Desenvolupament Impulsat per Agents: Potenciant la Ciència Aplicada de Copilot

title: "Desenvolupament Impulsat per Agents: Potenciant la Ciència Aplicada de Copilot" slug: "agent-driven-development-in-copilot-applied-science" date: "2026-04-02" lang: "ca" source: "https://github.blog/ai-and-ml/github-copilot/agent-driven-development-in-copilot-applied-science/" category: "Eines per a Desenvolupadors" keywords:

• Desenvolupament impulsat per agents
• GitHub Copilot
• Agents de codificació d'IA
• enginyeria de programari
• automatització
• Claude Opus
• eines de desenvolupament
• investigació d'IA
• enginyeria de prompts
• refactorització
• CI/CD
• fluxos de treball d'IA meta_description: "Descobreix com el desenvolupament impulsat per agents amb GitHub Copilot i Claude Opus està revolucionant l'enginyeria de programari, automatitzant la feina intel·lectual i accelerant els fluxos de treball col·laboratius." image: "/images/articles/agent-driven-development-in-copilot-applied-science.png" image_alt: "Captura de pantalla que mostra la interfície de desenvolupament impulsat per agents de GitHub Copilot, amb suggeriments de codi i fluxos de treball de codificació col·laborativa." quality_score: 94 content_score: 93 seo_score: 95 companies:
• GitHub schema_type: "NewsArticle" reading_time: 7 faq:
• question: "Què és el desenvolupament impulsat per agents en el context de GitHub Copilot?" answer: "El desenvolupament impulsat per agents es refereix a un paradigma d'enginyeria de programari on els agents d'IA, com els impulsats per GitHub Copilot, es converteixen en contribuïdors i col·laboradors principals en el procés de desenvolupament. En lloc de només suggerir codi, aquests agents participen activament en la planificació, implementació, refactorització, proves i documentació del programari. Aquest enfocament aprofita la capacitat de l'IA per automatitzar tasques intel·lectuals repetitives, permetent als enginyers humans centrar-se en la resolució de problemes de nivell superior, el disseny estratègic i el treball creatiu, accelerant així els cicles de desenvolupament i millorant la qualitat del codi mitjançant l'assistència estructurada de l'IA i barreres de seguretat rigoroses."
• question: "Com es va originar el projecte 'eval-agents'?" answer: "El projecte 'eval-agents' va néixer d'un repte comú al qual s'enfronten els investigadors d'IA: analitzar grans quantitats de dades. Tyler McGoffin, un investigador d'IA, es va trobar repetidament revisant centenars de milers de línies de 'trajectòries' (registres detallats dels processos de pensament i accions dels agents d'IA durant les avaluacions de referència). En reconèixer-ho com una tasca intel·lectualment feixuga i repetitiva, va buscar automatitzar-la. Aplicant els principis de desenvolupament impulsat per agents amb GitHub Copilot, va crear 'eval-agents' per analitzar aquestes trajectòries, reduint significativament l'esforç manual requerit i transformant una tasca analítica tediosa en un procés automatitzat."
• question: "Quins són els components clau d'una configuració de codificació d'agents per a aquest enfocament?" answer: "Una configuració de codificació d'agents efectiva, tal com es demostra en aquest enfocament, inclou típicament un potent agent de codificació d'IA com Copilot CLI, un model de llenguatge gran subjacent robust com Claude Opus 4.6, i un Entorn de Desenvolupament Integrat (IDE) ric en funcionalitats com VSCode. Crucialment, aprofitar un SDK, com el Copilot SDK, proporciona accés a eines essencials, servidors i mecanismes per registrar noves eines i habilitats, oferint una infraestructura fonamental per construir i desplegar agents sense haver de reinventar funcionalitats bàsiques. Aquest entorn integrat permet una interacció fluida entre el desenvolupador i l'agent d'IA durant tot el cicle de vida del desenvolupament."
• question: "Quines estratègies de 'prompting' són més efectives quan es treballa amb agents de codificació d'IA?" answer: "Les estratègies de 'prompting' efectives per als agents de codificació d'IA emfatitzen interaccions conversacionals, verboses i orientades a la planificació. En lloc d'enunciats de problemes concisos, els desenvolupadors obtenen millors resultats involucrant els agents en un diàleg, explicant massa les suposicions i aprofitant la velocitat de l'IA per a la planificació inicial abans de comprometre's amb els canvis de codi. Això implica utilitzar modes de planificació (per exemple, '/plan') per generar solucions col·laborativament i refinar idees. Tractar l'agent d'IA com un enginyer júnior que es beneficia d'una guia clara, un context i una retroalimentació iterativa l'ajuda a produir resultats més precisos i rellevants, conduint a una resolució de problemes i implementació de funcions superiors."
• question: "Per què les estratègies arquitectòniques com la refactorització i la documentació són crucials per al desenvolupament impulsat per agents?" answer: "Les estratègies arquitectòniques com la refactorització freqüent, la documentació exhaustiva i les proves robustes són primordials en el desenvolupament impulsat per agents perquè creen una base de codi neta i navegable que els agents d'IA poden entendre i amb la qual poden interactuar eficaçment. Una base de codi ben mantinguda, igual que per als enginyers humans, permet als agents d'IA contribuir amb funcions de manera més precisa i eficient. En prioritzar la llegibilitat, els patrons consistents i la documentació actualitzada, els desenvolupadors s'asseguren que Copilot pugui interpretar la intenció de la base de codi, identificar oportunitats de millora i implementar canvis amb errors mínims, fent que el lliurament de funcions sigui trivial i facilitant la re-arquitectura contínua."
• question: "Com s'aplica una 'cultura sense culpa' a les estratègies d'iteració en el desenvolupament impulsat per agents?" answer: "Aplicar una 'cultura sense culpa' al desenvolupament impulsat per agents significa passar d'una mentalitat de 'confiar però verificar' a una que prioritzi 'culpar el procés, no els agents'. Aquesta filosofia reconeix que els agents d'IA, com els enginyers humans, poden cometre errors. L'objectiu aleshores es desplaça cap a la implementació de processos i barreres de seguretat robustos (com ara la tipificació estricta, els 'linters' complets i proves d'integració i d'extrem a extrem extenses) per prevenir errors. Quan un agent comet un error, la resposta és aprendre'n i introduir barreres de seguretat addicionals, refinant els processos i els 'prompts' per assegurar que el mateix error no es repeteixi, fomentant una pipeline d'iteració ràpida i psicològicament segura."
• question: "Quin és el bucle de desenvolupament típic quan s'utilitza el desenvolupament impulsat per agents?" answer: "El bucle de desenvolupament típic en el desenvolupament impulsat per agents comença amb la planificació d'una nova funció col·laborativament amb Copilot utilitzant un 'prompt' '/plan', assegurant que les proves i les actualitzacions de la documentació s'integrin aviat. A continuació, Copilot implementa la funció, sovint utilitzant una comanda '/autopilot'. Després de la implementació, s'inicia un bucle de revisió amb un agent de Revisió de Codi de Copilot, abordant els comentaris de manera iterativa. L'etapa final implica una revisió humana per fer complir els patrons i estàndards. Fora d'aquest bucle de funcions, Copilot es sol·licita periòdicament per revisar si falten proves, hi ha duplicació de codi o llacunes en la documentació, mantenint un entorn impulsat per agents contínuament optimitzat."
• question: "Quin tipus d'impacte va tenir el desenvolupament impulsat per agents en la productivitat de l'equip i la col·laboració?" answer: "L'impacte del desenvolupament impulsat per agents en la productivitat de l'equip i la col·laboració va ser transformador, conduint a una pipeline d'iteració increïblement ràpida. En un cas, un equip de cinc nous col·laboradors, utilitzant aquesta metodologia, va crear 11 nous agents, quatre noves habilitats i va implementar fluxos de treball complexos en menys de tres dies. Això va suposar un canvi sorprenent de +28.858/-2.884 línies de codi en 345 fitxers. Aquest augment dramàtic de la producció posa de manifest com el desenvolupament impulsat per agents, en automatitzar tasques rutinàries i proporcionar assistència intel·ligent, accelera significativament el lliurament de funcions, fomenta una col·laboració més profunda i permet als equips assolir nivells d'innovació i eficiència sense precedents."

Automatització de la Feina Intel·lectual Feixuga amb Agents d'IA

En el panorama en ràpida evolució de l'enginyeria de programari, la recerca de l'eficiència sovint condueix a innovacions revolucionàries. Tyler McGoffin, un investigador d'IA, va detallar recentment un viatge que exemplifica aquest esperit: l'automatització de la seva feina intel·lectual feixuga mitjançant el desenvolupament impulsat per agents amb GitHub Copilot. No es tracta només de codificar més ràpidament; es tracta de canviar fonamentalment el paper del desenvolupador, passant de l'anàlisi repetitiva a la resolució creativa de problemes i la supervisió estratègica. L'experiència de McGoffin destaca un patró familiar entre els enginyers —construir eines per eliminar les tasques tedioses— però va un pas més enllà en encarregar als agents d'IA tasques analítiques complexes que abans eren impossibles d'escalar manualment.

La inspiració de McGoffin va sorgir d'un aspecte crític, però aclaparador, de la seva feina: analitzar el rendiment dels agents de codificació respecte a referències com TerminalBench2 i SWEBench-Pro. Això implicava disseccionar 'trajectòries' —registres JSON detallats dels processos de pensament i accions d'un agent— que podien sumar centenars de milers de línies de codi en nombroses tasques i execucions de referència. Si bé GitHub Copilot ja ajudava en el reconeixement de patrons, la naturalesa repetitiva d'aquest bucle analític demanava una automatització completa. Això va conduir a la creació de 'eval-agents', un sistema dissenyat per automatitzar aquesta càrrega intel·lectual, permetent al seu equip de Ciència Aplicada de Copilot aconseguir eficiències similars.

El Pla per al Desenvolupament Impulsat per Agents

La creació de 'eval-agents' es va guiar per un conjunt clar de principis centrats en la col·laboració i l'escalabilitat. McGoffin pretenia que aquests agents d'IA fossin fàcils de compartir, senzills d'autoria i el vehicle principal per a les contribucions de l'equip. Aquests objectius reflecteixen els valors fonamentals de GitHub, particularment aquells perfeccionats durant la seva experiència com a mantenidor d'OSS per a la CLI de GitHub. No obstant això, va ser el tercer objectiu —fer dels agents de codificació el contribuïdor principal— el que realment va donar forma a la direcció del projecte i va desbloquejar beneficis inesperats per als dos primers.

La configuració de codificació d'agents va aprofitar diverses eines potents per racionalitzar el procés de desenvolupament:

• Agent de codificació: Copilot CLI, que proporciona interacció i control directes.
• Model utilitzat: Claude Opus 4.6, que ofereix capacitats avançades de raonament i generació de codi.
• IDE: VSCode, que serveix com a espai de treball central per al desenvolupament.

Crucialment, el Copilot SDK va ser fonamental, proporcionant accés a les eines existents, servidors MCP i mecanismes per registrar noves eines i habilitats. Aquesta base va eliminar la necessitat de reinventar les funcionalitats bàsiques dels agents, permetent a l'equip centrar-se en la lògica específica de l'aplicació. Aquest entorn integrat va fomentar un bucle de desenvolupament ràpid, demostrant que amb la configuració adequada, els agents d'IA no només podien ajudar, sinó també impulsar porcions significatives de l'esforç de desenvolupament.

Principis Fonamentals per a una Codificació Agentiva Efectiva

La transició a un paradigma impulsat per agents requereix més que només eines; exigeix un canvi de metodologia. McGoffin va identificar tres principis fonamentals que van resultar clau per accelerar el desenvolupament i fomentar la col·laboració:

1. Estratègies de 'Prompting': Interactuar amb els agents de manera efectiva significa ser conversacional, verbós i prioritzar la planificació.
2. Estratègies Arquitectòniques: Una base de codi neta, ben documentada i refactoritzada és primordial perquè els agents puguin navegar-hi i contribuir-hi eficaçment.
3. Estratègies d'Iteració: Adoptar una mentalitat de "culpar el procés, no els agents", similar a una cultura sense culpa, permet una experimentació i aprenentatge ràpids.

Aquestes estratègies, aplicades de manera consistent, van conduir a resultats sorprenents. Com a testimoni d'aquesta eficàcia, cinc nous col·laboradors, en només tres dies, van afegir col·lectivament 11 nous agents, quatre noves habilitats i van introduir el concepte de 'fluxos de treball d'agents d'avaluació' al projecte. Aquesta sprint col·laborativa va resultar en un canvi notable de +28.858/-2.884 línies de codi en 345 fitxers, demostrant el profund impacte dels fluxos de treball d'agents de github a la pràctica.

Aquí teniu un resum dels principis fonamentals:

Acceleració del Desenvolupament: Estratègies en Acció

L'èxit d'aquest enfocament impulsat per agents rau en l'aplicació pràctica d'aquests principis.

Estratègies de 'Prompting': Guiar l'Enginyer d'IA

Els agents de codificació d'IA, tot i ser potents, destaquen en problemes ben delimitats. Per a tasques més complexes, requereixen orientació, molt semblant als enginyers júnior. McGoffin va trobar que participar en un estil conversacional, explicar suposicions i aprofitar els modes de planificació eren molt més efectius que les ordres concises. Per exemple, en afegir proves de regressió robustes, un 'prompt' com /plan I've recently observed Copilot happily updating tests to fit its new paradigms even though those tests shouldn't be updated. How can I create a reserved test space that Copilot can't touch or must reserve to protect against regressions? va iniciar un diàleg productiu. Aquest intercanvi, sovint amb el potent model Claude Opus 4.6, va conduir a solucions sofisticades com barreres de seguretat de proves de contracte, que només els enginyers humans podien actualitzar, assegurant que la funcionalitat crítica romangués protegida.

Estratègies Arquitectòniques: La Base de la Qualitat Assistida per IA

Per als enginyers humans, mantenir una base de codi neta, escriure proves i documentar funcionalitats sovint es desprioritza sota la pressió de les funcions. En el desenvolupament impulsat per agents, aquests aspectes esdevenen primordials. McGoffin va descobrir que dedicar temps a la refactorització, la documentació i l'addició de casos de prova millorava dràsticament la capacitat de Copilot per navegar i contribuir a la base de codi. Un repositori "agent-first" prospera amb la claredat. Això permet als desenvolupadors fins i tot sol·licitar a Copilot preguntes com "Sabent el que sé ara, com dissenyaria això de manera diferent?", convertint les refactoritzacions teòriques en projectes assolibles amb l'ajuda de l'IA. Aquest enfocament continu en la salut arquitectònica garanteix que les noves funcionalitats es puguin lliurar de manera trivial.

Estratègies d'Iteració: Confiar en el Procés, No Només en l'Agent

L'evolució dels models d'IA ha canviat la mentalitat de "confiar però verificar" a una postura més de confiança, anàloga a com operen els equips eficaços amb una filosofia de "culpar el procés, no les persones". Aquesta "cultura sense culpa" en el desenvolupament impulsat per agents significa que quan un agent d'IA comet un error, la resposta és millorar els processos i les barreres de seguretat subjacents, en lloc de culpar l'agent en si mateix. Això implica implementar pràctiques de CI/CD rigoroses: tipificació estricta per assegurar la conformitat de la interfície, 'linters' robustos per a la qualitat del codi i proves d'integració, d'extrem a extrem i de contracte extenses. Si bé construir aquestes proves manualment pot ser car, l'assistència dels agents les fa molt més barates d'implementar, proporcionant una confiança crítica en els nous canvis. En establir aquests sistemes, els desenvolupadors empoderen Copilot per comprovar el seu propi treball, reflectint com un enginyer júnior està preparat per a l'èxit.

Dominant el Bucle de Desenvolupament Impulsat per Agents

La integració d'aquests principis en un flux de treball pràctic crea un bucle de desenvolupament potent i accelerat:

1. Planificar amb Copilot: Iniciar noves funcionalitats utilitzant /plan. Iterar sobre el pla, assegurant que les proves i les actualitzacions de la documentació s'inclouen i es completen abans de la implementació del codi. La documentació pot servir com un conjunt addicional de directrius per a l'agent.
2. Implementar amb Autopilot: Permetre que Copilot implementi la funcionalitat utilitzant /autopilot, aprofitant les seves capacitats de generació de codi.
3. Revisar amb l'Agent de Revisió de Codi de Copilot: Sol·licitar a Copilot que iniciï un bucle de revisió. Això implica demanar a l'agent de Revisió de Codi de Copilot, abordar els seus comentaris i tornar a sol·licitar revisions fins que es resolguin els problemes.
4. Revisió Humana: Realitzar una revisió humana final per assegurar que es compleixen els patrons i que les decisions complexes s'alineen amb la intenció estratègica.

Més enllà del bucle de funcionalitats, l'optimització contínua és clau. McGoffin sol·licita regularment a Copilot amb ordres com /plan Review the code for any missing tests, any tests that may be broken, and dead code o /plan Review the documentation and code to identify any documentation gaps. Aquestes comprovacions, executades setmanalment o a mesura que s'integren noves funcionalitats, asseguren que l'entorn de desenvolupament impulsat per agents es mantingui saludable i eficient.

El Futur de l'Enginyeria de Programari amb IA

El que va començar com una recerca personal per automatitzar una tasca d'anàlisi frustrant ha evolucionat cap a un nou paradigma per al desenvolupament de programari. El desenvolupament impulsat per agents, potenciat per eines com GitHub Copilot i models avançats com Claude Opus, no es tracta només de fer els desenvolupadors més ràpids; es tracta d'alterar fonamentalment la naturalesa del treball tant per als investigadors d'IA com per als enginyers de programari. En descarregar la feina intel·lectual feixuga a agents intel·ligents, els equips poden assolir nivells de productivitat, col·laboració i innovació sense precedents, centrant-se en última instància en els reptes creatius i estratègics que realment impulsen el progrés. Aquest enfocament anuncia un futur emocionant on els agents d'IA no són només eines, sinó membres integrals de l'equip de desenvolupament, transformant la manera com construïm i mantenim el programari.