Agentengesteuerte Entwicklung: Copilot Applied Science aufladen

Intellektuelle Mühsal mit KI-Agenten automatisieren

In der sich schnell entwickelnden Landschaft der Softwareentwicklung führt das Streben nach Effizienz oft zu bahnbrechenden Innovationen. Tyler McGoffin, ein KI-Forscher, beschrieb kürzlich eine Reise, die diesen Geist verkörpert: die Automatisierung seiner intellektuellen Mühsal durch agentengesteuerte Entwicklung mit GitHub Copilot. Hierbei geht es nicht nur um schnelleres Programmieren; es geht darum, die Rolle des Entwicklers grundlegend von repetitiver Analyse zu kreativer Problemlösung und strategischer Überwachung zu verlagern. McGoffins Erfahrung verdeutlicht ein bekanntes Muster unter Ingenieuren – Werkzeuge zu bauen, um Plackerei zu eliminieren – geht aber noch einen Schritt weiter, indem er KI-Agenten komplexe analytische Aufgaben anvertraut, die zuvor manuell nicht skalierbar waren.

McGoffins Inspiration entsprang einem kritischen, aber überwältigenden Aspekt seiner Arbeit: der Analyse der Leistung von Codierungsagenten anhand von Benchmarks wie TerminalBench2 und SWEBench-Pro. Dies umfasste die Zerlegung von 'Trajektorien' – detaillierten JSON-Protokollen der Denkprozesse und Aktionen eines Agenten –, die sich auf Hunderttausende von Codezeilen über zahlreiche Aufgaben und Benchmark-Läufe summieren konnten. Während GitHub Copilot bereits bei der Mustererkennung half, verlangte die repetitive Natur dieser Analyseschleife nach vollständiger Automatisierung. Dies führte zur Schaffung von 'eval-agents', einem System, das darauf ausgelegt ist, diese intellektuelle Last zu automatisieren und sein Team in Copilot Applied Science zu befähigen, ähnliche Effizienzen zu erzielen.

Der Bauplan für agentengesteuerte Entwicklung

Die Entstehung von 'eval-agents' wurde von klaren Prinzipien geleitet, die auf Zusammenarbeit und Skalierbarkeit abzielten. McGoffin wollte diese KI-Agenten leicht teilbar, einfach zu erstellen und zum primären Vehikel für Teambeiträge machen. Diese Ziele spiegeln die Kernwerte von GitHub wider, insbesondere jene, die er während seiner Erfahrung als OSS-Maintainer für die GitHub CLI verfeinert hatte. Es war jedoch das dritte Ziel – Codierungsagenten zum primären Beitragenden zu machen –, das die Richtung des Projekts wirklich prägte und unerwartete Vorteile für die ersten beiden freischaltete.

Die agentenbasierte Code-Einrichtung nutzte mehrere leistungsstarke Tools, um den Entwicklungsprozess zu optimieren:

• Codierungsagent: Copilot CLI, für direkte Interaktion und Kontrolle.
• Verwendetes Modell: Claude Opus 4.6, das fortschrittliche Denk- und Codegenerierungsfähigkeiten bietet.
• IDE: VSCode, das als zentraler Arbeitsbereich für die Entwicklung dient.

Entscheidend war das Copilot SDK, das Zugang zu bestehenden Tools, MCP-Servern und Mechanismen zur Registrierung neuer Tools und Fähigkeiten bot. Diese Grundlage eliminierte die Notwendigkeit, agentenbasierte Kernfunktionalitäten neu zu erfinden, und ermöglichte dem Team, sich auf anwendungsspezifische Logik zu konzentrieren. Diese integrierte Umgebung förderte einen schnellen Entwicklungszyklus und bewies, dass KI-Agenten mit der richtigen Einrichtung nicht nur unterstützen, sondern auch wesentliche Teile des Entwicklungsaufwands vorantreiben konnten.

Kernprinzipien für effektives agentenbasiertes Codieren

Der Übergang zu einem agentengesteuerten Paradigma erfordert mehr als nur Werkzeuge; er verlangt einen Methodenwechsel. McGoffin identifizierte drei Kernprinzipien, die sich als grundlegend für die Beschleunigung der Entwicklung und die Förderung der Zusammenarbeit erwiesen:

1. Prompting-Strategien: Effektive Interaktion mit Agenten bedeutet, konversationsorientiert, ausführlich und planungszentriert zu sein.
2. Architektonische Strategien: Eine saubere, gut dokumentierte und refaktorisierte Codebasis ist von größter Bedeutung, damit Agenten sie effektiv navigieren und dazu beitragen können.
3. Iterationsstrategien: Die Annahme einer "den Prozess verantwortlich machen, nicht die Agenten"-Mentalität, ähnlich einer fehlerverzeihenden Kultur, ermöglicht schnelles Experimentieren und Lernen.

Diese Strategien führten, konsequent angewendet, zu erstaunlichen Ergebnissen. Als Beweis für diese Wirksamkeit fügten fünf neue Mitwirkende innerhalb von nur drei Tagen gemeinsam 11 neue Agenten, vier neue Fähigkeiten hinzu und führten das Konzept der 'eval-agent workflows' in das Projekt ein. Dieser kollaborative Sprint führte zu einer bemerkenswerten Änderung von +28.858/-2.884 Zeilen Code über 345 Dateien hinweg, was den tiefgreifenden Einfluss von github-agentic-workflows in der Praxis demonstriert.

Hier ist eine Zusammenfassung der Kernprinzipien:

Entwicklung beschleunigen: Strategien in Aktion

Der Erfolg dieses agentengesteuerten Ansatzes wurzelt in der praktischen Anwendung dieser Prinzipien.

Prompting-Strategien: Den KI-Ingenieur leiten

KI-Codierungsagenten sind zwar leistungsfähig, aber sie brillieren bei klar abgegrenzten Problemen. Für komplexere Aufgaben benötigen sie Anleitung, ähnlich wie Junior-Ingenieure. McGoffin stellte fest, dass ein konversationsorientierter Stil, die Erklärung von Annahmen und die Nutzung von Planungsmodi weitaus effektiver waren als knappe Befehle. Zum Beispiel, als es darum ging, robuste Regressionstests hinzuzufügen, initiierte ein Prompt wie /plan Ich habe kürzlich beobachtet, wie Copilot Tests fröhlich aktualisiert, um seinen neuen Paradigmen zu entsprechen, obwohl diese Tests nicht aktualisiert werden sollten. Wie kann ich einen reservierten Testbereich erstellen, den Copilot nicht berühren darf oder reservieren muss, um sich vor Regressionen zu schützen? einen produktiven Dialog. Dieses Hin und Her, oft mit dem leistungsstarken Modell claude-opus-4-6, führte zu ausgeklügelten Lösungen wie Vertragstests-Leitplanken, die nur menschliche Ingenieure aktualisieren konnten, um sicherzustellen, dass kritische Funktionalität geschützt blieb.

Architektonische Strategien: Die Grundlage KI-gestützter Qualität

Für menschliche Ingenieure werden die Pflege einer sauberen Codebasis, das Schreiben von Tests und die Dokumentation von Features unter Feature-Druck oft nachrangig behandelt. In der agentengesteuerten Entwicklung werden diese jedoch von größter Bedeutung. McGoffin entdeckte, dass das Investieren von Zeit in Refactoring, Dokumentation und das Hinzufügen von Testfällen die Fähigkeit von Copilot, sich in der Codebasis zurechtzufinden und dazu beizutragen, dramatisch verbesserte. Ein agenten-erstes Repository lebt von Klarheit. Dies ermöglicht es Entwicklern sogar, Copilot mit Fragen wie 'Angesichts meines jetzigen Wissens, wie würde ich das anders gestalten?' zu versehen, wodurch theoretische Refactorings mit KI-Unterstützung zu realisierbaren Projekten werden. Dieser kontinuierliche Fokus auf die architektonische Gesundheit stellt sicher, dass neue Features trivial geliefert werden können.

Iterationsstrategien: Dem Prozess vertrauen, nicht nur dem Agenten

Die Entwicklung von KI-Modellen hat die Denkweise von "Vertrauen, aber überprüfen" zu einer vertrauensvolleren Haltung verschoben, ähnlich wie effektive Teams mit einer "den Prozess verantwortlich machen, nicht die Menschen"-Philosophie arbeiten. Diese "fehlerverzeihende Kultur" in der agentengesteuerten Entwicklung bedeutet, dass, wenn ein KI-Agent einen Fehler macht, die Reaktion darin besteht, die zugrunde liegenden Prozesse und Leitplanken zu verbessern, anstatt den Agenten selbst zu beschuldigen. Dies beinhaltet die Implementierung strenger CI/CD-Praktiken: strikte Typisierung zur Sicherstellung der Schnittstellenkonformität, robuste Linter für Codequalität und umfangreiche Integrations-, End-to-End- und Vertragstests. Während der manuelle Aufbau dieser Tests kostspielig sein kann, macht die Unterstützung durch Agenten ihre Implementierung viel günstiger, was ein kritisches Vertrauen in neue Änderungen schafft. Durch die Einrichtung dieser Systeme befähigen Entwickler Copilot, seine eigene Arbeit zu überprüfen, was widerspiegelt, wie ein Junior-Ingenieur auf Erfolg vorbereitet wird.

Den agentengesteuerten Entwicklungszyklus meistern

Die Integration dieser Prinzipien in einen praktischen Workflow schafft einen leistungsstarken, beschleunigten Entwicklungszyklus:

1. Mit Copilot planen: Initiiere neue Features mithilfe von /plan. Iteriere über den Plan und stelle sicher, dass Tests und Dokumentationsaktualisierungen vor der Codeimplementierung enthalten und abgeschlossen sind. Die Dokumentation kann als zusätzlicher Satz von Richtlinien für den Agenten dienen.
2. Mit Autopilot implementieren: Erlaube Copilot, das Feature mithilfe von /autopilot zu implementieren, indem seine Codegenerierungsfähigkeiten genutzt werden.
3. Mit Copilot Code Review überprüfen: Fordere Copilot auf, einen Überprüfungszyklus zu initiieren. Dies beinhaltet das Anfordern des Copilot Code Review Agenten, das Bearbeiten seiner Kommentare und das erneute Anfordern von Überprüfungen, bis die Probleme gelöst sind.
4. Menschliche Überprüfung: Führe eine abschließende menschliche Überprüfung durch, um sicherzustellen, dass Muster eingehalten werden und komplexe Entscheidungen mit der strategischen Absicht übereinstimmen.

Jenseits des Feature-Zyklus ist kontinuierliche Optimierung entscheidend. McGoffin fordert Copilot routinemäßig mit Befehlen wie /plan Überprüfe den Code auf fehlende Tests, möglicherweise fehlerhafte Tests und toten Code oder /plan Überprüfe die Dokumentation und den Code, um Dokumentationslücken zu identifizieren. Diese Überprüfungen, die wöchentlich oder bei der Integration neuer Features durchgeführt werden, stellen sicher, dass die agentengesteuerte Entwicklungsumgebung gesund und effizient bleibt.

Die Zukunft der Softwareentwicklung mit KI

Was als persönliche Suche begann, eine frustrierende Analyseaufgabe zu automatisieren, hat sich zu einem neuen Paradigma für die Softwareentwicklung entwickelt. Agentengesteuerte Entwicklung, angetrieben durch Tools wie GitHub Copilot und fortschrittliche Modelle wie Claude Opus, geht nicht nur darum, Entwickler schneller zu machen; es geht darum, die Art der Arbeit für KI-Forscher und Softwareingenieure grundlegend zu verändern. Durch die Auslagerung intellektueller Mühsal an intelligente Agenten können Teams ein beispielloses Maß an Produktivität, Zusammenarbeit und Innovation erreichen und sich letztendlich auf die kreativen und strategischen Herausforderungen konzentrieren, die den Fortschritt wirklich vorantreiben. Dieser Ansatz kündigt eine aufregende Zukunft an, in der KI-Agenten nicht nur Werkzeuge, sondern integrale Mitglieder des Entwicklungsteams sind und die Art und Weise, wie wir Software erstellen und warten, transformieren.