首页 > 人工智能 > 人工智能 > 超越代码生成:智能体工程开发者指南
今年十月,GitHub 在一周内收到了超过 12 亿次提交——比一年前增加了 400% 以上。这比 GitHub 在 2025 年全年收到的提交还要多。很可能,你现在生成的代码比一年前更多。但问问自己:你觉得自己比去年高效了 400% 吗?
构建软件不仅仅需要一个好的提示词。随着 AI 加速实现过程,软件开发人员在其他环节感受到更大压力:Faros AI 的一项研究发现,当团队从低 AI 采用率提升到高 AI 采用率时,拉取请求在审查环节的停留时间延长了 441%。
作为软件开发人员,你需要收集需求并引导实现、审查变更并评估测试结果,然后排查生产环境中发生的问题。智能体可以在所有这些阶段帮助你更高效地工作:规划、构建、验证和观察。我们将逐一介绍在 GitHub 上高效的智能体工程工作流是什么样的。
看看这是否似曾相识。你正在规划一次 API(应用程序编程接口) 变更。设计在一个工具里,兼容性要求埋在 Slack 里,一个旧的拉取请求解释了为什么当前实现是这样工作的。在写出有用的计划之前,你需要把这些细节联系起来、比较不同方案,并就现有客户端如何继续工作达成一致。看似简单的规划任务变成了数小时的搜索、交叉核对和追查答案。实现还没开始,你就已经精疲力竭了。
你可以使用 Copilot 将这些分散的上下文汇集到一处,权衡各种取舍,并将决策转化为实现计划。
在团队已有的工作场所中共同规划。在 Slack 或 Teams 中使用 Copilot,与所有相关人员协作——从产品经理和设计师到分析师和业务利益相关者。引入已连接工具中的上下文,让团队可以一起检查假设、贡献想法并完善需求。
将达成一致的需求转化为可执行的工作。让 Copilot 创建包含实现所需上下文和验收标准的 GitHub Issues,并拆分出可以单独处理的任务。
避免日常分类消耗规划时间。使用 GitHub Agentic Workflows 为议题打标签并估算任务复杂度。将低复杂度任务直接分配给 Copilot,然后把时间花在更难的决策上。
为复杂工作提供所需的规划。在你偏好的 Copilot 界面中使用 Plan Mode 比较不同方案并完善实现计划。在将计划交给 Copilot 开始实现之前,先审查并批准该计划。
过去需要数天搜索和收集上下文的工作,现在可以产出可审查的计划、明确的验收标准和范围清晰的议题,你的时间花在决策上而不是检索上。然后,一旦你确定了方案,你就已经为自己和智能体做好了实现计划的准备。
你准备好把计划变成代码了。但生活另有安排。你的智能体任务做到一半,下一个会议五分钟后开始,你的狗已经盯着门看了二十分钟。然后会议上有人指出实现需要处理一个边缘情况。每个人同时都需要你。你想继续推进,但你无法同时出现在三个地方。
你可以让工作持续推进,而不必受限于最初开始工作所用的那台电脑。
从另一台设备继续你的对话。会话连续性让你可以在不同客户端之间接续同一个 Copilot 会话,因此你可以在最方便的地方工作。
合上笔记本电脑后工作仍可继续。Copilot 在云端沙箱中运行任务,使执行过程不占用你的机器,并允许你稍后离开再返回会话。
处理独立任务而不混淆各自的编辑。Copilot 应用为每个会话提供仓库的隔离副本,因此实现任务和文档更新不会共享未完成的工作树。
将项目知识带入每项任务。仓库指令记录约定和验证命令,而共享记忆存储 Copilot 可在整个仓库中复用的有用事实。Copilot Dreaming 会审查符合条件的会话和拉取请求反馈,以保持记忆最新,并提出指令或技能更新建议。这意味着重新解释团队工作方式的时间更少,Copilot 在各项任务中提供更一致的帮助。
让模型与工作相匹配。选择 Copilot Fusion 来为任务选择模型和推理深度,在需要时引入额外模型来审查解决方案。你可以设置努力级别,以平衡质量、成本和响应时间。
无论在哪里工作都遵循公司规则。企业托管设置将公司策略和已配置工具带到各个 Copilot 界面,减少你在不同客户端之间切换时的设置差异。
编写代码不仅仅是向你的 LLM(大语言模型) 发出一个提示然后看看返回什么。而且随着你手头的工作比以往任何时候都多,保持编码标准并按时交付项目可能很困难。Copilot 通过共享项目知识帮助任务独立推进,同时让你可以跨设备从上次中断的地方接续会话。这为你留出更多空间来处理实现决策并应对出现的变化。当你的工作完成时,你就有聚焦的更改可供审查。
在花了一个小时引导你的智能体朝正确方向推进之后,你认为你们都已经到了一个不错的状态。于是你打开一个标记为“小型重构”的拉取请求。它更改了 47 个文件。你本想获得关于共享验证逻辑的反馈,但它被埋没在对每个调用它的端点的更新、格式更改以及数百行生成的测试之中。你想着,鉴于团队审查板上无穷无尽的拉取请求列表,获得批准需要多长时间。
那个审查队列就是实践中的 441%。你可以从两端缩短等待时间:让你的更改更容易被人审查,并让 Copilot 在任何人打开差异之前清除常规检查和修复。
堆叠更小、更聚焦的拉取请求,而不是创建一个单一的巨大更改。你和你的智能体可以使用堆叠拉取请求将依赖工作拆分为更小的部分。这让每个 PR 可以单独审查,保持依赖关系可见,并让团队可以在你的工作合并之前基于它构建,从而解除阻塞。
在常规质量问题消耗审查时间之前发现它们。GitHub Code Quality 根据编码实践和组织标准检查更改,在问题到达人工审查者之前发现它们,为作者和审查者节省时间。
获得与更改相匹配的审查帮助。Copilot 代码审查提供自动反馈,对简单更改进行较轻量分析,对复杂更改进行更深入分析。你可以自行设置该深度,或让 Copilot 为每个拉取请求选择。
在更多代码库中检查安全性。AI Scan 在 CodeQL 覆盖范围之外的语言和文件中发现漏洞。AI 秘密检测有助于识别非结构化秘密(例如密码),而模式匹配可能会遗漏它们。
将新依赖项保持在策略范围内。许可证合规性检查在合并前根据公司规则检查依赖项许可证。GitHub 包防火墙(目前针对 npm 处于公开预览阶段)可以阻止违反已配置安全策略的下载。
解决发现的问题和后续工作,而无需照看每个拉取请求。Agentic Autofix 提出安全问题的修复建议,而 Agent(智能体) Merge 自动处理失败的检查、审查评论和合并冲突——帮助你保持拉取请求推进并准备合并。而且,如果你进行了配置,Copilot 甚至会在你的验证步骤通过后合并你的拉取请求。
更小的更改加上已处理的常规工作意味着更少的来回轮次。你的审查者可以将注意力花在代码是否实现了你的意图以及可能出现什么问题上面。
你的更改获得批准,部署检查通过,你终于可以把它从清单上划掉。第二天早上,你的值班仪表板显示间歇性超时,支持团队报告说有几个大客户受到影响。现在你在比较日志、发布历史和客户报告,同时有人问你是否应该回滚。“所有检查均通过”感觉不像昨天那么令人安心了。
将运维证据和工程上下文结合起来,以便你决定该做什么。
对照真实行为检查假设。通过 Fabric 等连接器访问你的可观测性工具和业务数据,Copilot 可以帮助调查哪些请求或客户群体受到影响。
将发现记录在有人可以采取行动的地方。让 Copilot 起草一个包含支持证据和验收标准的问题,包括针对你发现的故障的回归测试。
将有用的经验带入未来工作。审查 Dreaming 提出的改进建议,它使用会话和仓库活动来帮助完善记忆、技能和代码审查指导。
发布后弄清楚发生了什么,可能会让你在仪表盘、对话和提交历史之间来回切换。借助 Copilot 帮助连接这些信息,你可以记录发现的内容、创建后续问题,并改进未来任务可用的指导。你花更多时间决定需要改变什么,花更少时间回溯调查过程。你的下一个计划将从人们实际使用的软件中学到的东西开始。
拿一项已经在你手上的工作,看看编码任务之外的部分。它需要什么上下文?你将如何审查和测试它?发布后你如何知道它有效?
你不必一次性改变整个流程。从本周最让你沮丧的事情开始,让一个智能体来处理它。然后随着时间推移扩展到流程的其他部分。一旦智能体在整个工作流中提供帮助,你或许终于会感觉自己的生产力与提交数量相符。
转载声明:本文为转载整理,原文版权归原作者及原站点所有。
原文来源:GitHub Engineering
原文作者:Nick Liffen, Philip Holleran;如有侵权,请联系管理员删除。