एजेंट-संचालित विकास: कोपायलट एप्लाइड साइंस को सुपरचार्ज करना

एआई एजेंटों के साथ बौद्धिक श्रम को स्वचालित करना

सॉफ्टवेयर इंजीनियरिंग के तेजी से विकसित हो रहे परिदृश्य में, दक्षता की खोज अक्सर अभूतपूर्व नवाचारों की ओर ले जाती है। टायलर मैकगॉफिन, एक एआई शोधकर्ता, ने हाल ही में एक यात्रा का विस्तृत विवरण दिया है जो इस भावना का प्रतीक है: GitHub Copilot के साथ एजेंट-संचालित विकास के माध्यम से अपने बौद्धिक श्रम को स्वचालित करना। यह केवल तेजी से कोडिंग करने के बारे में नहीं है; यह डेवलपर की भूमिका को दोहराव वाले विश्लेषण से रचनात्मक समस्या-समाधान और रणनीतिक निरीक्षण में मौलिक रूप से बदलने के बारे में है। मैकगॉफिन का अनुभव इंजीनियरों के बीच एक परिचित पैटर्न को उजागर करता है - उबाऊ काम को खत्म करने के लिए उपकरण बनाना - लेकिन इसे एक कदम आगे ले जाता है, एआई एजेंटों को जटिल विश्लेषणात्मक कार्यों के साथ सौंपा जाता है जिन्हें पहले मैन्युअल रूप से मापना असंभव था।

मैकगॉफिन की प्रेरणा उनके काम के एक महत्वपूर्ण, फिर भी भारी, पहलू से मिली: टर्मिनल बेंच2 और SWEBench-प्रो जैसे बेंचमार्क के खिलाफ कोडिंग एजेंट प्रदर्शन का विश्लेषण करना। इसमें 'ट्रैजेक्टरीज' का विश्लेषण शामिल था - एक एजेंट की विचार प्रक्रियाओं और कार्यों के विस्तृत JSON लॉग - जो कई कार्यों और बेंचमार्क रनों में सैकड़ों हजारों लाइनों का कोड हो सकता है। जबकि GitHub Copilot पहले से ही पैटर्न पहचान में सहायता करता था, इस विश्लेषणात्मक लूप की दोहराव प्रकृति ने पूर्ण स्वचालन के लिए आवाज उठाई। इससे 'इवल-एजेंट्स' का निर्माण हुआ, जो इस बौद्धिक बोझ को स्वचालित करने के लिए डिज़ाइन की गई एक प्रणाली थी, जो Copilot एप्लाइड साइंस में उनकी टीम को समान दक्षता प्राप्त करने में सशक्त बनाती थी।

एजेंट-संचालित विकास के लिए ब्लूप्रिंट

'इवल-एजेंट्स' की शुरुआत सहयोग और मापनीयता पर केंद्रित सिद्धांतों के एक स्पष्ट सेट द्वारा निर्देशित थी। मैकगॉफिन का लक्ष्य इन एआई एजेंटों को साझा करना आसान, लिखना सरल और टीम के योगदान के लिए प्राथमिक माध्यम बनाना था। ये उद्देश्य GitHub के मूल मूल्यों को दर्शाते हैं, विशेष रूप से GitHub CLI के लिए OSS मेंटेनर के रूप में उनके अनुभव के दौरान विकसित किए गए। हालांकि, यह तीसरा लक्ष्य था - कोडिंग एजेंटों को प्राथमिक योगदानकर्ता बनाना - जिसने वास्तव में परियोजना की दिशा को आकार दिया और पहले दो के लिए अप्रत्याशित लाभ खोले।

एजेंटिक कोडिंग सेटअप ने विकास प्रक्रिया को सुव्यवस्थित करने के लिए कई शक्तिशाली उपकरणों का लाभ उठाया:

कोडिंग एजेंट: Copilot CLI, प्रत्यक्ष बातचीत और नियंत्रण प्रदान करता है।
उपयोग किया गया मॉडल: Claude Opus 4.6, उन्नत तर्क और कोड जनरेशन क्षमताएं प्रदान करता है।
IDE: VSCode, विकास के लिए केंद्रीय कार्यक्षेत्र के रूप में कार्य करता है।

महत्वपूर्ण रूप से, Copilot SDK मौजूदा उपकरणों, MCP सर्वर और नए उपकरणों और कौशलों को पंजीकृत करने के लिए तंत्र तक पहुंच प्रदान करने में सहायक था। इस नींव ने कोर एजेंटिक कार्यक्षमताओं को फिर से बनाने की आवश्यकता को समाप्त कर दिया, जिससे टीम को एप्लिकेशन-विशिष्ट तर्क पर ध्यान केंद्रित करने की अनुमति मिली। इस एकीकृत वातावरण ने एक तीव्र विकास लूप को बढ़ावा दिया, यह साबित करते हुए कि सही सेटअप के साथ, एआई एजेंट न केवल सहायता कर सकते हैं बल्कि विकास के प्रयासों के महत्वपूर्ण हिस्सों को भी आगे बढ़ा सकते हैं।

प्रभावी एजेंटिक कोडिंग के लिए मुख्य सिद्धांत

एजेंट-संचालित प्रतिमान में संक्रमण के लिए केवल उपकरण से अधिक की आवश्यकता होती है; यह कार्यप्रणाली में बदलाव की मांग करता है। मैकगॉफिन ने तीन मुख्य सिद्धांतों की पहचान की जो विकास में तेजी लाने और सहयोग को बढ़ावा देने के लिए मौलिक साबित हुए:

प्रॉम्प्टिंग रणनीतियाँ: एजेंटों के साथ प्रभावी ढंग से बातचीत करने का मतलब संवादी, विस्तृत होना और योजना को प्राथमिकता देना है।
वास्तुशिल्प रणनीतियाँ: एक स्वच्छ, अच्छी तरह से प्रलेखित और रिफैक्टर किया गया कोडबेस एजेंटों के लिए प्रभावी ढंग से नेविगेट करने और उसमें योगदान करने के लिए सर्वोपरि है।
पुनरावृत्ति रणनीतियाँ: "एजेंटों को नहीं, प्रक्रिया को दोष दें" की मानसिकता को अपनाना, एक दोष-मुक्त संस्कृति के समान, तीव्र प्रयोग और सीखने को सक्षम बनाता है।

इन रणनीतियों को, जब लगातार लागू किया गया, तो आश्चर्यजनक परिणाम मिले। इस प्रभावकारिता के प्रमाण के रूप में, पांच नए योगदानकर्ताओं ने, सिर्फ तीन दिनों के भीतर, सामूहिक रूप से 11 नए एजेंट, चार नए कौशल जोड़े और परियोजना में 'इवल-एजेंट वर्कफ्लो' की अवधारणा पेश की। इस सहयोगी स्प्रिंट के परिणामस्वरूप 345 फाइलों में +28,858/-2,884 लाइनों के कोड का उल्लेखनीय परिवर्तन हुआ, जो github-agentic-workflows के अभ्यास में गहन प्रभाव को दर्शाता है।

यहां मुख्य सिद्धांतों का सारांश दिया गया है:

सिद्धांत	विवरण	एजेंट-संचालित विकास के लिए लाभ
प्रॉम्प्टिंग	एजेंटों को वरिष्ठ इंजीनियरों की तरह व्यवहार करें: उनकी सोच का मार्गदर्शन करें, धारणाओं को अत्यधिक समझाएं, निष्पादन से पहले योजना मोड (`/plan`) का लाभ उठाएं। संवादी और विस्तृत रहें।	अधिक सटीक और प्रासंगिक आउटपुट की ओर ले जाता है, जिससे एजेंटों को जटिल समस्याओं को प्रभावी ढंग से हल करने में मदद मिलती है।
वास्तुशिल्प	रिफैक्टरिंग, व्यापक दस्तावेज़ीकरण और मजबूत परीक्षण को प्राथमिकता दें। कोडबेस को स्वच्छ, पठनीय और अच्छी तरह से संरचित रखें। निष्क्रिय कोड को सक्रिय रूप से साफ करें।	एजेंटों को कोडबेस, पैटर्न और मौजूदा कार्यक्षमता को समझने में सक्षम बनाता है, जिससे सटीक योगदान की सुविधा मिलती है।
पुनरावृत्ति	'प्रक्रिया को दोष दें, एजेंटों को नहीं' की मानसिकता अपनाएं। गलतियों को रोकने के लिए सुरक्षा उपाय (सख्त टाइपिंग, लिंटर्स, व्यापक परीक्षण) लागू करें। प्रक्रियाओं और सुरक्षा उपायों को बढ़ाकर एजेंट की त्रुटियों से सीखें।	तीव्र पुनरावृत्ति को बढ़ावा देता है, एजेंट योगदान में विश्वास बनाता है, और विकास पाइपलाइन में लगातार सुधार करता है।

विकास में तेजी लाना: क्रियान्वित रणनीतियाँ

इस एजेंट-संचालित दृष्टिकोण की सफलता इन सिद्धांतों के व्यावहारिक अनुप्रयोग में निहित है।

प्रॉम्प्टिंग रणनीतियाँ: एआई इंजीनियर का मार्गदर्शन करना

एआई कोडिंग एजेंट, जबकि शक्तिशाली होते हैं, अच्छी तरह से स्कोप की गई समस्याओं में उत्कृष्ट होते हैं। अधिक जटिल कार्यों के लिए, उन्हें मार्गदर्शन की आवश्यकता होती है, ठीक वैसे ही जैसे जूनियर इंजीनियरों को होती है। मैकगॉफिन ने पाया कि संवादी शैली में बातचीत करना, धारणाओं को समझाना और योजना मोड का लाभ उठाना संक्षिप्त आदेशों की तुलना में कहीं अधिक प्रभावी था। उदाहरण के लिए, जब मजबूत रिग्रेशन परीक्षण जोड़े जा रहे थे, तो /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? जैसा प्रॉम्प्ट एक उत्पादक संवाद शुरू करता था। यह आगे-पीछे का संवाद, अक्सर शक्तिशाली Claude Opus 4.6 मॉडल के साथ, परिष्कृत समाधानों जैसे कॉन्ट्रैक्ट टेस्टिंग गार्डरेल्स की ओर ले जाता था, जिन्हें केवल मानव इंजीनियर ही अपडेट कर सकते थे, जिससे महत्वपूर्ण कार्यक्षमता संरक्षित रहती थी।

वास्तुशिल्प रणनीतियाँ: एआई-सहायता प्राप्त गुणवत्ता की नींव

मानव इंजीनियरों के लिए, एक स्वच्छ कोडबेस बनाए रखना, परीक्षण लिखना और सुविधाओं का दस्तावेज़ीकरण करना अक्सर फीचर दबाव में कम प्राथमिकता पर होता है। एजेंट-संचालित विकास में, ये सर्वोपरि हो जाते हैं। मैकगॉफिन ने पाया कि रिफैक्टरिंग, दस्तावेज़ीकरण और परीक्षण मामलों को जोड़ने में समय बिताने से Copilot की कोडबेस को नेविगेट करने और उसमें योगदान करने की क्षमता में नाटकीय रूप से सुधार हुआ। एक एजेंट-पहला रिपॉजिटरी स्पष्टता पर पनपता है। यह डेवलपर्स को Copilot से "Knowing what I know now, how would I design this differently?" जैसे प्रश्न पूछने की भी अनुमति देता है, जिससे सैद्धांतिक रिफैक्टरिंग एआई सहायता से प्राप्त करने योग्य परियोजनाओं में बदल जाते हैं। वास्तुशिल्प स्वास्थ्य पर यह निरंतर ध्यान सुनिश्चित करता है कि नई सुविधाओं को आसानी से वितरित किया जा सके।

पुनरावृत्ति रणनीतियाँ: प्रक्रिया पर भरोसा करना, केवल एजेंट पर नहीं

एआई मॉडलों के विकास ने मानसिकता को "विश्वास करें लेकिन सत्यापित करें" से अधिक भरोसेमंद रुख में बदल दिया है, जो इस बात के अनुरूप है कि प्रभावी टीमें "लोगों को नहीं, प्रक्रिया को दोष दें" दर्शन के साथ कैसे काम करती हैं। एजेंट-संचालित विकास में यह "दोष-मुक्त संस्कृति" का अर्थ है कि जब कोई एआई एजेंट गलती करता है, तो प्रतिक्रिया अंतर्निहित प्रक्रियाओं और सुरक्षा उपायों में सुधार करना होता है, बजाय इसके कि एजेंट को ही दोष दिया जाए। इसमें कठोर CI/CD प्रथाओं को लागू करना शामिल है: इंटरफ़ेस अनुरूपता सुनिश्चित करने के लिए सख्त टाइपिंग, कोड गुणवत्ता के लिए मजबूत लिंटर्स, और व्यापक एकीकरण, एंड-टू-एंड और कॉन्ट्रैक्ट परीक्षण। जबकि इन परीक्षणों को मैन्युअल रूप से बनाना महंगा हो सकता है, एजेंट सहायता उन्हें लागू करना बहुत सस्ता बनाती है, जिससे नए परिवर्तनों में महत्वपूर्ण विश्वास मिलता है। इन प्रणालियों को स्थापित करके, डेवलपर्स Copilot को अपने काम की जांच करने के लिए सशक्त बनाते हैं, यह दर्शाते हुए कि एक जूनियर इंजीनियर को सफलता के लिए कैसे स्थापित किया जाता है।

एजेंट-संचालित विकास लूप में महारत हासिल करना

इन सिद्धांतों को एक व्यावहारिक वर्कफ्लो में एकीकृत करने से एक शक्तिशाली, त्वरित विकास लूप बनता है:

Copilot के साथ योजना बनाएं: /plan का उपयोग करके नई सुविधाओं की शुरुआत करें। योजना पर पुनरावृति करें, यह सुनिश्चित करते हुए कि कोड कार्यान्वयन से पहले परीक्षण और दस्तावेज़ीकरण अपडेट शामिल और पूरे हो जाएं। दस्तावेज़ीकरण एजेंट के लिए दिशानिर्देशों का एक अतिरिक्त सेट के रूप में कार्य कर सकता है।
ऑटोपायलट के साथ लागू करें: Copilot को /autopilot का उपयोग करके सुविधा को लागू करने की अनुमति दें, इसकी कोड जनरेशन क्षमताओं का लाभ उठाएं।
Copilot कोड रिव्यू के साथ समीक्षा करें: Copilot को एक समीक्षा लूप शुरू करने के लिए प्रेरित करें। इसमें Copilot कोड रिव्यू एजेंट से अनुरोध करना, उसकी टिप्पणियों को संबोधित करना और मुद्दों के हल होने तक समीक्षाओं का पुनः अनुरोध करना शामिल है।
मानवीय समीक्षा: यह सुनिश्चित करने के लिए अंतिम मानवीय समीक्षा करें कि पैटर्न लागू किए गए हैं और जटिल निर्णय रणनीतिक इरादे के अनुरूप हैं।

फ़ीचर लूप से परे, निरंतर अनुकूलन महत्वपूर्ण है। मैकगॉफिन नियमित रूप से Copilot को /plan Review the code for any missing tests, any tests that may be broken, and dead code या /plan Review the documentation and code to identify any documentation gaps. जैसे कमांड के साथ प्रॉम्प्ट करते हैं। ये जांच, साप्ताहिक या नई सुविधाओं के एकीकृत होने पर चलाई जाती हैं, यह सुनिश्चित करती हैं कि एजेंट-संचालित विकास वातावरण स्वस्थ और कुशल बना रहे।

एआई के साथ सॉफ्टवेयर इंजीनियरिंग का भविष्य

जो एक निराशाजनक विश्लेषण कार्य को स्वचालित करने की व्यक्तिगत खोज के रूप में शुरू हुआ था, वह सॉफ्टवेयर विकास के लिए एक नए प्रतिमान में विकसित हो गया है। GitHub Copilot और Claude Opus जैसे उन्नत मॉडल जैसे उपकरणों द्वारा संचालित एजेंट-संचालित विकास, केवल डेवलपर्स को तेज बनाने के बारे में नहीं है; यह एआई शोधकर्ताओं और सॉफ्टवेयर इंजीनियरों दोनों के लिए काम की प्रकृति को मौलिक रूप से बदलने के बारे में है। बौद्धिक श्रम को बुद्धिमान एजेंटों को सौंपकर, टीमें उत्पादकता, सहयोग और नवाचार के अभूतपूर्व स्तरों को प्राप्त कर सकती हैं, अंततः रचनात्मक और रणनीतिक चुनौतियों पर ध्यान केंद्रित कर सकती हैं जो वास्तव में प्रगति को आगे बढ़ाती हैं। यह दृष्टिकोण एक रोमांचक भविष्य का अग्रदूत है जहां एआई एजेंट केवल उपकरण नहीं हैं, बल्कि विकास टीम के अभिन्न सदस्य हैं, जो सॉफ्टवेयर बनाने और बनाए रखने के तरीके को बदल रहे हैं।

मूल स्रोत

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

अक्सर पूछे जाने वाले प्रश्न

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.

अपडेट रहें

नवीनतम AI समाचार अपने इनबॉक्स में पाएं।

शेयर करें