Integration von Agentic AI in den Lebenszyklus der Softwareentwicklung deines Unternehmens

Informationen zu KI-Agents auf GitHub

Entwickler in deinem Unternehmen sind es gewohnt, KI als Werkzeug für die Paarprogrammierung zu verwenden. In diesem Modell arbeiten Entwickler synchron mit KI-Assistenten zusammen und erhalten während der Entwicklungsphase eines project Codevorschläge.

KI-Agents sind eher mit Programmierkollegen vergleichbar. Agents können Folgendes:

• Asynchrones Ausführen von Tasks, wie das Ausführen von Tests oder das Beheben von Problemen in einem Backlog, mit weniger menschlichen Eingriffen.
• Mitwirkung an Workflows außerhalb der Entwicklungsphase, etwa bei der Ideenfindung oder Optimierung nach einer Veröffentlichung.

Die Zusammenarbeit mit Agents kann Mitarbeitern mehr Zeit geben, sich auf andere Prioritäten zu konzentrieren, z. B. die allgemeine Planung, und dafür sorgen, dass Personen, die keine Entwickler sind, die Vorteile der KI nutzen können, indem sie natürliche Sprachaufforderungen leistungsfähiger machen.

          GitHub Copilots agentische KI-Funktionen sind in GitHubs einheitliche Plattform integriert, was eine optimierte Benutzererfahrung sowie vereinfachte Lizenzierungs- und Governance-Kontrollen ermöglicht, im Vergleich zur Einführung einer Reihe von Drittanbietertools.

Beispielszenario

Du bist technischer Leiter bei Mona's, einem kleinen Laden für Regenschirme. Dein Team wurde damit beauftragt, ein KI-gestütztes Widget in den Onlineshop des Unternehmens einzufügen. Das Widget hilft Kunden bei der Wahl des passenden Regenschirms, indem es maßgeschneiderte Empfehlungen gibt, die auf Faktoren wie dem Standort des Benutzers und lokalen Wettertrends basieren.

Zur Einhaltung einer knappen Frist musst du jede Phase des Prozesses beschleunigen, sowohl für Entwickler als auch für alle anderen Personen im Team. Zudem solltest du sicherstellen, dass das Team nach der Einführung des neuen Features nicht mit Wartungsaufgaben überschüttet wird.

1. Planen mit Copilot-Chat

1. Um mit der Planung zu beginnen, arbeitet ein Produktmanager mit Copilot-Chat bei https://github.com/copilot.

   Sie stellen Copilot allgemeine Fragen, um ein Gefühl der Entwicklungsarbeit zu erhalten, die für das neue Feature erforderlich ist. Um Copilot Zugriff auf wichtigen Kontext des Projekts zu gewähren, laden sie Mockupdateien hoch und verknüpfen sie mit dem Repository, in dem die Codebasis gespeichert ist.

2. Wenn das PM damit Copilot gearbeitet hat, einen Überblick über die erforderlichen Aufgaben zu erhalten, bitten Copilot sie, Probleme für jeden Teil der Arbeit zu erstellen .

          Copilot erstellt die Entwürfe der Probleme in `https://github.com/copilot`, in denen der PM sie verfeinern und im Repository veröffentlichen kann.
   

   Der Projektmanager markiert einige der Probleme als wünschenswerte Merkmale oder Wartungspunkte. Dies könnten gute Kandidaten für Copilot-Cloud-Agent sein.

   

3. Damit der Entwickler schnell loslegen kann, erstellt das PM einen Raum mit Copilot Räume at https://github.com/copilot/spaces. Der PM sammelt Ressourcen wie Diagramme und Verweise auf Codedateien, sendet einige Testfragen und gibt dann den Space für die Organisation frei.

   Jetzt kann der Entwickler Fragen im Raum stellen und Copilot hat bereits den gesamten Kontext, den der PM hinzugefügt hat.

2. Prototyp mit GitHub Spark

1. Um das Feature zu prototypisieren, öffnet der PM GitHub Spark (https://github.com/spark) und fordert dazu auf, das Widget zu erstellen. Sie können eine Eingabeaufforderung schreiben, eine Dokumentation aus der letzten Phase einfügen oder einen Screenshot hochladen. Spark generiert eine funktionsfähige App mit einem LLM, das bereits integriert ist, um Empfehlungen zu generieren – keine IDE oder Programmierung erforderlich.
2. Um den Prototyp zu verfeinern, kann das PM erneut dazu auffordern Spark , den visuellen Editor verwenden oder den Code direkt bearbeiten. Auf der Registerkarte "Eingabeaufforderungen" können sie den Text anpassen, der Empfehlungen unterstützt, ohne Code zu bearbeiten. Jede Änderung aktualisiert sofort die Livevorschau, sodass das PM sehen kann, wie sich Änderungen auf die App auswirken.
3. Um zusammenzuarbeiten, veröffentlicht der PM den Spark und bearbeitet die Sichtbarkeitsoptionen, damit seine Organisation darauf zugreifen kann. Sie können auch ein Repository erstellen und Mitarbeiter einladen. Codeänderungen, die im Repository vorgenommen wurden, werden zurück zu Spark synchronisiert und ermöglichen PM und Designern, Aktualisierungen des Widgets in Echtzeit zu sehen.

3. Erstellen mit GitHub Models und Agentmodus

1. Der/Die PM teilt dem Entwickler den Copilot Raum sowie den Prototypen und das GitHub Spark Repository mit und fordert den Entwickler auf, zunächst das beste KI-Modell zu ermitteln, um die maßgeschneiderten Regenschirmempfehlungen basierend auf den Kosten und der Effektivität der Modelle bereitzustellen.

2. Der Entwickler bittet Copilot-Chat , mehrere KI-Modelle für den Job und die Vor- und Nachteile zu empfehlen. Um einen nützlichen Kontext bereitzustellen, bitten Copilot sie, die Informationen im AUTOTITLE-ArtikelGitHub Docs zu berücksichtigen.

3. Um sich für ein Modell aus der Shortlist zu entscheiden, verwendet der Entwickler den GitHub Models Playground, um die Ergebnisse desselben Eingabebefehls über verschiedene Modelle hinweg zu vergleichen. Sie können dann auch den GitHub Spark Prototyp aktualisieren, um das spezifische Modell zu verwenden, das sie ausgewählt haben, um zu sehen, wie sich dies auf die gesamte Widgeterfahrung im Prototyp auswirkt (alle unterstützten GitHub Models Modelle werden unterstützt in Spark). Er spart Zeit, da er die Modelle auf einer einzigen Plattform testet und nicht für jedes Modell einen eigenen API-Schlüssel einrichten muss.

   

4. Nachdem sich das Modell entschieden hat, öffnet der Entwickler den Code in VS Code.

5. Der Entwickler beginnt mit dem Schreiben von Code für das neue Widget. Um ihre Arbeit zu beschleunigen, verwenden Copilot-Chat sie den Modus "Stellen" und "Bearbeiten" für Syntaxfragen und allgemeine Vorschläge.

   Tipp

   Der Entwickler arbeitet mit der KI so, wie es für ihn am besten ist, deine Organisation hat jedoch die Kontrolle über die Erfahrung. Sie können zum Beispiel Folgendes: * Festlegen, welche Modelle der Entwickler für die Entwicklungsarbeit verwenden darf, um Complianceanforderungen zu erfüllen und die Kosten zu kontrollieren. * Schließen Sie bestimmte Dateien von der Reichweite aus Copilot-Chat. * Speichern Sie effektive Eingabeaufforderungen, die getestet GitHub Modelswurden, damit andere Benutzer profitieren können.

6. Wenn der Entwickler Code geschrieben hat, wechselt er/sie in den Agentmodus, um Copilot zu bitten, den Code in verschiedene Funktionen umzugestalten und so die Lesbarkeit zu verbessern.

   Im Agentmodus Copilot funktioniert dies autonomer und kann mehrere Dateien aktualisieren und mit der Autorisierung des Entwicklers Befehle für Aktionen wie das Installieren von Abhängigkeiten oder das Ausführen von Tests ausführen.

   

   Tipp

   Du kannst eine einheitlichere Umgebung erstellen, indem du dem Repository eine Datei mit benutzerdefinierten Anweisungen hinzufügst. So könnte mit der Datei beispielsweise sichergestellt werden, dass im Agent-Modus gängige Namenskonventionen verwendet und die entsprechenden Befehle zum Erstellen, Testen und Linten von Code gemäß den Standards deiner Organisation ausgeführt werden.

7. Der Entwickler verschafft sich mit dem Diff einen Überblick über die Arbeit des Agents und wählt den Code aus, den er behalten möchte.

4. Testen mit einem MCP-Server

1. Nach Fertigstellung des Codes möchte der Entwickler mit Playwright, einem automatisierten Testdienst im Browser, Tests auf der lokalen Version der Website durchführen.

   • Ein Repositoryadministrator hat den Model Context Protocol (MCP)-Server für Playwright hinzugefügt, der dem Agent eine vordefinierte Schnittstelle für die Copilot Integration in Playwright bietet.
   • Der Entwickler fordert, Testszenarien in einer Copilot Datei zu skizzieren.feature, und teilt Copilot dann mit, die Tests im Browser auszuführen.
   • Im Agentmodus fordert Copilot den Entwickler auf, seine Aktionen zu autorisieren, während es den Browser öffnet und auf verschiedene Elemente in der Benutzeroberfläche klickt. Wenn der Entwickler die Tests im Browser überwacht, Copilot identifiziert einen fehlerhaften Test und schlägt einen Fix im Code vor.

2. Wenn sie mit den Tests zufrieden sind, bittet der Entwickler den Agentmodus darum, einen Pull-Request für die Arbeit auf GitHub zu öffnen.

   Tipp

   • Wenn der GitHub MCP-Server aktiviert ist, kann Copilot den Befehl ausführen, um einen Pull-Request direkt von VS Code zu öffnen, mit bereits ausgefülltem Titel und Beschreibung.
   • Interaktionen mit dem GitHub MCP-Server werden durch Pushschutz gesichert, der verhindert, dass geheime Schlüssel in KI-generierte Antworten eingeschlossen werden, und verhindert, dass Geheime Schlüssel über alle Aktionen verfügbar werden, die Sie mit dem Server ausführen (nur öffentliche Repositorys). Weitere Informationen findest du unter Informationen zum Pushschutz.

5. Überprüfen mit Copilot Codeüberprüfung und Copilot benutzerdefinierte Agenten

1. Ein Repositorybesitzer hat automatische Codeüberprüfungen im Copilot Repository konfiguriert. Copilot stellt eine anfängliche Überprüfung der Pull-Anforderung bereit, um Fehler und potenzielle Leistungsprobleme zu identifizieren, die der Entwickler beheben kann, bevor ein menschlichen Prüfer zur Pullanforderung gelangt.
2. Als zusätzliche Überprüfung auf Compliance hat ein Unternehmensbesitzer ein Copilot benutzerdefinierter Agent erstellt, das wichtigen Kontext zu Branchenvorschriften und internen Richtlinien bietet. Der Entwickler wählt das Benutzerdefinierter Agent bei https://github.com/copilot/agents aus, wodurch Copilot dazu aufgefordert wird, die Pull-Anfrage sorgfältig auf Einhaltung zu überprüfen und alle erforderlichen Änderungen vorzunehmen, bevor eine manuelle Überprüfung angefordert wird.
3. Ein Kollege des Entwicklers prüft und genehmigt den Pull Request. Die Arbeit kann nun zusammengeführt werden.

6. Optimieren mit Copilot-Cloud-Agent

1. Nach der Veröffentlichung sammelt der Produktmanager Kundenfeedback und sucht nach einer Möglichkeit, die Vorschläge des Widgets zu verbessern, indem er auf eine zuverlässigere API für Wetterdaten umsteigt. Sie erstellen ein Problem, um diese Änderung zu implementieren, und weisen sie direkt zu CopilotGitHub.

2.        Copilot-Cloud-Agent arbeitet im Hintergrund und öffnet eine Pullanforderung, die der Produktmanager als bereit für die Überprüfung markiert.
   

   

3. Ein Entwickler überprüft Copilotdie Pull-Anforderung und hinterlässt Feedback, das Copilot integriert wird. Schließlich vereint der Entwickler den Pull Request.

   Tipp

   Copilot-Cloud-Agent kommt mit Standardschutzschienen. Beispielsweise kann Copilot Pull-Requests nicht allein zusammenführen. Mithilfe von Repositoryregelsätzen kannst du zusätzliche Schutzmaßnahmen für Zielbranches definieren.

4. Später bemerkt der Entwickler beim Arbeiten an einem anderen Feature einen kleinen Fehler im Code für das KI-Widget. Um einen Kontextwechsel zu vermeiden, fordert der Entwickler Copilot auf, einen Pull Request direkt von VS Code zu eröffnen.

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

5.        Copilot arbeitet im Hintergrund und öffnet einen Pull-Request auf GitHub, der bereit zur Überprüfung durch einen anderen Entwickler ist.
   

7. Sichern mit Copilot Autofix

1. Ein Administrator hat code scanning im Repository aktiviert, und eine code scanning-Warnung weist auf eine potenzielle Sicherheitsanfälligkeit im Code hin.

2. Ein Sicherheitsmanager fordert Copilot Autofix an, automatisch einen Fix für die Sicherheitsanfälligkeit vorzuschlagen, die ein Entwickler überprüft und genehmigt.

   

Beginnen Sie mit agentur-basierter KI

          <a href="https://github.com/enterprise/contact?ref_product=copilot&ref_type=engagement&ref_style=button" target="_blank" class="btn btn-primary mt-3 mr-3 no-underline">
          <span>Vertrieb kontaktieren</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>

Wenn Sie mit den in diesem Artikel erwähnten Funktionen beginnen möchten, verwenden Sie die Links in der folgenden Tabelle.

Wenn du Agentic AI-Features zuverlässig in deine Aufgaben integrieren möchtest, musst du in entsprechende Schulungen, Governance und in einen kulturellen Wandel investieren. Es wird empfohlen, mit agentischen Merkmalen in einer funktionsübergreifenden Gruppe zu experimentieren, um vor einem größeren Rollout Feedback zu sammeln.

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