягивание. Работа готова к слиянию.

6. Оптимизировать с помощью Copilot облачный агент

1. После выпуска менеджер продуктов собирает отзывы клиентов и определяет возможность улучшить предложения мини-приложения, переключившись на более надежный API для погодных данных. Они создают задачу для реализации этого изменения и назначают Copilot его непосредственно на GitHub.

2.        Copilot облачный агент работает в фоне и открывает pull request, который менеджер продукта отмечает как готовый к рассмотрению.
   

   

3. Разработчик рассматривает Copilotpull request и оставляет отзыв, который Copilot включает в себя. Наконец, разработчик объединяет запрос на вытягивание.

   Совет

   Copilot облачный агент В комплекте стандартные ограждения. Например, Copilot нельзя объединять pull requests самостоятельно. Можно определить дополнительные средства защиты для целевых ветвей с помощью наборов правил репозитория.

4. Позже при работе с отдельной функцией разработчик заметил небольшую ошибку в коде мини-приложения ИИ. Чтобы избежать переключения контекста, разработчик инструктирует Copilot открыть pull-запрос напрямую из VS Code.

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

5.        Copilot Работает в фоне и открывает pull-запрос на GitHub, готовый для проверки другого разработчика.
   

7. Обеспечьте безопасность Copilot Autofix

1. Администратор включил code scanning репозиторие, и оповещение code scanning указывает на потенциальную уязвимость в коде.

2. Менеджер по безопасности автоматически Copilot Autofix предлагает исправление уязвимости, которое разработчик рассматривает и одобряет.

   

Начало работы с агентическим ИИ

          <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>Зарегистрируйтесь 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>

Чтобы get started с упомянутыми в этой статье функциями, используйте ссылки в следующей таблице.

Чтобы эффективно интегрировать функции агентического ИИ в рабочие потоки, необходимо инвестировать в эффективное обучение, управление и культурные сдвиги. Мы рекомендуем экспериментировать с агентическими функциями с кроссфункциональным когортой для сбора отзывов перед более крупным развертыванием.

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