Agent Yönümlü İnkişaf: Copilot Tətbiqi Elmi Sürətləndirmək

title: "Agent Yönümlü İnkişaf: Copilot Tətbiqi Elmi Sürətləndirmək" slug: "agent-driven-development-in-copilot-applied-science" date: "2026-04-02" lang: "az" source: "https://github.blog/ai-and-ml/github-copilot/agent-driven-development-in-copilot-applied-science/" category: "Tərtibatçı Alətləri" keywords:

Agent yönümlü inkişaf
GitHub Copilot
Süni intellekt kodlaşdırma agentləri
proqram mühəndisliyi
avtomatlaşdırma
Claude Opus
tərtibatçı alətləri
süni intellekt tədqiqatı
tələb mühəndisliyi
refaktorinq
CI/CD
süni intellekt iş axınları meta_description: "GitHub Copilot və Claude Opus ilə agent yönümlü inkişafın proqram mühəndisliyini necə inqilab etdiyini, intellektual əməyi avtomatlaşdırdığını və birgə iş axınlarını sürətləndirdiyini kəşf edin." image: "/images/articles/agent-driven-development-in-copilot-applied-science.png" image_alt: "GitHub Copilot-un agent yönümlü inkişaf interfeysini, kod təkliflərini və birgə kodlaşdırma iş axınlarını göstərən ekran görüntüsü." quality_score: 94 content_score: 93 seo_score: 95 companies:
GitHub schema_type: "NewsArticle" reading_time: 7 faq:
question: "GitHub Copilot kontekstində agent yönümlü inkişaf nədir?" answer: "Agent yönümlü inkişaf, GitHub Copilot tərəfindən idarə olunan süni intellekt agentlərinin inkişaf prosesində əsas iştirakçı və əməkdaşlara çevrildiyi proqram mühəndisliyi paradiqmasına aiddir. Bu agentlər sadəcə kod təklif etməklə kifayətlənməyib, proqram təminatının planlaşdırılması, tətbiqi, refaktorinqi, sınağı və sənədləşdirilməsində fəal iştirak edirlər. Bu yanaşma, süni intellektin təkrarlanan intellektual tapşırıqları avtomatlaşdırma qabiliyyətindən istifadə edərək, insan mühəndislərə daha yüksək səviyyəli problem həlli, strateji dizayn və yaradıcı işlərə diqqət yetirməyə imkan verir, bununla da inkişaf dövrlərini sürətləndirir və strukturlaşdırılmış süni intellekt dəstəyi və ciddi mühafizə tədbirləri vasitəsilə kod keyfiyyətini artırır."
question: "'eval-agents' layihəsi necə yarandı?" answer: "'eval-agents' layihəsi süni intellekt tədqiqatçılarının qarşılaşdığı ümumi bir çətinlikdən – böyük həcmdə məlumatın təhlilindən yaranmışdır. Süni intellekt tədqiqatçısı Tyler McGoffin özünü dəfələrlə yüz minlərlə 'trayektoriyalar' – süni intellekt agentinin bençmark qiymətləndirmələri zamanı düşüncə prosesləri və hərəkətlərinin ətraflı qeydləri üzərində çalışarkən tapdı. Bunu intellektual baxımdan yorucu və təkrarlanan bir tapşırıq kimi qəbul edərək, onu avtomatlaşdırmağa çalışdı. Agent yönümlü inkişaf prinsiplərini GitHub Copilot ilə tətbiq edərək, bu trayektoriyaları təhlil etmək üçün 'eval-agents'i yaratdı, bununla da tələb olunan əl əməyini əhəmiyyətli dərəcədə azaltdı və yorucu analitik işi avtomatlaşdırılmış prosesə çevirdi."
question: "Bu yanaşma üçün agentli kodlaşdırma quraşdırmasının əsas komponentləri hansılardır?" answer: "Bu yanaşmada göstərildiyi kimi, effektiv agentli kodlaşdırma quraşdırması adətən Copilot CLI kimi güclü bir süni intellekt kodlaşdırma agenti, Claude Opus 4.6 kimi möhkəm bir əsas böyük dil modeli və VSCode kimi funksional cəhətdən zəngin bir İnteqrə olunmuş İnkişaf Mühitini (IDE) əhatə edir. Ən əsası, Copilot SDK kimi bir SDK-dan istifadə etmək əsas funksionallıqları yenidən icad etmədən agentləri qurmaq və yerləşdirmək üçün zəruri alətlərə, serverlərə və yeni alətlər və bacarıqları qeydiyyata almaq üçün mexanizmlərə çıxış təmin edən fundamental infrastruktur yaradır. Bu inteqrasiya olunmuş mühit, inkişaf dövrü boyunca tərtibatçı və süni intellekt agenti arasında qüsursuz qarşılıqlı əlaqəni təmin edir."
question: "Süni intellekt kodlaşdırma agentləri ilə işləyərkən hansı tələb strategiyaları daha effektivdir?" answer: "Süni intellekt kodlaşdırma agentləri üçün effektiv tələb strategiyaları danışıq, ətraflı və planlaşdırma yönümlü qarşılıqlı əlaqəni vurğulayır. Tərtibatçılar qısa problem ifadələri əvəzinə, agentləri dialoqa cəlb etməklə, fərziyyələri həddən artıq izah etməklə və kod dəyişikliklərinə başlamazdan əvvəl süni intellektin sürətini ilkin planlaşdırma üçün istifadə etməklə daha yaxşı nəticələr əldə edirlər. Bu, həll yollarını birgə beyin fırtınası etmək və ideyaları dəqiqləşdirmək üçün planlaşdırma rejimlərindən (məsələn, '/plan') istifadə etməyi əhatə edir. Süni intellekt agentinə aydın təlimat, kontekst və təkrarlanan rəyə ehtiyacı olan təcrübəsiz bir mühəndis kimi yanaşmaq, onun daha dəqiq və müvafiq nəticələr verməsinə kömək edir, bu da daha üstün problem həlli və funksiya tətbiqinə gətirib çıxarır."
question: "Refaktorinq və sənədləşdirmə kimi arxitektur strategiyalar agent yönümlü inkişaf üçün niyə həlledicidir?" answer: "Tez-tez refaktorinq, hərtərəfli sənədləşdirmə və möhkəm sınaq kimi arxitektur strategiyalar agent yönümlü inkişafda son dərəcə vacibdir, çünki onlar süni intellekt agentlərinin effektiv şəkildə anlaya və qarşılıqlı əlaqə qura biləcəyi təmiz, naviqasiya edilə bilən bir kod bazası yaradır. Yaxşı saxlanılan kod bazası, insan mühəndislər üçün olduğu kimi, süni intellekt agentlərinə funksiyaları daha dəqiq və səmərəli şəkildə təqdim etməyə imkan verir. Oxunuşluğa, ardıcıl nümunələrə və aktual sənədləşdirməyə üstünlük verərək, tərtibatçılar Copilot-un kod bazasının məqsədini şərh edə bilməsini, təkmilləşdirmə imkanlarını müəyyənləşdirə bilməsini və minimum səhvlərlə dəyişikliklər tətbiq edə bilməsini təmin edir, bu da funksiyaların çatdırılmasını asanlaşdırır və davamlı yenidən arxitektura qurmağı asanlaşdırır."
question: "Agent yönümlü inkişafda 'günahsız mədəniyyət' təkrarlama strategiyalarına necə tətbiq edilir?" answer: "Agent yönümlü inkişafa 'günahsız mədəniyyət' tətbiq etmək 'güvən amma yoxla' düşüncəsindən 'agentləri deyil, prosesi günahlandır' düşüncəsinə keçmək deməkdir. Bu fəlsəfə süni intellekt agentlərinin, insan mühəndislər kimi, səhvlər edə biləcəyini qəbul edir. Diqqət daha sonra səhvlərin qarşısını almaq üçün ciddi tip, hərtərəfli linters və geniş inteqrasiya və son-to-son testlər kimi möhkəm proseslərin və mühafizə tədbirlərinin tətbiqinə yönəlir. Agent səhv etdikdə, cavab ondan dərs çıxarmaq və əlavə mühafizə tədbirləri tətbiq etmək, prosesləri və tələbləri eyni səhvin təkrarlanmaması üçün dəqiqləşdirməkdir, bu da sürətli və psixoloji cəhətdən təhlükəsiz bir təkrarlama boru kəməri yaradır."
question: "Agent yönümlü inkişafdan istifadə edərkən tipik inkişaf dövrü nədir?" answer: "Agent yönümlü inkişafda tipik inkişaf dövrü Copilot ilə birgə '/plan' tələbindən istifadə edərək yeni bir funksiyanın planlaşdırılması ilə başlayır, sınaq və sənədləşdirmə yeniləmələrinin erkən inteqrasiya olunmasını təmin edir. Sonra, Copilot adətən '/autopilot' əmrindən istifadə edərək funksiyanı tətbiq edir. Tətbiqdən sonra, Copilot Code Review agenti ilə nəzərdən keçirmə dövrü başlanır, şərhlər təkrarlanan şəkildə həll edilir. Son mərhələ nümunələri və standartları tətbiq etmək üçün insan nəzərdən keçirilməsini əhatə edir. Bu funksiya dövründən kənarda, Copilot itkin testləri, kod təkrarlanmasını və ya sənədləşdirmə boşluqlarını nəzərdən keçirmək üçün dövri olaraq sorğulanır, davamlı olaraq optimallaşdırılmış agent yönümlü mühiti saxlayır."
question: "Agent yönümlü inkişafın komanda məhsuldarlığına və əməkdaşlığına necə təsiri oldu?" answer: "Agent yönümlü inkişafın komanda məhsuldarlığına və əməkdaşlığına təsiri dəyişdirici idi və inanılmaz dərəcədə sürətli təkrarlama boru kəmərinə səbəb oldu. Bir halda, bu metodologiyadan istifadə edən beş yeni iştirakçıdan ibarət bir komanda, üç gündən az müddətdə 11 yeni agent, dörd yeni bacarıq yaratdı və mürəkkəb iş axınlarını tətbiq etdi. Bu, 345 faylda +28,858/-2,884 sətir kod dəyişikliyinə bərabər idi. Çıxışdakı bu dramatik artım, agent yönümlü inkişafın rutin tapşırıqları avtomatlaşdırmaq və ağıllı dəstək təmin etməklə, funksiya çatdırılmasını əhəmiyyətli dərəcədə sürətləndirdiyini, daha dərin əməkdaşlığı təşviq etdiyini və komandalara misli görünməmiş səviyyədə yenilik və səmərəlilik əldə etməyə necə imkan verdiyini vurğulayır."

Süni İntellekt Agentləri ilə İntellektual Əməyi Avtomatlaşdırmaq

Proqram mühəndisliyinin sürətlə inkişaf edən mənzərəsində səmərəlilik axtarışı tez-tez irəliləyən yeniliklərə gətirib çıxarır. Süni intellekt tədqiqatçısı Tyler McGoffin bu yaxınlarda bu ruhu əks etdirən bir səyahəti ətraflı şəkildə təsvir etdi: GitHub Copilot ilə agent yönümlü inkişaf vasitəsilə intellektual əməyini avtomatlaşdırmaq. Bu, sadəcə daha sürətli kodlaşdırma deyil; bu, tərtibatçının rolunu təkrarlanan təhlildən yaradıcı problem həllinə və strateji nəzarətə əsaslı şəkildə dəyişdirməkdir. McGoffin-in təcrübəsi mühəndislər arasında tanış bir nümunəni—yorucu işləri aradan qaldırmaq üçün alətlər qurmağı—vurğulayır, lakin bu, əvvəllər əl ilə miqyaslandırıla bilməyən mürəkkəb analitik tapşırıqları süni intellekt agentlərinə həvalə etməklə bir addım daha irəli gedir.

McGoffin-in ilhamı işinin kritik, lakin yorucu bir cəhətindən irəli gəlirdi: TerminalBench2 və SWEBench-Pro kimi bençmarklara qarşı kodlaşdırma agentinin performansının təhlili. Bu, 'trayektoriyaları'—bir agentin düşüncə prosesləri və hərəkətlərinin ətraflı JSON qeydləri—təhlil etməyi əhatə edirdi ki, bu da çoxsaylı tapşırıqlar və bençmark işləri üzrə yüz minlərlə sətir koda bərabər ola bilərdi. GitHub Copilot artıq nümunə tanınmasında kömək etsə də, bu analitik dövrün təkrarlanan təbiəti tam avtomatlaşdırma tələb edirdi. Bu, 'eval-agents'in yaradılmasına gətirib çıxardı ki, bu sistem bu intellektual yükü avtomatlaşdırmaq üçün nəzərdə tutulmuşdu və Copilot Tətbiqi Elmi sahəsindəki komandasına oxşar səmərəliliklərə nail olmağa imkan verirdi.

Agent Yönümlü İnkişaf üçün Layihə

'eval-agents'in yaranması əməkdaşlıq və miqyaslana bilənliyə yönəlmiş aydın prinsiplər dəsti ilə idarə olunurdu. McGoffin bu süni intellekt agentlərini asan paylaşıla bilən, sadəcə müəlliflik edilə bilən və komanda töhfələrinin əsas vasitəsi etməyi hədəfləyirdi. Bu məqsədlər GitHub-ın əsas dəyərlərini, xüsusilə GitHub CLI üçün OSS maintainer olaraq qazandığı təcrübədən irəli gələn dəyərləri əks etdirir. Lakin, üçüncü məqsəd—kodlaşdırma agentlərini əsas iştirakçı etmək—layihənin istiqamətini həqiqətən formalaşdırdı və ilk ikisi üçün gözlənilməz faydalar açdı.

Agentli kodlaşdırma quraşdırması inkişaf prosesini sürətləndirmək üçün bir neçə güclü alətdən istifadə etdi:

Kodlaşdırma agenti: Copilot CLI, birbaşa qarşılıqlı əlaqə və nəzarət təmin edir.
İstifadə olunan model: Claude Opus 4.6, qabaqcıl düşünmə və kod generasiyası imkanları təklif edir.
IDE: VSCode, inkişaf üçün mərkəzi iş sahəsi kimi xidmət edir.

Ən əsası, Copilot SDK mövcud alətlərə, MCP serverlərinə və yeni alətlər və bacarıqları qeydiyyata almaq üçün mexanizmlərə çıxış təmin etməklə çox vacib idi. Bu təməl əsas agent funksionallıqlarını yenidən icad etmə ehtiyacını aradan qaldırdı və komandaya tətbiqə xas məntiqə diqqət yetirməyə imkan verdi. Bu inteqrasiya olunmuş mühit sürətli inkişaf dövrü yaratdı, sübut etdi ki, doğru quraşdırma ilə süni intellekt agentləri sadəcə kömək etməklə kifayətlənməyib, həm də inkişaf səyinin əhəmiyyətli hissələrini idarə edə bilər.

Effektiv Agentli Kodlaşdırma üçün Əsas Prinsiplər

Agent yönümlü paradiqmaya keçid sadəcə alətlərdən daha çox şey tələb edir; o, metodologiyada bir dəyişiklik tələb edir. McGoffin inkişafı sürətləndirmək və əməkdaşlığı təşviq etmək üçün fundamental olduğu sübut edilmiş üç əsas prinsipi müəyyənləşdirdi:

Tələb Strategiyaları: Agentlərlə effektiv qarşılıqlı əlaqə söhbətcil, ətraflı və planlaşdırmaya üstünlük vermək deməkdir.
Arxitektur Strategiyalar: Təmiz, yaxşı sənədləşdirilmiş və refaktorinq edilmiş kod bazası agentlərin effektiv şəkildə naviqasiya etməsi və töhfə verməsi üçün çox vacibdir.
Təkrarlama Strategiyaları: "Agentləri deyil, prosesi günahlandır" düşüncəsini qəbul etmək, günahsız mədəniyyətə bənzər olaraq, sürətli eksperimentlərə və öyrənməyə imkan verir.

Bu strategiyalar ardıcıl tətbiq edildikdə, heyrətamiz nəticələrə gətirib çıxardı. Bu effektivliyin sübutu olaraq, cəmi üç gün ərzində beş yeni iştirakçı kollektiv olaraq 11 yeni agent, dörd yeni bacarıq əlavə etdi və layihəyə 'eval-agent iş axınları' konsepsiyasını tətbiq etdi. Bu birgə sürətli iş, 345 faylda +28,858/-2,884 sətir kod dəyişikliyinə səbəb oldu və github-agentic-workflowsin praktikada necə böyük təsirə malik olduğunu nümayiş etdirdi.

Əsas prinsiplərin xülasəsi:

Prinsip	Təsvir	Agent Yönümlü İnkişaf üçün Fayda
Tələb	Agentlərə təcrübəli mühəndislər kimi yanaşın: onların düşüncələrini istiqamətləndirin, fərziyyələri həddən artıq izah edin, icradan əvvəl planlaşdırma rejimlərindən (`/plan`) istifadə edin. Söhbətcil və ətraflı olun.	Daha dəqiq və müvafiq nəticələrə gətirib çıxarır, agentlərə mürəkkəb problemləri effektiv şəkildə həll etməyə kömək edir.
Arxitektur	Refaktorinqə, hərtərəfli sənədləşdirməyə və möhkəm sınaqlara üstünlük verin. Kod bazasını təmiz, oxunuşlu və yaxşı strukturlaşdırılmış saxlayın. Ölü kodu fəal şəkildə təmizləyin.	Agentlərə kod bazasını, nümunələri və mövcud funksionallığı anlamağa imkan verir, dəqiq töhfələri asanlaşdırır.
Təkrarlama	"Agentləri deyil, prosesi günahlandır" düşüncəsini qəbul edin. Səhvlərin qarşısını almaq üçün mühafizə tədbirləri (ciddi tip, linters, geniş testlər) tətbiq edin. Agent səhvlərindən dərs çıxararaq prosesləri və mühafizə tədbirlərini təkmilləşdirin.	Sürətli təkrarlamayı təşviq edir, agent töhfələrinə inamı artırır və inkişaf boru kəmərini davamlı olaraq təkmilləşdirir.

İnkişafı Sürətləndirmək: Fəaliyyətdəki Strategiyalar

Bu agent yönümlü yanaşmanın uğuru bu prinsiplərin praktik tətbiqində köklənir.

Tələb Strategiyaları: Süni İntellekt Mühəndisinə Rəhbərlik Etmək

Süni intellekt kodlaşdırma agentləri, güclü olsalar da, yaxşı müəyyənləşdirilmiş problemlərdə üstün olurlar. Daha mürəkkəb tapşırıqlar üçün onlara, təcrübəsiz mühəndislər kimi, rəhbərlik tələb olunur. McGoffin söhbət üslubunda danışmağın, fərziyyələri izah etməyin və planlaşdırma rejimlərindən istifadə etməyin qısa əmrlərdən daha effektiv olduğunu aşkar etdi. Məsələn, möhkəm reqressiya testləri əlavə edərkən, /plan Mən bu yaxınlarda Copilot-un yeni paradiqmalarına uyğun olaraq testləri şadlıqla yenilədiyini müşahidə etdim, halbuki bu testlər yenilənməməli idi. Reqressiyalardan qorunmaq üçün Copilot-un toxuna bilmədiyi və ya qorumalı olduğu bir qorunan test sahəsini necə yarada bilərəm? kimi bir tələb məhsuldar bir dialoq başlatdı. Bu geri-irəli, adətən güclü claude-opus-4-6 modeli ilə, yalnız insan mühəndislərin yeniləyə biləcəyi müqavilə sınağı mühafizə tədbirləri kimi mürəkkəb həll yollarına gətirib çıxardı, kritik funksionallığın qorunmasını təmin etdi.

Arxitektur Strategiyalar: Süni İntellektin Dəstəklədiyi Keyfiyyətin Əsası

İnsan mühəndislər üçün təmiz kod bazasını qorumaq, testlər yazmaq və funksiyaları sənədləşdirmək tez-tez funksiya təzyiqi altında ikinci plana keçir. Agent yönümlü inkişafda bunlar çox vacib olur. McGoffin refaktorinq, sənədləşdirmə və test hallarının əlavə edilməsinə vaxt ayırmağın Copilot-un kod bazasında naviqasiya etmək və ona töhfə vermək qabiliyyətini əhəmiyyətli dərəcədə artırdığını aşkar etdi. Agent-first deposu aydınlıq üzərində inkişaf edir. Bu, tərtibatçılara hətta Copilot-a 'İndi bildiklərimlə bunu necə fərqli dizayn edərdim?' kimi suallar verməyə imkan verir, nəzəri refaktorinqi süni intellekt dəstəyi ilə əldə edilə bilən layihələrə çevirir. Arxitektur sağlamlığa bu davamlı diqqət yeni funksiyaların asanlıqla çatdırılmasını təmin edir.

Təkrarlama Strategiyaları: Agentə deyil, Prosesə Güvənmək

Süni intellekt modellərinin təkamülü "güvən amma yoxla" düşüncəsindən "insanları deyil, prosesi günahlandır" fəlsəfəsi ilə effektiv komandaların necə işlədiyinə bənzər daha etibar edici bir mövqeyə keçmişdir. Agent yönümlü inkişafda bu "günahsız mədəniyyət" o deməkdir ki, süni intellekt agenti səhv etdikdə, cavab agenti günahlandırmaq əvəzinə, əsas prosesləri və mühafizə tədbirlərini təkmilləşdirməkdir. Bu, ciddi tipdən interfeys uyğunluğunu təmin etmək, kod keyfiyyəti üçün möhkəm linters və geniş inteqrasiya, son-to-son və müqavilə testləri üçün möhkəm CI/CD təcrübələrinin tətbiqini əhatə edir. Bu testləri əl ilə qurmaq baha başa gəlsə də, agent köməyi onları tətbiq etməyi xeyli ucuzlaşdırır və yeni dəyişikliklərə kritik inam təmin edir. Bu sistemləri qurmaqla, tərtibatçılar Copilot-a öz işini yoxlamağa imkan verir, bu da təcrübəsiz bir mühəndisin uğura necə nail olduğunu əks etdirir.

Agent Yönümlü İnkişaf Dövrünü Mənimsəmək

Bu prinsipləri praktik bir iş axınına inteqrasiya etmək güclü, sürətləndirilmiş inkişaf dövrü yaradır:

Copilot ilə Planlaşdırma: Yeni funksiyaları /plan istifadə edərək başladın. Plan üzərində təkrarlama aparın, testlərin və sənədləşdirmə yeniləmələrinin kod tətbiqindən əvvəl daxil edildiyinə və tamamlandığına əmin olun. Sənədləşdirmə agent üçün əlavə təlimatlar toplusu kimi xidmət edə bilər.
Autopilot ilə Tətbiq Etmə: Copilot-a /autopilot istifadə edərək funksiyanı tətbiq etməyə imkan verin, onun kod generasiyası imkanlarından istifadə edin.
Copilot Code Review ilə Nəzərdən Keçirmə: Copilot-u nəzərdən keçirmə dövrünü başlatmağa çağırın. Bu, Copilot Code Review agentini istəməyi, onun şərhlərini həll etməyi və problemlər həll olunana qədər yenidən nəzərdən keçirmələri tələb etməyi əhatə edir.
İnsan Nəzərdən Keçirməsi: Nümunələrin tətbiq olunduğundan və mürəkkəb qərarların strateji niyyətə uyğun olduğundan əmin olmaq üçün yekun insan nəzərdən keçirməsi aparın.

Funksiya dövründən kənarda, davamlı optimallaşdırma əsasdır. McGoffin mütəmadi olaraq Copilot-a /plan Itkin testləri, pozulmuş ola biləcək testləri və ölü kodu nəzərdən keçir və ya /plan Sənədləşdirmədəki boşluqları müəyyən etmək üçün sənədləşdirməni və kodu nəzərdən keçir. kimi əmrlər verir. Bu yoxlamalar, həftəlik və ya yeni funksiyalar inteqrasiya edildikdə aparılır, agent yönümlü inkişaf mühitinin sağlam və səmərəli qalmasını təmin edir.

Süni İntellekt ilə Proqram Mühəndisliyinin Gələcəyi

Yorucu analitik tapşırığı avtomatlaşdırmaq üçün şəxsi axtarış kimi başlayan şey, proqram təminatı inkişafı üçün yeni bir paradiqmaya çevrildi. GitHub Copilot kimi alətlər və Claude Opus kimi qabaqcıl modellər tərəfindən dəstəklənən agent yönümlü inkişaf, sadəcə tərtibatçıları daha sürətli etmək deyil; o, süni intellekt tədqiqatçıları və proqram mühəndisləri üçün işin təbiətini əsaslı şəkildə dəyişdirir. İntellektual əməyi ağıllı agentlərə həvalə etməklə, komandalar misli görünməmiş məhsuldarlıq, əməkdaşlıq və yenilik səviyyələrinə nail ola bilər, nəticədə həqiqətən irəliləyişi təmin edən yaradıcı və strateji çətinliklərə diqqət yetirə bilər. Bu yanaşma süni intellekt agentlərinin sadəcə alətlər deyil, inkişaf komandasının ayrılmaz üzvləri olduğu, proqram təminatını necə qurub saxladığımızı dəyişdirən maraqlı bir gələcəyi xəbər verir.

Orijinal mənbə

https://github.blog/ai-and-ml/github-copilot/agent-driven-development-in-copilot-applied-science/

Tez-tez Verilən Suallar

What is agent-driven development in the context of GitHub Copilot?

Agent-driven development refers to a software engineering paradigm where AI agents, such as those powered by GitHub Copilot, become primary contributors and collaborators in the development process. Instead of merely suggesting code, these agents actively participate in planning, implementing, refactoring, testing, and documenting software. This approach leverages the AI's ability to automate repetitive intellectual tasks, allowing human engineers to focus on higher-level problem-solving, strategic design, and creative work, thereby accelerating development cycles and improving code quality through structured AI assistance and rigorous guardrails.

How did the 'eval-agents' project originate?

The 'eval-agents' project was born out of a common challenge faced by AI researchers: analyzing vast quantities of data. Tyler McGoffin, an AI researcher, found himself repeatedly poring over hundreds of thousands of lines of 'trajectories'—detailed logs of AI agent thought processes and actions during benchmark evaluations. Recognizing this as an intellectually toilsome and repetitive task, he sought to automate it. By applying agent-driven development principles with GitHub Copilot, he created 'eval-agents' to analyze these trajectories, significantly reducing the manual effort required and transforming a tedious analytical chore into an automated process.

What are the key components of an agentic coding setup for this approach?

An effective agentic coding setup, as demonstrated in this approach, typically includes a powerful AI coding agent like Copilot CLI, a robust underlying large language model such as Claude Opus 4.6, and a feature-rich Integrated Development Environment (IDE) like VSCode. Crucially, leveraging an SDK, such as the Copilot SDK, provides access to essential tools, servers, and mechanisms for registering new tools and skills, offering a foundational infrastructure for building and deploying agents without reinventing core functionalities. This integrated environment enables seamless interaction between the developer and the AI agent throughout the development lifecycle.

What prompting strategies are most effective when working with AI coding agents?

Effective prompting strategies for AI coding agents emphasize conversational, verbose, and planning-oriented interactions. Rather than terse problem statements, developers achieve better results by engaging agents in a dialogue, over-explaining assumptions, and leveraging the AI's speed for initial planning before committing to code changes. This involves using planning modes (e.g., '/plan') to collaboratively brainstorm solutions and refine ideas. Treating the AI agent like a junior engineer who benefits from clear guidance, context, and iterative feedback helps it to produce more accurate and relevant outputs, leading to superior problem-solving and feature implementation.

Why are architectural strategies like refactoring and documentation crucial for agent-driven development?

Architectural strategies like frequent refactoring, comprehensive documentation, and robust testing are paramount in agent-driven development because they create a clean, navigable codebase that AI agents can effectively understand and interact with. A well-maintained codebase, much like for human engineers, allows AI agents to contribute features more accurately and efficiently. By prioritizing readability, consistent patterns, and up-to-date documentation, developers ensure that Copilot can interpret the codebase's intent, identify opportunities for improvement, and implement changes with minimal errors, making feature delivery trivial and facilitating continuous re-architecture.

How does a 'blameless culture' apply to iteration strategies in agent-driven development?

Applying a 'blameless culture' to agent-driven development means shifting from a 'trust but verify' mindset to one that prioritizes 'blame process, not agents.' This philosophy acknowledges that AI agents, like human engineers, can make mistakes. The focus then shifts to implementing robust processes and guardrails—such as strict typing, comprehensive linters, and extensive integration and end-to-end tests—to prevent errors. When an agent does make a mistake, the response is to learn from it and introduce additional guardrails, refining the processes and prompts to ensure the same error isn't repeated, fostering a rapid and psychologically safe iteration pipeline.

What is the typical development loop when using agent-driven development?

The typical development loop in agent-driven development begins with planning a new feature collaboratively with Copilot using a '/plan' prompt, ensuring testing and documentation updates are integrated early. Next, Copilot implements the feature, often using an '/autopilot' command. Following implementation, a review loop is initiated with a Copilot Code Review agent, addressing comments iteratively. The final stage involves a human review to enforce patterns and standards. Outside this feature loop, Copilot is periodically prompted to review for missing tests, code duplication, or documentation gaps, maintaining a continuously optimized agent-driven environment.

What kind of impact did agent-driven development have on team productivity and collaboration?

The impact of agent-driven development on team productivity and collaboration was transformative, leading to an incredibly rapid iteration pipeline. In one instance, a team of five new contributors, using this methodology, created 11 new agents, four new skills, and implemented complex workflows in less than three days. This amounted to a staggering change of +28,858/-2,884 lines of code across 345 files. This dramatic increase in output highlights how agent-driven development, by automating routine tasks and providing intelligent assistance, significantly accelerates feature delivery, fosters deeper collaboration, and enables teams to achieve unprecedented levels of innovation and efficiency.

Xəbərdar olun

Ən son AI xəbərlərini e-poçtunuza alın.

Paylaş