Rozwój kierowany przez agentów: Wzmacnianie nauk stosowanych Copilota

title: "Rozwój kierowany przez agentów: Wzmacnianie nauk stosowanych Copilota" slug: "agent-driven-development-in-copilot-applied-science" date: "2026-04-02" lang: "pl" source: "https://github.blog/ai-and-ml/github-copilot/agent-driven-development-in-copilot-applied-science/" category: "Narzędzia dla deweloperów" keywords:

• Rozwój kierowany przez agentów
• GitHub Copilot
• Agenci kodujący AI
• Inżynieria oprogramowania
• Automatyzacja
• Claude Opus
• Narzędzia dla deweloperów
• Badania AI
• Inżynieria promptów
• Refaktoryzacja
• CI/CD
• Przepływy pracy AI meta_description: "Odkryj, jak rozwój kierowany przez agentów z GitHub Copilot i Claude Opus rewolucjonizuje inżynierię oprogramowania, automatyzując pracę intelektualną i przyspieszając współpracę." image: "/images/articles/agent-driven-development-in-copilot-applied-science.png" image_alt: "Zrzut ekranu przedstawiający interfejs rozwoju kierowanego przez agentów GitHub Copilot, pokazujący sugestie kodu i przepływy pracy w zakresie wspólnego kodowania." quality_score: 94 content_score: 93 seo_score: 95 companies:
• GitHub schema_type: "NewsArticle" reading_time: 7 faq:
• question: "Czym jest rozwój kierowany przez agentów w kontekście GitHub Copilot?" answer: "Rozwój kierowany przez agentów (agent-driven development) odnosi się do paradygmatu inżynierii oprogramowania, w którym agenci AI, tacy jak ci napędzani przez GitHub Copilot, stają się głównymi współtwórcami i współpracownikami w procesie rozwoju. Zamiast jedynie sugerować kod, agenci ci aktywnie uczestniczą w planowaniu, implementowaniu, refaktoryzacji, testowaniu i dokumentowaniu oprogramowania. To podejście wykorzystuje zdolność AI do automatyzacji powtarzalnych zadań intelektualnych, pozwalając inżynierom ludzkim skupić się na rozwiązywaniu problemów wyższego poziomu, strategicznym projektowaniu i pracy twórczej, tym samym przyspieszając cykle rozwoju i poprawiając jakość kodu poprzez ustrukturyzowaną pomoc AI i rygorystyczne zabezpieczenia."
• question: "Jak powstał projekt 'eval-agents'?" answer: "Projekt 'eval-agents' narodził się z powszechnego wyzwania, przed którym stają badacze AI: analizowania ogromnych ilości danych. Tyler McGoffin, badacz AI, wielokrotnie przeglądał setki tysięcy linii 'trajektorii' – szczegółowych logów procesów myślowych i działań agentów AI podczas ewaluacji benchmarków. Uznając to za intelektualnie uciążliwe i powtarzalne zadanie, dążył do jego automatyzacji. Stosując zasady rozwoju kierowanego przez agentów z GitHub Copilot, stworzył 'eval-agents' do analizowania tych trajektorii, znacznie zmniejszając wymagany wysiłek manualny i przekształcając żmudne zadanie analityczne w zautomatyzowany proces."
• question: "Jakie są kluczowe komponenty agentowego środowiska kodowania dla tego podejścia?" answer: "Efektywne agentowe środowisko kodowania, jak pokazano w tym podejściu, zazwyczaj obejmuje potężnego agenta kodującego AI, takiego jak Copilot CLI, solidny bazowy duży model językowy, taki jak Claude Opus 4.6, oraz bogate w funkcje Zintegrowane Środowisko Rozwojowe (IDE), takie jak VSCode. Co kluczowe, wykorzystanie SDK, takiego jak Copilot SDK, zapewnia dostęp do niezbędnych narzędzi, serwerów i mechanizmów do rejestrowania nowych narzędzi i umiejętności, oferując podstawową infrastrukturę do budowania i wdrażania agentów bez ponownego wynajdowania podstawowych funkcjonalności. To zintegrowane środowisko umożliwia bezproblemową interakcję między deweloperem a agentem AI przez cały cykl życia rozwoju."
• question: "Jakie strategie promptowania są najbardziej efektywne podczas pracy z agentami kodującymi AI?" answer: "Efektywne strategie promptowania dla agentów kodujących AI kładą nacisk na interakcje konwersacyjne, rozbudowane i zorientowane na planowanie. Zamiast krótkich oświadczeń problemowych, deweloperzy osiągają lepsze wyniki, angażując agentów w dialog, nadmiernie wyjaśniając założenia i wykorzystując szybkość AI do początkowego planowania, zanim podejmą się zmian w kodzie. Obejmuje to użycie trybów planowania (np. '/plan') do wspólnego burzy mózgów i dopracowywania pomysłów. Traktowanie agenta AI jak młodszego inżyniera, który czerpie korzyści z jasnych wskazówek, kontekstu i iteracyjnych informacji zwrotnych, pomaga mu produkować dokładniejsze i bardziej trafne wyniki, prowadząc do lepszego rozwiązywania problemów i implementacji funkcji."
• question: "Dlaczego strategie architektoniczne, takie jak refaktoryzacja i dokumentacja, są kluczowe dla rozwoju kierowanego przez agentów?" answer: "Strategie architektoniczne, takie jak częsta refaktoryzacja, kompleksowa dokumentacja i solidne testowanie, są najważniejsze w rozwoju kierowanym przez agentów, ponieważ tworzą czystą, łatwą do nawigacji bazę kodu, którą agenci AI mogą skutecznie rozumieć i z którą mogą wchodzić w interakcje. Dobrze utrzymana baza kodu, podobnie jak dla inżynierów ludzkich, pozwala agentom AI dokładniej i wydajniej wnosić funkcje. Priorytetyzując czytelność, spójne wzorce i aktualną dokumentację, deweloperzy zapewniają, że Copilot może interpretować intencje bazy kodu, identyfikować możliwości ulepszeń i wdrażać zmiany z minimalnymi błędami, czyniąc dostarczanie funkcji trywialnym i ułatwiając ciągłą re-architekturę."
• question: "Jak 'kultura bez obwiniania' ma zastosowanie do strategii iteracji w rozwoju kierowanym przez agentów?" answer: "Zastosowanie 'kultury bez obwiniania' w rozwoju kierowanym przez agentów oznacza przejście od mentalności 'ufaj, ale weryfikuj' do takiej, która priorytetyzuje 'obwiniaj proces, a nie agentów'. Ta filozofia uznaje, że agenci AI, podobnie jak inżynierowie ludzcy, mogą popełniać błędy. Skupia się to następnie na wdrażaniu solidnych procesów i zabezpieczeń – takich jak ścisłe typowanie, kompleksowe lintersy oraz obszerne testy integracyjne i end-to-end – aby zapobiegać błędom. Kiedy agent popełnia błąd, reakcją jest nauka z niego i wprowadzenie dodatkowych zabezpieczeń, udoskonalanie procesów i promptów, aby zapewnić, że ten sam błąd nie zostanie powtórzony, wspierając szybki i psychologicznie bezpieczny potok iteracyjny."
• question: "Jaki jest typowy cykl rozwoju podczas korzystania z rozwoju kierowanego przez agentów?" answer: "Typowy cykl rozwoju w rozwoju kierowanym przez agentów zaczyna się od wspólnego planowania nowej funkcji z Copilotem za pomocą prompta '/plan', zapewniając wczesną integrację testów i aktualizacji dokumentacji. Następnie Copilot implementuje funkcję, często używając komendy '/autopilot'. Po implementacji rozpoczyna się cykl przeglądu z agentem Copilot Code Review, iteracyjnie adresując komentarze. Ostatni etap obejmuje przegląd ludzki w celu egzekwowania wzorców i standardów. Poza tym cyklem funkcji, Copilot jest okresowo proszony o przeglądanie pod kątem brakujących testów, duplikacji kodu lub luk w dokumentacji, utrzymując ciągle zoptymalizowane środowisko kierowane przez agentów."
• question: "Jaki wpływ miał rozwój kierowany przez agentów na produktywność zespołu i współpracę?" answer: "Wpływ rozwoju kierowanego przez agentów na produktywność zespołu i współpracę był transformujący, prowadząc do niezwykle szybkiego potoku iteracyjnego. W jednym przypadku zespół pięciu nowych współtwórców, korzystając z tej metodologii, stworzył 11 nowych agentów, cztery nowe umiejętności i wdrożył złożone przepływy pracy w mniej niż trzy dni. Wyniosło to na zdumiewającą zmianę +28 858/-2 884 linii kodu w 345 plikach. Ten dramatyczny wzrost wydajności podkreśla, jak rozwój kierowany przez agentów, poprzez automatyzację rutynowych zadań i zapewnianie inteligentnej pomocy, znacznie przyspiesza dostarczanie funkcji, sprzyja głębszej współpracy i umożliwia zespołom osiągnięcie bezprecedensowego poziomu innowacji i efektywności."

## Automatyzacja pracy intelektualnej za pomocą agentów AI

W szybko zmieniającym się krajobrazie inżynierii oprogramowania, dążenie do efektywności często prowadzi do przełomowych innowacji. Tyler McGoffin, badacz AI, niedawno szczegółowo opisał podróż, która ucieleśnia tego ducha: automatyzację swojej pracy intelektualnej poprzez rozwój kierowany przez agentów z GitHub Copilot. Nie chodzi tu tylko o szybsze kodowanie; chodzi o fundamentalne przesunięcie roli dewelopera z powtarzalnej analizy na twórcze rozwiązywanie problemów i strategiczny nadzór. Doświadczenie McGoffina podkreśla znany wzorzec wśród inżynierów — tworzenie narzędzi do eliminowania uciążliwych zadań — ale posuwa się o krok dalej, powierzając agentom AI złożone zadania analityczne, które wcześniej były niemożliwe do ręcznego skalowania.

Inspiracją dla McGoffina był kluczowy, a zarazem przytłaczający aspekt jego pracy: analiza wydajności agentów kodujących w odniesieniu do benchmarków takich jak TerminalBench2 i SWEBench-Pro. Wiązało się to z analizowaniem 'trajektorii' – szczegółowych logów JSON procesów myślowych i działań agenta – które mogły liczyć setki tysięcy linii kodu w wielu zadaniach i uruchomieniach benchmarków. Chociaż GitHub Copilot już pomagał w rozpoznawaniu wzorców, powtarzalny charakter tej pętli analitycznej wymagał pełnej automatyzacji. Doprowadziło to do stworzenia 'eval-agents', systemu zaprojektowanego do automatyzacji tego intelektualnego obciążenia, umożliwiając jego zespołowi w Copilot Applied Science osiągnięcie podobnych efektywności.

## Plan rozwoju kierowanego przez agentów

Stworzenie 'eval-agents' było kierowane jasnym zestawem zasad skupionych na współpracy i skalowalności. McGoffin dążył do tego, aby agenci AI byli łatwi do udostępniania, prości w tworzeniu i głównym narzędziem do wkładu zespołowego. Te cele odzwierciedlają podstawowe wartości GitHub, szczególnie te wypracowane podczas jego doświadczenia jako opiekuna OSS dla GitHub CLI. Jednak to trzeci cel — uczynienie agentów kodujących głównym współtwórcą — naprawdę ukształtował kierunek projektu i odblokował nieoczekiwane korzyści dla dwóch pierwszych.

Agentowe środowisko kodowania wykorzystywało kilka potężnych narzędzi do usprawnienia procesu rozwoju:
*   **Agent kodujący**: Copilot CLI, zapewniający bezpośrednią interakcję i kontrolę.
*   **Użyty model**: Claude Opus 4.6, oferujący zaawansowane możliwości rozumowania i generowania kodu.
*   **IDE**: VSCode, służące jako centralne środowisko pracy dla rozwoju.

Co kluczowe, Copilot SDK odegrało kluczową rolę, zapewniając dostęp do istniejących narzędzi, serwerów MCP oraz mechanizmów do rejestrowania nowych narzędzi i umiejętności. Ta podstawa wyeliminowała potrzebę ponownego wynajdywania podstawowych funkcji agentowych, umożliwiając zespołowi skupienie się na logice specyficznej dla aplikacji. To zintegrowane środowisko sprzyjało szybkiemu cyklowi rozwoju, udowadniając, że przy odpowiedniej konfiguracji agenci AI mogli nie tylko pomagać, ale także napędzać znaczące części wysiłku rozwojowego.

## Kluczowe zasady efektywnego kodowania agentowego

Przejście na paradygmat kierowany przez agentów wymaga czegoś więcej niż tylko narzędzi; wymaga zmiany metodologii. McGoffin zidentyfikował trzy podstawowe zasady, które okazały się fundamentalne dla przyspieszenia rozwoju i wspierania współpracy:

1.  **Strategie promptowania**: Efektywna interakcja z agentami oznacza bycie konwersacyjnym, rozbudowanym i priorytetyzowanie planowania.
2.  **Strategie architektoniczne**: Czysta, dobrze udokumentowana i zrefaktoryzowana baza kodu jest najważniejsza dla agentów, aby mogli skutecznie nawigować i wnosić wkład.
3.  **Strategie iteracji**: Przyjęcie mentalności 'obwiniaj proces, a nie agentów', podobnej do kultury bez obwiniania, umożliwia szybkie eksperymentowanie i uczenie się.

Te strategie, konsekwentnie stosowane, doprowadziły do zdumiewających wyników. Na dowód tej skuteczności, pięciu nowych współtwórców, w ciągu zaledwie trzech dni, wspólnie dodało 11 nowych agentów, cztery nowe umiejętności i wprowadziło do projektu koncepcję 'przepływów pracy eval-agentów'. Ten wspólny sprint zaowocował niezwykłą zmianą **+28 858/-2 884 linii kodu** w 345 plikach, demonstrując głęboki wpływ [github-agentic-workflows](/pl/github-agentic-workflows) w praktyce.

Oto podsumowanie podstawowych zasad:

| Principle         | Description                                                                                                                                                                                              | Benefit for Agent-Driven Development                                                                     |
| :---------------- | :------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | :------------------------------------------------------------------------------------------------------- |
| **Promptowanie**  | Traktuj agentów jak starszych inżynierów: kieruj ich myśleniem, nadmiernie wyjaśniaj założenia, wykorzystuj tryby planowania (`/plan`) przed wykonaniem. Bądź konwersacyjny i szczegółowy.                   | Prowadzi do dokładniejszych i bardziej trafnych wyników, pomagając agentom skutecznie rozwiązywać złożone problemy. |
| **Architektura**  | Priorytetyzuj refaktoryzację, kompleksową dokumentację i solidne testowanie. Utrzymuj bazę kodu czystą, czytelną i dobrze ustrukturyzowaną. Aktywnie usuwaj martwy kod.                                      | Umożliwia agentom zrozumienie bazy kodu, wzorców i istniejącej funkcjonalności, ułatwiając dokładne wnoszenie wkładu. |
| **Iteracja**      | Przyjmij mentalność 'obwiniaj proces, a nie agentów'. Wdrażaj zabezpieczenia (ścisłe typowanie, lintersy, obszerne testy) w celu zapobiegania błędom. Ucz się na błędach agentów poprzez ulepszanie procesów i zabezpieczeń. | Sprzyja szybkiej iteracji, buduje zaufanie do wkładu agentów i ciągle usprawnia potok rozwoju.                  |

## Przyspieszanie rozwoju: Strategie w działaniu

Sukces tego podejścia opartego na agentach zakorzeniony jest w praktycznym zastosowaniu tych zasad.

### Strategie promptowania: Kierowanie inżynierem AI

Agenci kodujący AI, choć potężni, doskonale radzą sobie z dobrze zdefiniowanymi problemami. W przypadku bardziej złożonych zadań wymagają wskazówek, podobnie jak młodsi inżynierowie. McGoffin odkrył, że angażowanie się w styl konwersacyjny, wyjaśnianie założeń i wykorzystywanie trybów planowania było znacznie skuteczniejsze niż zwięzłe komendy. Na przykład, podczas dodawania solidnych testów regresji, prompt taki jak `/plan Niedawno zauważyłem, że Copilot z radością aktualizuje testy, aby pasowały do jego nowych paradygmatów, mimo że te testy nie powinny być aktualizowane. Jak mogę stworzyć zarezerwowaną przestrzeń testową, której Copilot nie może dotykać lub musi zarezerwować, aby chronić przed regresjami?` zainicjował produktywny dialog. Ten dialog, często prowadzony z potężnym modelem [claude-opus-4-6](/pl/claude-opus-4-6), doprowadził do wyrafinowanych rozwiązań, takich jak zabezpieczenia testów kontraktowych, które mogli aktualizować tylko inżynierowie ludzcy, zapewniając ochronę kluczowych funkcjonalności.

### Strategie architektoniczne: Podstawa jakości wspomaganej przez AI

Dla inżynierów ludzkich, utrzymywanie czystej bazy kodu, pisanie testów i dokumentowanie funkcji jest często odsuwane na dalszy plan pod presją dostarczania funkcji. W rozwoju kierowanym przez agentów stają się one najważniejsze. McGoffin odkrył, że poświęcanie czasu na refaktoryzację, dokumentowanie i dodawanie przypadków testowych znacząco poprawiło zdolność Copilota do nawigowania i wnoszenia wkładu w bazę kodu. Repozytorium zorientowane na agenta prosperuje dzięki przejrzystości. Pozwala to deweloperom nawet na zadawanie Copilotowi pytań typu "Wiedząc to, co wiem teraz, jak zaprojektowałbym to inaczej?", zamieniając teoretyczne refaktoryzacje w osiągalne projekty z pomocą AI. To ciągłe skupienie na zdrowiu architektury zapewnia, że nowe funkcje mogą być dostarczane bezproblemowo.

### Strategie iteracji: Ufanie procesowi, a nie tylko agentowi

Ewolucja modeli AI przesunęła sposób myślenia z "ufaj, ale weryfikuj" na bardziej ufne podejście, analogiczne do tego, jak skuteczne zespoły działają w oparciu o filozofię "obwiniaj proces, a nie ludzi". Ta "kultura bez obwiniania" w rozwoju kierowanym przez agentów oznacza, że gdy agent AI popełnia błąd, reakcją jest ulepszenie podstawowych procesów i zabezpieczeń, a nie obwinianie samego agenta. Wiąże się to z wdrażaniem rygorystycznych praktyk CI/CD: ścisłego typowania w celu zapewnienia zgodności interfejsów, solidnych linterów dla jakości kodu oraz obszernych testów integracyjnych, end-to-end i kontraktowych. Chociaż tworzenie tych testów ręcznie może być kosztowne, pomoc agentów sprawia, że ich implementacja jest znacznie tańsza, zapewniając kluczowe zaufanie do nowych zmian. Poprzez ustanowienie tych systemów deweloperzy umożliwiają Copilotowi sprawdzanie własnej pracy, odzwierciedlając sposób, w jaki młodszy inżynier jest przygotowywany do sukcesu.

## Opanowanie pętli rozwoju kierowanego przez agentów

Integracja tych zasad w praktyczny przepływ pracy tworzy potężną, przyspieszoną pętlę rozwoju:

1.  **Planuj z Copilotem**: Inicjuj nowe funkcje za pomocą `/plan`. Iteruj nad planem, upewniając się, że testy i aktualizacje dokumentacji są uwzględnione i zakończone przed implementacją kodu. Dokumentacja może służyć jako dodatkowy zestaw wytycznych dla agenta.
2.  **Implementuj z Autopilotem**: Pozwól Copilotowi zaimplementować funkcję za pomocą `/autopilot`, wykorzystując jego możliwości generowania kodu.
3.  **Przeglądaj z Copilot Code Review**: Poproś Copilota o zainicjowanie pętli przeglądu. Wiąże się to z poproszeniem agenta Copilot Code Review, adresowaniem jego komentarzy i ponownym żądaniem przeglądów, dopóki problemy nie zostaną rozwiązane.
4.  **Przegląd ludzki**: Przeprowadź końcowy przegląd ludzki, aby upewnić się, że wzorce są egzekwowane, a złożone decyzje są zgodne z intencjami strategicznymi.

Poza pętlą funkcji, kluczowa jest ciągła optymalizacja. McGoffin rutynowo prosi Copilota o komendy takie jak `/plan Przejrzyj kod pod kątem brakujących testów, wszelkich testów, które mogą być zepsute, i martwego kodu` lub `/plan Przejrzyj dokumentację i kod, aby zidentyfikować wszelkie luki w dokumentacji`. Te kontrole, uruchamiane co tydzień lub w miarę integracji nowych funkcji, zapewniają, że środowisko rozwoju kierowanego przez agentów pozostaje zdrowe i wydajne.

## Przyszłość inżynierii oprogramowania z AI

To, co zaczęło się jako osobista misja automatyzacji frustrującego zadania analitycznego, ewoluowało w nowy paradygmat rozwoju oprogramowania. Rozwój kierowany przez agentów, napędzany narzędziami takimi jak GitHub Copilot i zaawansowanymi modelami, takimi jak Claude Opus, nie polega tylko na przyspieszaniu pracy deweloperów; polega na fundamentalnej zmianie charakteru pracy zarówno dla badaczy AI, jak i inżynierów oprogramowania. Przenosząc pracę intelektualną na inteligentnych agentów, zespoły mogą osiągnąć bezprecedensowy poziom produktywności, współpracy i innowacji, ostatecznie skupiając się na twórczych i strategicznych wyzwaniach, które naprawdę napędzają postęp. To podejście zwiastuje ekscytującą przyszłość, w której agenci AI nie są tylko narzędziami, ale integralnymi członkami zespołu deweloperskiego, przekształcając sposób, w jaki budujemy i utrzymujemy oprogramowanie.