AI vykdymas: „AI kaip tekstas“ pabaiga programinei įrangai

title: "AI vykdymas: „AI kaip tekstas“ pabaiga programinei įrangai" slug: "the-era-of-ai-as-text-is-over-execution-is-the-new-interface" date: "2026-03-12" lang: "lt" source: "https://github.blog/ai-and-ml/github-copilot/the-era-of-ai-as-text-is-over-execution-is-the-new-interface/" category: "Kūrėjo įrankiai" keywords:

AI vykdymas
GitHub Copilot SDK
agentinės darbo eigos
programuojamas AI
kūrėjo įrankiai
AI kaip infrastruktūra
Modelių konteksto protokolas
programinės įrangos kūrimas
AI orkestravimas
adaptyvi programinė įranga
daugiapakopis darbas
įdėtasis AI meta_description: "Išsiaiškinkite, kaip GitHub Copilot SDK žymi 'AI kaip tekstas' eros pabaigą, įgalindamas galingą AI vykdymą ir agentines darbo eigas tiesiogiai programose kaip naują programuojamą sąsają programinės įrangos kūrimui." image: "/images/articles/the-era-of-ai-as-text-is-over-execution-is-the-new-interface.png" image_alt: "GitHub Copilot SDK logotipas, vaizduojantis AI vykdymą ir agentines darbo eigas programinės įrangos kūrime" quality_score: 94 content_score: 93 seo_score: 95 companies:
GitHub schema_type: "NewsArticle" reading_time: 7 faq:
question: "Koks yra esminis pokytis nuo „AI kaip tekstas“ prie „AI kaip vykdymas“, įdiegtas GitHub Copilot SDK?" answer: "Esminis pokytis reiškia perėjimą nuo AI sistemų, kurios tiesiog generuoja tekstinę išvestį iš tekstinės įvesties, reikalaujančios rankinio žmogaus įsikišimo tolesniems žingsniams, prie sistemų, kuriose AI gali aktyviai planuoti, vykdyti, adaptuotis ir atsigauti po klaidų tam tikroje apibrėžtoje apribojimų sistemoje. Tai reiškia, kad AI pereina nuo pasyvaus asistento prie aktyvaus dalyvio, galinčio orkestruoti sudėtingas, daugiapakopes operacijas tiesiogiai programinės įrangos programose, paverčiant jį funkciniu komponentu, o ne tik pokalbio sąsaja. Copilot SDK suteikia įrankius, leidžiančius integruoti šį vykdymo sluoksnį į bet kurią programą."
question: "Kaip GitHub Copilot SDK įgalina sudėtingas agentines darbo eigas programose?" answer: "GitHub Copilot SDK suteikia programoms prieigą prie tos pačios gamyboje išbandytos planavimo ir vykdymo sistemos, kuri valdo GitHub Copilot CLI. Užuot kūrę sudėtingas orkestravimo sistemas nuo nulio, kūrėjai gali integruoti šį SDK, kad deleguotų ketinimus AI agentams. Šie agentai gali tyrinėti saugyklas, planuoti būtinus žingsnius, modifikuoti failus, vykdyti komandas ir prisitaikyti prie nenumatytų problemų – visa tai atsižvelgiant į nustatytas ribas. Tai leidžia programinei įrangai tapti labiau adaptyviai ir atspariai, pereinant nuo griežtų, scenarijais pagrįstų darbo eigų prie dinamiškų, kontekstą žinančių operacijų."
question: "Kas yra Modelių konteksto protokolas (MCP) ir kodėl jis yra labai svarbus pagrįstam AI vykdymui?" answer: "Modelių konteksto protokolas (MCP) yra gyvybiškai svarbus komponentas, leidžiantis struktūruotą ir sudėtinį kontekstą AI agentams. Užuot įdėjus kritinę sistemos logiką ir duomenis į užklausas – praktika, kuri veda prie trapių, sunkiai testuojamų darbo eigų – MCP leidžia programoms apibrėžti konkretaus domeno įrankius ir agento įgūdžius. Vykdymo sistema tada naudoja MCP, kad realiuoju laiku gautų atitinkamą kontekstą, pvz., paslaugų nuosavybės duomenis, API schemas ar priklausomybės taisykles. Tai užtikrina, kad AI agentai veikia su realiais, leidžiamais duomenimis ir sistemomis, užkertant kelią spėlionėms ir padarant AI darbo eigas patikimesnes bei lengviau prižiūrimas."
question: "Kur be integruotos kūrimo aplinkos (IDE) GitHub Copilot SDK gali įdiegti AI vykdymą?" answer: "GitHub Copilot SDK išlaisvina AI vykdymą nuo to, kad jis būtų daugiausia apribotas IDE, leisdamas jam veikti kaip visur esančiai programos lygmens galimybei. Tai reiškia, kad agentinės galimybės gali būti sklandžiai integruotos į daugybę aplinkų, įskaitant darbalaukio programas, vidinius operacinius įrankius, fono paslaugas, SaaS platformas ir įvykiais pagrįstas sistemas. Įgalindamas programas programiškai iškviesti Copilotą pagal konkrečius įvykius – pvz., failo pakeitimą, diegimo paleidiklio suveikimą ar vartotojo veiksmą – SDK paverčia AI iš paprasto pagalbininko šoniniame lange į pagrindinę infrastruktūrą, kuri veikia visur, kur veikia programinė įranga."
question: "Kokie yra pagrindiniai pranašumai deleguojant daugiapakopes užduotis AI agentams, naudojant Copilot SDK?" answer: "Daugiapakopių užduočių delegavimas AI agentams per Copilot SDK siūlo didelius pranašumus, palyginti su tradiciniu scenarijumi. Tai leidžia programinei įrangai tvarkyti darbo eigas, kurios priklauso nuo konteksto, dinamiškai keičiasi vykdymo metu arba reikalauja patikimo klaidų atkūrimo, o tai paprastai pažeidžia fiksuotus scenarijus. Deleguodami 'ketinimus', o ne aiškius žingsnius, agentai gali autonomiškai tyrinėti, planuoti, vykdyti ir prisitaikyti prie apibrėžtų apribojimų. Tai veda prie labiau keičiamų, adaptyvių ir stebimų sistemų, atleidžiant kūrėjus nuo nuolatinio individualių orkestravimo sluoksnių atstatymo sudėtingiems, besivystantiems procesams."
question: "Kaip Copilot SDK pagerina AI valdomų sistemų patikimumą ir prisitaikomumą?" answer: "Copilot SDK pagerina patikimumą ir prisitaikomumą, teikdamas patikimą vykdymo sluoksnį ir integruodamas struktūrizuotą kontekstą. Jo gamyboje išbandyta planavimo ir vykdymo sistema užtikrina, kad agentai gali planuoti sudėtingas operacijas, vykdyti komandas, modifikuoti failus ir atsigauti po klaidų, todėl sistemos tampa atsparesnės. Be to, naudodami Modelių konteksto protokolą (MCP), agentai pasiekia realaus laiko, struktūrizuotą ir leidžiamą kontekstą – pvz., API schemas ar priklausomybių grafikus – užuot pasikliovę potencialiai pasenusia ar apibendrinta užklausos informacija. Šis pagrindimas realiais duomenimis užtikrina, kad agentai priima pagrįstus sprendimus, sumažindami klaidas ir padidindami sistemos gebėjimą prisitaikyti prie kintančių sąlygų ir apribojimų."
question: "Ar GitHub Copilot SDK yra skirtas visų pirma profesionaliems kūrėjams, ar ir kiti gali pasinaudoti jo galimybėmis?" answer: "Nors GitHub Copilot SDK yra skirtas įgalinti profesionalius kūrėjus, išplečiant agentines AI galimybes į jų programas ir infrastruktūrą, jo nauda sklinda plačiau. Įgalindamas AI tvarkyti sudėtingas, daugiapakopes užduotis ir integruotis tiesiogiai į įvairias programinės įrangos sistemas, jis supaprastina darbo eigas, sumažina rankinį darbą ir padidina programų prisitaikomumą. Galiausiai tai naudinga galutiniams vartotojams ir organizacijoms, nes sukuria efektyvesnę, išmanesnę ir patikimesnę programinę įrangą, net jei tiesioginė sąveika su SDK yra visų pirma kūrėjo pusėje. SDK paverčia AI pagrindiniu infrastruktūros komponentu visoje programinės įrangos ekosistemoje."

Dirbtinio intelekto kraštovaizdis programinės įrangos kūrime patiria gilų virsmą. Pastaruosius dvejus metus, dominuojanti paradigma sąveikai su AI apėmė paprastą mainą: įvesties tekstas, tekstinė išvestis, o tada rankiniu būdu priimamas sprendimas dėl tolesnių veiksmų. Ši „AI kaip tekstas“ era, nors ir novatoriška, dabar užleidžia vietą dinamiškesniam ir integruotesniam požiūriui. Ateina GitHub Copilot SDK, pranašaujantis naują erą, kurioje AI kaip vykdymas tampa sąsaja.

Gamybos programinė įranga iš esmės yra apie vykdymą – žingsnių planavimą, įrankių iškvietimą, failų modifikavimą, atsigavimą po klaidų ir prisitaikymą prie apribojimų. Tai sudėtingos, daugiapakopės operacijos, kurių vien tik teksto generavimas negali visiškai apimti. GitHub Copilot SDK tiesiogiai sprendžia šią spragą, padarydamas galingą vykdymo sluoksnį, kuris palaiko GitHub Copilot CLI, prieinamu kaip programuojamą galimybę bet kurioje programinėje įrangoje. Tai reiškia, kad komandos gali įdiegti gamyboje išbandytas planavimo ir vykdymo sistemas tiesiogiai į savo sistemas, iš esmės pakeisdamos tai, kaip architektūruojamos ir valdomos AI valdomos programos.

Nuo statinių scenarijų prie adaptyvių agentinių darbo eigų

Tradicinė programinės įrangos kūrimas ilgą laiką rėmėsi scenarijais ir „klijų kodu“ pasikartojančioms užduotims automatizuoti. Nors šie sprendimai yra veiksmingi fiksuotoms sekoms, jie greitai tampa trapūs, susidūrus su kontekstiniais niuansais, pasikeitimais vykdymo metu arba poreikiu patikimai atkurti klaidas. Kūrėjai dažnai patiria, kad reikia griežtai koduoti kraštinius atvejus arba kurti individualius orkestravimo sluoksnius – tai atima daug laiko ir dažnai yra nepatvaru.

GitHub Copilot SDK išlaisvina programas nuo šių apribojimų, leisdamas joms deleguoti ketinimus, o ne aiškiai koduoti kiekvieną žingsnį. Įsivaizduokite programą, kuriai reikia „Paruošti šią saugyklą išleidimui“. Vietoj griežto scenarijaus, Copilot SDK leidžia AI agentui:

Tyrinėti saugyklos struktūrą ir turinį.
Planuoti reikalingus žingsnius, tokius kaip dokumentacijos atnaujinimas, testų vykdymas ar versijos numerių didinimas.
Modifikuoti failus pagal poreikį.
Vykdyti komandas sistemos aplinkoje.
Adaptyviai prisitaikyti jei bet kuris žingsnis nepavyksta arba atsiranda naujos informacijos, visa tai veikiant apibrėžtose ribose ir leidimuose.

Šis pokytis yra kritinis šiuolaikinėms programinės įrangos sistemoms. Didėjant programų mastui ir evoliucionuojant aplinkoms, fiksuotos darbo eigos yra linkusios į nesėkmes. Agentinis vykdymas, valdomas Copilot SDK, leidžia programinei įrangai prisitaikyti ir savarankiškai taisytis, išlaikant stebimumą ir apribojimus be nuolatinės naštos atstatyti sudėtingą orkestravimą nuo nulio. Tai paverčia AI aktyviu, intelektualiu dalyviu kūrimo gyvavimo cikle, peržengiant pagrindinį kodo užbaigimą į intelektualų užduočių automatizavimą. Daugiau įžvalgų apie tai, kaip užtikrinamos šios sudėtingos darbo eigos, rasite GitHub Agentinių darbo eigų saugumo architektūra.

Struktūrizuotas kontekstas patikimam AI: Modelių konteksto protokolas (MCP)

Dažna „AI kaip tekstas“ eros klaida buvo bandymas per daug sistemos elgsenos ir duomenų perkelti į AI užklausas. Nors iš pažiūros tai patogu, logikos kodavimas tekstu apsunkina darbo eigų testavimą, argumentavimą ir evoliuciją. Laikui bėgant, šios sudėtingos užklausos tampa trapiais tinkamos struktūrizuotos sistemos integracijos pakaitalais.

GitHub Copilot SDK sprendžia tai, taikydamas struktūrizuotą ir sudėtinį požiūrį į kontekstą, panaudodamas Modelių konteksto protokolą (MCP). Su MCP, kūrėjai gali:

Apibrėžti konkretaus domeno įrankius ar agento įgūdžius, kuriuos AI gali iškviesti.
Pristatyti šiuos įrankius ir įgūdžius per MCP.
Įgalinti vykdymo sistemą dinamiškai gauti kontekstą realiuoju laiku.

Tai reiškia, kad kritinė informacija – tokia kaip paslaugų nuosavybės duomenys, API schemos, istoriniai sprendimų įrašai, priklausomybių grafikai ar vidinės API – nebereikia būti įterpiama į užklausas. Vietoj to, agentai tiesiogiai pasiekia šias sistemas savo planavimo ir vykdymo etapuose. Pavyzdžiui, vidinis agentas, kuriam pavesta išspręsti problemą, gali automatiškai užklausti paslaugos nuosavybės, gauti atitinkamus istorinius duomenis, patikrinti priklausomybių grafikus, kad įvertintų poveikį, ir remtis vidinėmis API, kad pasiūlytų sprendimus, visa tai laikydamasis apibrėžtų saugos apribojimų. Šis požiūris smarkiai skiriasi nuo geriausių praktikų, susijusių su užklausų inžinerija su OpenAI API, kur konteksto įterpimas gali būti sudėtingas, iššūkių.

Kodėl tai svarbu: Patikimos AI darbo eigos yra kuriamos ant pagrįsto, leidžiamo ir struktūrizuoto konteksto. MCP suteikia esminį pagrindą, užtikrindamas, kad agentinis vykdymas veikia su realiais įrankiais ir realiais duomenimis, pašalindamas spėliones ir trapumą, susijusį su tekstu paremta užklausų inžinerija.

AI kaip infrastruktūra: vykdymo įdiegimas už IDE ribų

Istoriškai, didžioji dalis AI įrankių kūrėjams buvo apribota Integruotoje kūrimo aplinkoje (IDE). Nors tai neįkainojama kodavimui, šiuolaikinės programinės įrangos ekosistemos apima daug daugiau nei vieną redaktorių. Komandoms reikia agentinių galimybių įvairiose aplinkose: darbalaukio programose, vidiniuose operaciniuose įrankiuose, fono paslaugose, SaaS platformose ir įvykiais pagrįstose sistemose.

Copilot SDK laužo šias ribas, paversdamas vykdymą programos lygmens galimybe. Tai reiškia, kad jūsų sistema dabar gali klausytis įvykių – failo pakeitimo, diegimo paleidimo, vartotojo veiksmo – ir programiškai iškviesti Copilot, kad inicijuotų agentinę darbo eigą. Planavimo ir vykdymo ciklas veikia jūsų produkto viduje, o ne kaip atskira sąsaja ar kūrėjo įrankis.

Funkcija	„AI kaip tekstas“ era	„AI kaip vykdymas“ era (Copilot SDK)
Sąveika	Tekstinė įvestis, tekstinė išvestis	Programuojami vykdymo ciklai
Darbo eiga	Rankinis sprendimas, trapūs scenarijai	Adaptyvūs, savarankiškai taisantys agentai
Kontekstas	Dažnai įterptas į užklausas (trapus)	Struktūrizuotas per MCP, realaus laiko paieška
Integracija	Izoliuoti mainai, orientuota į IDE	Įterpta bet kur (programa, paslauga, SaaS)
Kūrėjo vaidmuo	Užklausų inžinerija, rankinis orkestravimas	Ketinimo, apribojimų, įrankių apibrėžimas
Pagrindinis principas	AI pataria, žmogus vykdo	AI planuoja ir vykdo, žmogus prižiūri

Kodėl tai svarbu: Kai AI vykdymas yra tiesiogiai integruotas į jūsų programą, jis nustoja būti naudingas pagalbininkas ir tampa pagrindine infrastruktūra. Jis pasiekiamas visur, kur veikia jūsų programinė įranga, išplečiant AI galią į kiekvieną jūsų skaitmeninių operacijų kampelį, skatinant išties intelektualų ir adaptyvų programinės įrangos kraštovaizdį.

Architektūrinis poslinkis: Programuojamas AI ir ateitis

Perėjimas nuo „AI kaip tekstas“ prie „AI kaip vykdymas“ reiškia reikšmingą architektūrinę evoliuciją. Tai žymi paradigmą, kurioje AI agentai ne tik generuoja fragmentus, bet yra programuojami planavimo ir vykdymo ciklai, galintys veikti pagal apibrėžtus apribojimus, sklandžiai integruotis su realiomis sistemomis ir protingai prisitaikyti realiuoju laiku.

GitHub Copilot SDK yra pagrindinis šios ateities įgalintojas. Padarydamas šias sudėtingas vykdymo galimybes prieinamas kaip programuojamą sluoksnį, jis leidžia kūrimo komandoms sutelkti dėmesį į aukštesnio lygio „ką“ jų programinė įranga turėtų pasiekti, o ne nuolat atstatyti pagrindinį „kaip“ AI orkestravimo. Šis poslinkis paverčia AI iš naujos naudingos priemonės į pagrindinį, nepakeičiamą šiuolaikinės programinės įrangos architektūros komponentą, žadantį atsparesnes, autonomiškesnes ir intelektualesnes programas visose srityse. Jei jūsų programa gali inicijuoti logiką, ji dabar gali inicijuoti agentinį vykdymą, pradėdama naują išties protingos programinės įrangos erą.

Originalus šaltinis

https://github.blog/ai-and-ml/github-copilot/the-era-of-ai-as-text-is-over-execution-is-the-new-interface/

Dažniausiai užduodami klausimai

What is the core shift from 'AI as text' to 'AI as execution' introduced by the GitHub Copilot SDK?

The fundamental shift signifies a move from AI systems that merely generate text output from text input, requiring manual human intervention for the next steps, to systems where AI can actively plan, execute, adapt, and recover from errors within a predefined set of constraints. This means AI transitions from a passive assistant to an active participant, capable of orchestrating complex, multi-step operations directly within software applications, making it a functional component rather than just a conversational interface. The Copilot SDK provides the tools to embed this execution layer into any application.

How does the GitHub Copilot SDK enable sophisticated agentic workflows within applications?

The GitHub Copilot SDK empowers applications by providing access to the same production-tested planning and execution engine that drives GitHub Copilot CLI. Instead of building complex orchestration stacks from scratch, developers can embed this SDK to delegate intent to AI agents. These agents can explore repositories, plan necessary steps, modify files, run commands, and adapt to unforeseen issues—all while respecting defined boundaries. This allows software to become more adaptive and resilient, moving beyond rigid, scripted workflows to dynamic, context-aware operations.

What is the Model Context Protocol (MCP) and why is it crucial for grounded AI execution?

The Model Context Protocol (MCP) is a vital component that enables structured and composable context for AI agents. Rather than embedding critical system logic and data within prompts—a practice that leads to brittle, hard-to-test workflows—MCP allows applications to define domain-specific tools and agent skills. The execution engine then uses MCP to retrieve relevant context directly at runtime, such as service ownership data, API schemas, or dependency rules. This ensures that AI agents operate on real, permissioned data and systems, preventing guesswork and making AI workflows more reliable and maintainable.

Beyond the Integrated Development Environment (IDE), where can the GitHub Copilot SDK embed AI execution?

The GitHub Copilot SDK liberates AI execution from being confined primarily to the IDE, allowing it to function as a pervasive application-layer capability. This means agentic capabilities can be seamlessly integrated into a wide array of environments, including desktop applications, internal operational tools, background services, SaaS platforms, and event-driven systems. By enabling applications to programmatically invoke Copilot upon specific events—like a file change, deployment trigger, or user action—the SDK transforms AI from a mere helper in a side window into core infrastructure that operates wherever the software runs.

What are the primary benefits of delegating multi-step tasks to AI agents using the Copilot SDK?

Delegating multi-step tasks to AI agents via the Copilot SDK offers significant advantages over traditional scripting. It allows software to handle workflows that are context-dependent, change dynamically mid-run, or require robust error recovery, which typically break down fixed scripts. By delegating 'intent' rather than explicit steps, agents can autonomously explore, plan, execute, and adapt within defined constraints. This leads to more scalable, adaptable, and observable systems, freeing developers from continually rebuilding bespoke orchestration layers for complex, evolving processes.

How does the Copilot SDK improve the reliability and adaptability of AI-powered systems?

The Copilot SDK enhances reliability and adaptability by providing a robust execution layer and integrating structured context. Its production-tested planning and execution engine ensures agents can plan complex operations, execute commands, modify files, and recover from errors, making systems more resilient. Furthermore, by utilizing the Model Context Protocol (MCP), agents access real-time, structured, and permissioned context—like API schemas or dependency graphs—rather than relying on potentially outdated or generalized prompt information. This grounding in real data ensures agents make informed decisions, reducing errors and increasing the system's ability to adapt to changing conditions and constraints.

Is the GitHub Copilot SDK primarily for professional developers, or can others benefit from its capabilities?

While the GitHub Copilot SDK is designed to empower professional developers by extending agentic AI capabilities into their applications and infrastructure, its benefits ripple outwards. By enabling AI to handle complex, multi-step tasks and integrate directly into various software systems, it streamlines workflows, reduces manual effort, and enhances the adaptability of applications. This ultimately benefits end-users and organizations by leading to more efficient, intelligent, and robust software, even if the direct interaction with the SDK is primarily on the developer's side. The SDK makes AI a fundamental infrastructure component across the software ecosystem.

Būkite informuoti

Gaukite naujausias AI naujienas el. paštu.

Dalintis