Pagbuo na Hinihimok ng Ahente: Pagpapalakas sa Copilot Applied Science

title: "Pagbuo na Hinihimok ng Ahente: Pagpapalakas sa Copilot Applied Science" slug: "agent-driven-development-in-copilot-applied-science" date: "2026-04-02" lang: "fil" source: "https://github.blog/ai-and-ml/github-copilot/agent-driven-development-in-copilot-applied-science/" category: "Mga Tool para sa Developer" keywords:

• Pagbuo na hinimok ng ahente
• GitHub Copilot
• Mga ahente ng pag-code ng AI
• inhinyeriyang pang-software
• awtomasyon
• Claude Opus
• mga tool ng developer
• pananaliksik sa AI
• prompt engineering
• refactoring
• CI/CD
• mga workflow ng AI meta_description: "Alamin kung paano binabago ng pagbuo na hinihimok ng ahente sa GitHub Copilot at Claude Opus ang inhinyeriyang pang-software, ino-awtomatisa ang intelektuwal na pagpapagod, at pinapabilis ang mga kolaboratibong workflow." image: "/images/articles/agent-driven-development-in-copilot-applied-science.png" image_alt: "Screenshot na nagpapakita ng interface ng pagbuo na hinimok ng ahente ng GitHub Copilot, nagpapakita ng mga suhestiyon sa code at mga collaborative na workflow sa pag-code." quality_score: 94 content_score: 93 seo_score: 95 companies:
• GitHub schema_type: "NewsArticle" reading_time: 7 faq:
• question: "Ano ang pagbuo na hinimok ng ahente sa konteksto ng GitHub Copilot?" answer: "Ang pagbuo na hinimok ng ahente ay tumutukoy sa isang paradigma ng inhinyeriyang pang-software kung saan ang mga ahente ng AI, tulad ng pinapagana ng GitHub Copilot, ay nagiging pangunahing nag-aambag at nakikipagtulungan sa proseso ng pagbuo. Sa halip na magsuhestiyon lamang ng code, ang mga ahenteng ito ay aktibong nakikilahok sa pagpaplano, pagpapatupad, refactoring, pagsubok, at pagdodokumento ng software. Ginagamit ng pamamaraang ito ang kakayahan ng AI na i-automate ang paulit-ulit na mga intelektuwal na gawain, na nagpapahintulot sa mga inhinyerong tao na magtuon sa mas mataas na antas ng paglutas ng problema, estratehikong disenyo, at malikhaing gawain, sa gayon ay pinapabilis ang mga cycle ng pagbuo at pinapabuti ang kalidad ng code sa pamamagitan ng nakabalangkas na tulong ng AI at mahigpit na mga panangga (guardrails)."
• question: "Paano nagsimula ang proyektong 'eval-agents'?" answer: "Ang proyektong 'eval-agents' ay nagmula sa isang karaniwang hamon na kinakaharap ng mga mananaliksik ng AI: ang pagsusuri ng napakaraming dami ng data. Natagpuan ni Tyler McGoffin, isang mananaliksik ng AI, ang kanyang sarili na paulit-ulit na sinusuri ang daan-daang libong linya ng 'trajectories'—detalyadong mga log ng mga proseso ng pag-iisip at mga aksyon ng ahente ng AI sa panahon ng ebalwasyon ng benchmark. Kinikilala ito bilang isang gawain na intelektuwal na nakakapagod at paulit-ulit, hinangad niyang i-automate ito. Sa pamamagitan ng paglalapat ng mga prinsipyo ng pagbuo na hinimok ng ahente sa GitHub Copilot, nilikha niya ang 'eval-agents' upang suriin ang mga trajectories na ito, makabuluhang binawasan ang kinakailangang manu-manong pagsisikap at binago ang isang nakakainip na analitikal na gawain sa isang awtomatikong proseso."
• question: "Ano ang mga pangunahing bahagi ng isang agentic na setup ng pag-code para sa pamamaraang ito?" answer: "Ang isang epektibong agentic na setup ng pag-code, tulad ng ipinakita sa pamamaraang ito, ay karaniwang may kasamang isang makapangyarihang ahente ng pag-code ng AI tulad ng Copilot CLI, isang matatag na pinagbabatayan na malaking modelo ng wika tulad ng Claude Opus 4.6, at isang mayaman sa feature na Integrated Development Environment (IDE) tulad ng VSCode. Mahalaga, ang paggamit ng isang SDK, tulad ng Copilot SDK, ay nagbibigay ng access sa mahahalagang tool, server, at mekanismo para sa pagrerehistro ng mga bagong tool at kasanayan, na nag-aalok ng isang pundasyong imprastraktura para sa pagbuo at pag-deploy ng mga ahente nang hindi na kailangang muling gawin ang mga pangunahing functionality. Ang pinagsamang kapaligirang ito ay nagbibigay-daan sa walang putol na interaksyon sa pagitan ng developer at ng ahente ng AI sa buong lifecycle ng pagbuo."
• question: "Anong mga estratehiya sa pag-prompt ang pinakamabisa kapag nagtatrabaho sa mga ahente ng pag-code ng AI?" answer: "Ang mga epektibong estratehiya sa pag-prompt para sa mga ahente ng pag-code ng AI ay nagbibigay-diin sa mga interaksyon na parang usapan, detalyado, at nakatuon sa pagpaplano. Sa halip na maikling pahayag ng problema, nakakamit ng mga developer ang mas mahusay na resulta sa pamamagitan ng pakikipag-ugnayan sa mga ahente sa isang diyalogo, labis na pagpapaliwanag ng mga pagpapalagay, at paggamit ng bilis ng AI para sa paunang pagpaplano bago gumawa ng mga pagbabago sa code. Kasama dito ang paggamit ng mga planning mode (hal., '/plan') upang sama-samang mag-brainstorm ng mga solusyon at pinuhin ang mga ideya. Ang pagtrato sa ahente ng AI tulad ng isang junior engineer na nakikinabang sa malinaw na gabay, konteksto, at paulit-ulit na feedback ay nakakatulong dito upang makagawa ng mas tumpak at relevant na mga output, na humahantong sa mas mahusay na paglutas ng problema at pagpapatupad ng feature."
• question: "Bakit mahalaga ang mga estratehiyang arkitektural tulad ng refactoring at dokumentasyon para sa pagbuo na hinimok ng ahente?" answer: "Ang mga estratehiyang arkitektural tulad ng madalas na refactoring, komprehensibong dokumentasyon, at matatag na pagsubok ay napakahalaga sa pagbuo na hinimok ng ahente dahil lumilikha ang mga ito ng malinis, madaling i-navigate na codebase na maaaring epektibong maunawaan at makipag-ugnayan ng mga ahente ng AI. Ang isang maayos na pinapanatili na codebase, tulad ng para sa mga inhinyerong tao, ay nagpapahintulot sa mga ahente ng AI na mag-ambag ng mga feature nang mas tumpak at mahusay. Sa pamamagitan ng pagbibigay prayoridad sa pagiging nababasa, pare-parehong pattern, at napapanahong dokumentasyon, sinisigurado ng mga developer na maaaring bigyang-kahulugan ng Copilot ang layunin ng codebase, matukoy ang mga pagkakataon para sa pagpapabuti, at ipatupad ang mga pagbabago na may kaunting error, na ginagawang madali ang paghahatid ng feature at pinapadali ang tuluy-tuloy na muling pag-arkitekto."
• question: "Paano nailalapat ang isang 'walang sisi na kultura' sa mga estratehiya ng pag-ulit sa pagbuo na hinimok ng ahente?" answer: "Ang paglalapat ng isang 'walang sisi na kultura' sa pagbuo na hinimok ng ahente ay nangangahulugang paglipat mula sa isang 'tiwala ngunit beripikahin' na pag-iisip patungo sa isa na nagbibigay-priyoridad sa 'sisihin ang proseso, hindi ang mga ahente.' Kinikilala ng pilosopiyang ito na ang mga ahente ng AI, tulad ng mga inhinyerong tao, ay maaaring magkamali. Ang pokus ay lumilipat pagkatapos sa pagpapatupad ng matatag na mga proseso at panangga—tulad ng mahigpit na pag-type, komprehensibong linter, at malawakang integrasyon at end-to-end na pagsusuri—upang maiwasan ang mga error. Kapag nagkamali ang isang ahente, ang tugon ay upang matuto mula dito at magpakilala ng karagdagang mga panangga, pinuhin ang mga proseso at prompt upang matiyak na hindi na muling mangyayari ang parehong error, na nagpapatibay ng isang mabilis at ligtas sa sikolohikal na pipeline ng pag-ulit."
• question: "Ano ang karaniwang development loop kapag gumagamit ng pagbuo na hinimok ng ahente?" answer: "Ang karaniwang development loop sa pagbuo na hinimok ng ahente ay nagsisimula sa pagpaplano ng isang bagong feature sa pakikipagtulungan sa Copilot gamit ang isang '/plan' na prompt, tinitiyak na ang mga update sa pagsubok at dokumentasyon ay isinama nang maaga. Susunod, ipapatupad ng Copilot ang feature, madalas gamit ang isang '/autopilot' na command. Pagkatapos ng pagpapatupad, isang review loop ang sinisimulan sa isang Copilot Code Review agent, tinutugunan ang mga komento nang paulit-ulit. Ang huling yugto ay nagsasangkot ng isang human review upang ipatupad ang mga pattern at pamantayan. Sa labas ng feature loop na ito, ang Copilot ay pana-panahong pinopro-prompt upang suriin ang mga nawawalang pagsubok, pagdoble ng code, o mga puwang sa dokumentasyon, na nagpapanatili ng patuloy na na-optimize na agent-driven na kapaligiran."
• question: "Anong uri ng epekto ang naidulot ng pagbuo na hinimok ng ahente sa produktibidad at kolaborasyon ng pangkat?" answer: "Ang epekto ng pagbuo na hinimok ng ahente sa produktibidad at kolaborasyon ng pangkat ay nagpabago, na humahantong sa isang napakabilis na iteration pipeline. Sa isang pagkakataon, isang pangkat ng limang bagong kontribyutor, gamit ang metodolohiyang ito, ang lumikha ng 11 bagong ahente, apat na bagong kasanayan, at nagpatupad ng mga kumplikadong workflow sa loob ng wala pang tatlong araw. Ito ay umabot sa isang nakakagulat na pagbabago ng +28,858/-2,884 linya ng code sa 345 na file. Ang dramatikong pagtaas na ito sa output ay nagtatampok kung paano ang pagbuo na hinimok ng ahente, sa pamamagitan ng pag-awtomatisa ng mga routine na gawain at pagbibigay ng matalinong tulong, ay makabuluhang nagpapabilis sa paghahatid ng feature, nagpapatibay ng mas malalim na kolaborasyon, at nagbibigay-daan sa mga pangkat na makamit ang hindi pa nagagawang antas ng inobasyon at kahusayan."

Pag-aawtomatisa ng Intelektuwal na Pagpapagod Gamit ang mga Ahente ng AI

Sa mabilis na umuusbong na tanawin ng inhinyeriyang pang-software, ang paghahangad ng kahusayan ay madalas na humahantong sa mga groundbreaking na inobasyon. Detalyado kamakailan ni Tyler McGoffin, isang mananaliksik ng AI, ang isang paglalakbay na naglalarawan ng espiritung ito: ang pag-aawtomatisa ng kanyang intelektuwal na pagpapagod sa pamamagitan ng pagbuo na hinimok ng ahente gamit ang GitHub Copilot. Hindi lamang ito tungkol sa mas mabilis na pag-code; ito ay tungkol sa pagbabago ng papel ng developer mula sa paulit-ulit na pagsusuri tungo sa malikhaing paglutas ng problema at estratehikong pangangasiwa. Ang karanasan ni McGoffin ay nagtatampok ng isang pamilyar na pattern sa mga inhinyero—ang pagbuo ng mga tool upang alisin ang nakakainip na gawain—ngunit dinadala ito ng isang hakbang pa sa pamamagitan ng pagtitiwala sa mga ahente ng AI sa mga kumplikadong analitikal na gawain na dati ay imposibleng sukatin nang manu-mano.

Ang inspirasyon ni McGoffin ay nagmula sa isang kritikal, ngunit nakakapagod, na aspeto ng kanyang trabaho: ang pagsusuri sa pagganap ng ahente ng pag-code laban sa mga benchmark tulad ng TerminalBench2 at SWEBench-Pro. Kasama dito ang pagsusuri ng 'trajectories'—detalyadong mga log ng mga proseso ng pag-iisip at mga aksyon ng isang ahente—na maaaring umabot sa daan-daang libong linya ng code sa maraming gawain at pagtakbo ng benchmark. Habang ang GitHub Copilot ay nakakatulong na sa pagtukoy ng pattern, ang paulit-ulit na katangian ng analitikal na loop na ito ay nananawagan para sa buong awtomasyon. Ito ang nagresulta sa paglikha ng 'eval-agents,' isang sistema na idinisenyo upang i-automate ang intelektuwal na pasanin na ito, na nagbibigay-kapangyarihan sa kanyang pangkat sa Copilot Applied Science upang makamit ang katulad na kahusayan.

Ang Balangkas para sa Pagbuo na Hinihimok ng Ahente

Ang simula ng 'eval-agents' ay ginabayan ng isang malinaw na hanay ng mga prinsipyo na nakatuon sa kolaborasyon at scalability. Nagsikap si McGoffin na gawing madaling ibahagi, simple na isulat, at ang pangunahing sasakyan para sa mga kontribusyon ng pangkat ang mga ahente ng AI na ito. Ang mga layuning ito ay sumasalamin sa mga pangunahing halaga ng GitHub, lalo na ang mga pinahusay sa panahon ng kanyang karanasan bilang isang OSS maintainer para sa GitHub CLI. Gayunpaman, ang ikatlong layunin—ang gawing pangunahing kontribyutor ang mga ahente ng pag-code—ang tunay na naghugis sa direksyon ng proyekto at nagbukas ng hindi inaasahang benepisyo para sa unang dalawa.

Ang agentic na setup ng pag-code ay gumamit ng ilang makapangyarihang tool upang mapabilis ang proseso ng pagbuo:

• Ahente ng Pag-code: Copilot CLI, na nagbibigay ng direktang interaksyon at kontrol.
• Modelong Ginamit: Claude Opus 4.6, na nag-aalok ng advanced na pangangatuwiran at mga kakayahan sa pagbuo ng code.
• IDE: VSCode, na nagsisilbing sentral na workspace para sa pagbuo.

Mahalaga, ang Copilot SDK ay naging instrumento, na nagbibigay ng access sa mga umiiral na tool, MCP server, at mga mekanismo upang magrehistro ng mga bagong tool at kasanayan. Ang pundasyong ito ay nag-alis ng pangangailangan na muling gawin ang mga pangunahing agentic functionalities, na nagpapahintulot sa pangkat na magtuon sa application-specific na lohika. Ang pinagsamang kapaligirang ito ay nagpatibay ng isang mabilis na development loop, na nagpapatunay na sa tamang setup, ang mga ahente ng AI ay hindi lamang makakatulong kundi maaari ring magmaneho ng malaking bahagi ng pagsisikap sa pagbuo.

Mga Pangunahing Prinsipyo para sa Epektibong Agentic na Pag-code

Ang paglipat sa isang agent-driven na paradigma ay nangangailangan ng higit pa sa tooling; nangangailangan ito ng pagbabago sa metodolohiya. Tinukoy ni McGoffin ang tatlong pangunahing prinsipyo na napatunayang pundamental sa pagpapabilis ng pagbuo at pagpapatibay ng kolaborasyon:

1. Mga Estratehiya sa Pag-prompt: Ang epektibong pakikipag-ugnayan sa mga ahente ay nangangahulugang pagiging parang usapan, detalyado, at pagbibigay-priyoridad sa pagpaplano.
2. Mga Estratehiyang Arkitektural: Ang isang malinis, maayos na dokumentado, at nire-refactor na codebase ay napakahalaga para epektibong ma-navigate at makapag-ambag ng mga ahente.
3. Mga Estratehiya sa Pag-ulit: Ang pagtanggap ng kaisipang 'sisihin ang proseso, hindi ang mga ahente,' katulad ng isang blameless culture, ay nagbibigay-daan sa mabilis na pag-eeksperimento at pagkatuto.

Ang mga estratehiyang ito, kapag patuloy na inilapat, ay humantong sa kamangha-manghang resulta. Bilang patunay sa pagiging epektibo nito, limang bagong kontribyutor, sa loob lamang ng tatlong araw, ang sama-samang nagdagdag ng 11 bagong ahente, apat na bagong kasanayan, at nagpakilala ng konsepto ng 'eval-agent workflows' sa proyekto. Ang collaborative na pagtakbo na ito ay nagresulta sa isang kapansin-pansing +28,858/-2,884 linya ng code na pagbabago sa 345 na file, na nagpapakita ng malalim na epekto ng github-agentic-workflows sa praktika.

Narito ang buod ng mga pangunahing prinsipyo:

Pagpapabilis ng Pagbuo: Mga Estratehiya sa Aksyon

Ang tagumpay ng pamamaraang ito na hinimok ng ahente ay nakaugat sa praktikal na aplikasyon ng mga prinsipyong ito.

Mga Estratehiya sa Pag-prompt: Paggabay sa AI Engineer

Ang mga ahente ng pag-code ng AI, habang makapangyarihan, ay mahusay sa mga problemang may maayos na saklaw. Para sa mas kumplikadong gawain, nangangailangan sila ng gabay, tulad ng mga junior engineer. Nalaman ni McGoffin na ang pakikipag-ugnayan sa isang paraang parang usapan, pagpapaliwanag ng mga pagpapalagay, at paggamit ng mga planning mode ay mas epektibo kaysa sa maikling mga command. Halimbawa, kapag nagdaragdag ng matatag na regression test, isang prompt tulad ng /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? ang nagsimula ng isang produktibong diyalogo. Ang pagbabalikan na ito, madalas sa makapangyarihang modelong claude-opus-4-6, ay humantong sa mga sopistikadong solusyon tulad ng contract testing guardrails, na tanging ang mga inhinyerong tao lamang ang maaaring mag-update, na tinitiyak na ang kritikal na functionality ay nananatiling protektado.

Mga Estratehiyang Arkitektural: Ang Pundasyon ng Kalidad na Tinulungan ng AI

Para sa mga inhinyerong tao, ang pagpapanatili ng isang malinis na codebase, paggawa ng mga pagsubok, at pagdodokumento ng mga feature ay madalas na hindi binibigyan ng prayoridad sa ilalim ng pressure ng feature. Sa pagbuo na hinimok ng ahente, nagiging napakahalaga ang mga ito. Natuklasan ni McGoffin na ang paglalaan ng oras sa refactoring, pagdodokumento, at pagdaragdag ng mga test case ay kapansin-pansing nagpabuti sa kakayahan ng Copilot na mag-navigate at mag-ambag sa codebase. Ang isang repository na unang nakatuon sa ahente ay yumayabong sa kalinawan. Nagbibigay-daan ito sa mga developer na i-prompt pa ang Copilot ng mga tanong tulad ng "Knowing what I know now, how would I design this differently?", na ginagawang mga proyektong kayang abutin ang mga teoretikal na refactor sa tulong ng AI. Tinitiyak ng patuloy na pagtutok na ito sa kalusugan ng arkitektura na ang mga bagong feature ay madaling maihatid.

Mga Estratehiya sa Pag-ulit: Pagtiwala sa Proseso, Hindi Lamang sa Ahente

Ang ebolusyon ng mga modelo ng AI ay nagpabago sa kaisipan mula sa "tiwala ngunit beripikahin" tungo sa isang mas mapagkakatiwalaang posisyon, katulad ng kung paano gumagana ang mga epektibong pangkat sa isang pilosopiyang "sisihin ang proseso, hindi ang mga tao." Ang "walang sisi na kultura" na ito sa pagbuo na hinimok ng ahente ay nangangahulugang kapag nagkamali ang isang ahente ng AI, ang tugon ay upang pagbutihin ang pinagbabatayan na mga proseso at panangga, sa halip na sisihin ang ahente mismo. Kasama dito ang pagpapatupad ng mahigpit na mga kasanayan sa CI/CD: mahigpit na pag-type upang matiyak ang pagiging tugma ng interface, matatag na linter para sa kalidad ng code, at malawakang integrasyon, end-to-end, at contract test. Bagama't maaaring magastos ang manu-manong pagbuo ng mga pagsubok na ito, ginagawang mas mura ng tulong ng ahente ang pagpapatupad ng mga ito, na nagbibigay ng kritikal na kumpiyansa sa mga bagong pagbabago. Sa pamamagitan ng pag-set up ng mga sistemang ito, binibigyan ng kapangyarihan ang mga developer ang Copilot na suriin ang sarili nitong gawa, na sumasalamin kung paano inihahanda ang isang junior engineer para sa tagumpay.

Pagkabisado sa Agent-Driven Development Loop

Ang pagsasama ng mga prinsipyong ito sa isang praktikal na workflow ay lumilikha ng isang makapangyarihan, pinabilis na development loop:

1. Magplano gamit ang Copilot: Simulan ang mga bagong feature gamit ang /plan. Ulitin ang plano, tinitiyak na ang mga update sa pagsubok at dokumentasyon ay isinama at natapos bago ang pagpapatupad ng code. Maaaring magsilbing karagdagang hanay ng mga gabay para sa ahente ang dokumentasyon.
2. Magpatupad gamit ang Autopilot: Pahintulutan ang Copilot na ipatupad ang feature gamit ang /autopilot, gamit ang mga kakayahan nito sa pagbuo ng code.
3. Suriin gamit ang Copilot Code Review: I-prompt ang Copilot upang simulan ang isang review loop. Kasama dito ang paghingi ng Copilot Code Review agent, pagtugon sa mga komento nito, at muling paghingi ng mga review hanggang sa malutas ang mga isyu.
4. Human Review: Magsagawa ng huling human review upang matiyak na ipinatupad ang mga pattern at ang mga kumplikadong desisyon ay naaayon sa estratehikong layunin.

Higit pa sa feature loop, mahalaga ang tuluy-tuloy na optimisasyon. Madalas na pinopro-prompt ni McGoffin ang Copilot ng mga command tulad ng /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. Ang mga pagsusuring ito, na pinapatakbo lingguhan o habang isinasama ang mga bagong feature, ay nagsisigurado na ang agent-driven na development environment ay nananatiling malusog at mahusay.

Ang Kinabukasan ng Software Engineering na may AI

Ang nagsimula bilang isang personal na paghahanap upang i-automate ang isang nakakainip na gawain sa pagsusuri ay nag-evolve sa isang bagong paradigma para sa pagbuo ng software. Ang pagbuo na hinimok ng ahente, pinapagana ng mga tool tulad ng GitHub Copilot at mga advanced na modelo tulad ng Claude Opus, ay hindi lamang tungkol sa pagpapabilis sa mga developer; ito ay tungkol sa pundamental na pagbabago ng kalikasan ng trabaho para sa mga mananaliksik ng AI at mga inhinyero ng software. Sa pamamagitan ng pag-o-offload ng intelektuwal na pagpapagod sa mga matatalinong ahente, maaaring makamit ng mga pangkat ang hindi pa nagagawang antas ng produktibidad, kolaborasyon, at inobasyon, sa huli ay nakatuon sa mga malikhain at estratehikong hamon na tunay na nagtutulak ng pag-unlad. Ang pamamaraang ito ay nagbabalita ng isang kapana-panabik na kinabukasan kung saan ang mga ahente ng AI ay hindi lamang mga tool, kundi integral na miyembro ng development team, na nagbabago kung paano tayo bumubuo at nagpapanatili ng software.