Розробка на основі агентів: Надзвичайне прискорення Copilot Applied Science

title: "Розробка на основі агентів: Надзвичайне прискорення Copilot Applied Science" slug: "agent-driven-development-in-copilot-applied-science" date: "2026-04-02" lang: "uk" source: "https://github.blog/ai-and-ml/github-copilot/agent-driven-development-in-copilot-applied-science/" category: "Інструменти розробника" keywords:

Розробка на основі агентів
GitHub Copilot
Агенти ШІ для кодування
Розробка програмного забезпечення
Автоматизація
Claude Opus
Інструменти розробника
Дослідження ШІ
Проектування промптів
Рефакторинг
CI/CD
Робочі процеси ШІ meta_description: "Дізнайтеся, як розробка на основі агентів за допомогою GitHub Copilot та Claude Opus революціонізує розробку програмного забезпечення, автоматизує інтелектуальну працю та прискорює спільні робочі процеси." image: "/images/articles/agent-driven-development-in-copilot-applied-science.png" image_alt: "Знімок екрана, що ілюструє інтерфейс розробки на основі агентів GitHub Copilot, показуючи пропозиції коду та спільні робочі процеси кодування." quality_score: 94 content_score: 93 seo_score: 95 companies:
GitHub schema_type: "NewsArticle" reading_time: 7 faq:
question: "Що таке розробка на основі агентів у контексті GitHub Copilot?" answer: "Розробка на основі агентів (agent-driven development) — це парадигма розробки програмного забезпечення, де агенти ШІ, такі як ті, що працюють на основі GitHub Copilot, стають основними учасниками та співробітниками в процесі розробки. Замість того, щоб просто пропонувати код, ці агенти активно беруть участь у плануванні, реалізації, рефакторингу, тестуванні та документуванні програмного забезпечення. Цей підхід використовує здатність ШІ автоматизувати повторювані інтелектуальні завдання, дозволяючи інженерам-людям зосередитися на вирішенні проблем вищого рівня, стратегічному проектуванні та творчій роботі, тим самим прискорюючи цикли розробки та покращуючи якість коду за допомогою структурованої допомоги ШІ та суворих засобів контролю."
question: "Як виник проєкт 'eval-agents'?" answer: "Проєкт 'eval-agents' виник із загальної проблеми, з якою стикаються дослідники ШІ: аналіз величезних обсягів даних. Тайлер МакГоффін, дослідник ШІ, постійно переглядав сотні тисяч рядків 'траєкторій' — детальних журналів мисленнєвих процесів та дій агентів ШІ під час оцінок за бенчмарками. Визнавши це інтелектуально виснажливим і повторюваним завданням, він прагнув його автоматизувати. Застосувавши принципи розробки на основі агентів з GitHub Copilot, він створив 'eval-agents' для аналізу цих траєкторій, значно зменшивши необхідні ручні зусилля та перетворивши виснажливе аналітичне завдання на автоматизований процес."
question: "Які ключові компоненти агентного налаштування кодування для цього підходу?" answer: "Ефективне агентне налаштування кодування, як показано в цьому підході, зазвичай включає потужний агент ШІ для кодування, такий як Copilot CLI, надійну базову велику мовну модель, таку як Claude Opus 4.6, і функціонально багате інтегроване середовище розробки (IDE), таке як VSCode. Надзвичайно важливо, що використання SDK, такого як Copilot SDK, забезпечує доступ до необхідних інструментів, серверів та механізмів для реєстрації нових інструментів та навичок, пропонуючи фундаментальну інфраструктуру для створення та розгортання агентів без необхідності повторно створювати основні функціональні можливості. Це інтегроване середовище забезпечує безперебійну взаємодію між розробником та агентом ШІ протягом усього життєвого циклу розробки."
question: "Які стратегії промптингу є найефективнішими при роботі з агентами ШІ для кодування?" answer: "Ефективні стратегії промптингу для агентів ШІ для кодування наголошують на розмовних, докладних та орієнтованих на планування взаємодіях. Замість стислих формулювань проблем, розробники досягають кращих результатів, залучаючи агентів до діалогу, надмірно пояснюючи припущення та використовуючи швидкість ШІ для початкового планування перед тим, як вносити зміни до коду. Це передбачає використання режимів планування (наприклад, '/plan') для спільного мозкового штурму рішень та уточнення ідей. Ставлення до агента ШІ як до молодшого інженера, якому корисно чітке керівництво, контекст та ітеративний зворотний зв'язок, допомагає йому виробляти більш точні та релевантні результати, що призводить до кращого вирішення проблем та реалізації функцій."
question: "Чому архітектурні стратегії, такі як рефакторинг та документування, є ключовими для розробки на основі агентів?" answer: "Архітектурні стратегії, такі як часті рефакторинг, всебічне документування та надійне тестування, є першорядними у розробці на основі агентів, оскільки вони створюють чисту, зручну для навігації кодову базу, яку агенти ШІ можуть ефективно розуміти та з якою можуть взаємодіяти. Добре підтримувана кодова база, як і для інженерів-людей, дозволяє агентам ШІ точніше та ефективніше вносити функції. Пріоритетність читабельності, послідовних шаблонів та актуальної документації гарантує, що Copilot зможе інтерпретувати наміри кодової бази, виявляти можливості для покращення та впроваджувати зміни з мінімальними помилками, роблячи доставку функцій тривіальною та сприяючи безперервній переархітектурі."
question: "Як 'культура без звинувачень' застосовується до стратегій ітерації в розробці на основі агентів?" answer: "Застосування 'культури без звинувачень' до розробки на основі агентів означає перехід від мислення 'довіряй, але перевіряй' до мислення, що пріоритезує 'звинувачуй процес, а не агентів'. Ця філософія визнає, що агенти ШІ, як і інженери-люди, можуть робити помилки. Тоді фокус зміщується на впровадження надійних процесів та засобів контролю — таких як сувора типізація, всебічні лінтери та обширні інтеграційні та наскрізні тести — для запобігання помилкам. Коли агент робить помилку, відповідь полягає в тому, щоб винести з неї урок та запровадити додаткові засоби контролю, удосконалюючи процеси та підказки, щоб та сама помилка не повторювалася, сприяючи швидкому та психологічно безпечному конвеєру ітерацій."
question: "Який типовий цикл розробки при використанні розробки на основі агентів?" answer: "Типовий цикл розробки в розробці на основі агентів починається з спільного планування нової функції з Copilot за допомогою промпта '/plan', забезпечуючи ранню інтеграцію тестування та оновлень документації. Далі Copilot реалізує функцію, часто використовуючи команду '/autopilot'. Після реалізації ініціюється цикл перевірки з агентом Copilot Code Review, що ітеративно розглядає коментарі. Фінальний етап передбачає людську перевірку для забезпечення дотримання шаблонів та стандартів. Поза цим циклом функцій Copilot періодично просять переглядати на наявність відсутніх тестів, дублювання коду або прогалин у документації, підтримуючи постійно оптимізоване середовище, кероване агентами."
question: "Який вплив мала розробка на основі агентів на продуктивність та співпрацю команди?" answer: "Вплив розробки на основі агентів на продуктивність та співпрацю команди був трансформаційним, що призвело до неймовірно швидкого конвеєра ітерацій. В одному випадку команда з п'яти нових учасників, використовуючи цю методологію, створила 11 нових агентів, чотири нові навички та реалізувала складні робочі процеси менш ніж за три дні. Це склало приголомшливу зміну +28 858/-2 884 рядків коду в 345 файлах. Таке значне збільшення результативності підкреслює, як розробка на основі агентів, автоматизуючи рутинні завдання та надаючи інтелектуальну допомогу, значно прискорює доставку функцій, сприяє глибшій співпраці та дозволяє командам досягати безпрецедентних рівнів інновацій та ефективності."

Автоматизація інтелектуальної праці за допомогою агентів ШІ

У швидкоплинному світі розробки програмного забезпечення прагнення до ефективності часто призводить до новаторських інновацій. Тайлер МакГоффін, дослідник ШІ, нещодавно докладно описав шлях, який втілює цей дух: автоматизацію своєї інтелектуальної праці за допомогою розробки на основі агентів з GitHub Copilot. Йдеться не лише про швидше кодування; це про фундаментальну зміну ролі розробника від повторюваного аналізу до творчого вирішення проблем та стратегічного нагляду. Досвід МакГоффіна демонструє знайому модель серед інженерів — створення інструментів для усунення рутини — але виводить її на новий рівень, довіряючи агентам ШІ складні аналітичні завдання, які раніше було неможливо масштабувати вручну.

Натхнення МакГоффіна походить від критичного, але надзвичайно великого аспекту його роботи: аналізу продуктивності агентів кодування за такими бенчмарками, як TerminalBench2 та SWEBench-Pro. Це включало розбір 'траєкторій' — детальних JSON-журналів мисленнєвих процесів та дій агента — які могли складати сотні тисяч рядків коду за численними завданнями та прогонами бенчмарків. Хоча GitHub Copilot вже допомагав у розпізнаванні шаблонів, повторюваний характер цього аналітичного циклу вимагав повної автоматизації. Це призвело до створення 'eval-agents' — системи, розробленої для автоматизації цього інтелектуального навантаження, що дозволило його команді в Copilot Applied Science досягти подібної ефективності.

План розробки на основі агентів

Створення 'eval-agents' керувалося чітким набором принципів, орієнтованих на співпрацю та масштабованість. МакГоффін прагнув зробити цих агентів ШІ легкими для обміну, простими в створенні та основним засобом для внесків команди. Ці цілі відображають основні цінності GitHub, особливо ті, що були відточені під час його досвіду роботи як супроводжувача OSS для GitHub CLI. Однак саме третя мета — зробити агентів кодування основним учасником — дійсно сформувала напрямок проєкту та розкрила несподівані переваги для перших двох.

Налаштування агентного кодування використовувало кілька потужних інструментів для спрощення процесу розробки:

Агент кодування: Copilot CLI, що забезпечує пряму взаємодію та контроль.
Використана модель: Claude Opus 4.6, що пропонує розширені можливості міркування та генерації коду.
IDE: VSCode, що слугує центральним робочим простором для розробки.

Надзвичайно важливо, що Copilot SDK був інструментальним, надаючи доступ до існуючих інструментів, серверів MCP та механізмів для реєстрації нових інструментів та навичок. Ця основа усунула необхідність заново створювати основні агентні функціональні можливості, дозволивши команді зосередитися на логіці, специфічній для програми. Це інтегроване середовище сприяло швидкому циклу розробки, доводячи, що за правильного налаштування агенти ШІ могли не тільки допомагати, але й керувати значною частиною зусиль з розробки.

Основні принципи ефективного агентного кодування

Перехід до парадигми, керованої агентами, вимагає більше, ніж просто інструментів; він вимагає зміни методології. МакГоффін визначив три основні принципи, які виявилися фундаментальними для прискорення розробки та сприяння співпраці:

Стратегії промптингу: Ефективна взаємодія з агентами означає бути розмовним, докладним та пріоритезувати планування.
Архітектурні стратегії: Чиста, добре задокументована та рефакторована кодова база є першочерговою для того, щоб агенти могли ефективно в ній орієнтуватися та робити внески.
Стратегії ітерації: Застосування мислення "звинувачуй процес, а не агентів", подібного до культури без звинувачень, дозволяє швидко експериментувати та навчатися.

Ці стратегії, послідовно застосовані, привели до дивовижних результатів. На підтвердження цієї ефективності п'ять нових учасників протягом трьох днів спільно додали 11 нових агентів, чотири нові навички та запровадили концепцію 'eval-agent workflows' до проєкту. Цей спільний спринт призвів до значної зміни +28 858/-2 884 рядків коду у 345 файлах, демонструючи глибокий вплив github-agentic-workflows на практиці.

Ось короткий опис основних принципів:

Принцип	Опис	Переваги для розробки на основі агентів
Промптинг	Ставтеся до агентів як до старших інженерів: керуйте їхнім мисленням, надмірно пояснюйте припущення, використовуйте режими планування (`/plan`) перед виконанням. Будьте розмовними та детальними.	Призводить до більш точних та релевантних результатів, допомагаючи агентам ефективно вирішувати складні проблеми.
Архітектура	Пріоритезуйте рефакторинг, всебічну документацію та надійне тестування. Підтримуйте кодову базу чистою, читабельною та добре структурованою. Активно очищайте застарілий код.	Дозволяє агентам розуміти кодову базу, шаблони та існуючі функціональні можливості, сприяючи точним внескам.
Ітерація	Застосовуйте мислення "звинувачуй процес, а не агентів". Впроваджуйте засоби контролю (сувора типізація, лінтери, обширні тести) для запобігання помилкам. Вивчайте помилки агентів шляхом покращення процесів та засобів контролю.	Сприяє швидкій ітерації, формує довіру до внесків агентів та постійно покращує конвеєр розробки.

Прискорення розробки: Стратегії в дії

Успіх цього підходу, керованого агентами, ґрунтується на практичному застосуванні цих принципів.

Стратегії промптингу: Керування інженером ШІ

Агенти ШІ для кодування, хоч і потужні, чудово справляються з добре визначеними проблемами. Для складніших завдань вони потребують керівництва, подібно до молодших інженерів. МакГоффін виявив, що розмовний стиль, пояснення припущень та використання режимів планування були набагато ефективнішими, ніж стислі команди. Наприклад, при додаванні надійних регресійних тестів, промпт на кшталт /plan Я нещодавно спостерігав, як Copilot із задоволенням оновлював тести, щоб вони відповідали його новим парадигмам, хоча ці тести не повинні були оновлюватися. Як я можу створити зарезервований тестовий простір, до якого Copilot не може торкатися або який він повинен зарезервувати для захисту від регресій? ініціював продуктивний діалог. Цей обмін, часто з потужною моделлю claude-opus-4-6, призвів до складних рішень, таких як засоби контролю контрактного тестування, які могли оновлювати лише інженери-люди, забезпечуючи захист критичної функціональності.

Архітектурні стратегії: Основа якості за допомогою ШІ

Для інженерів-людей підтримка чистої кодової бази, написання тестів та документування функцій часто відкладаються на потім через тиск функціоналу. У розробці, керованій агентами, це стає першочерговим завданням. МакГоффін виявив, що витрачання часу на рефакторинг, документування та додавання тестових випадків значно покращило здатність Copilot орієнтуватися в кодовій базі та робити внески. Репозиторій, орієнтований на агентів, процвітає завдяки ясності. Це дозволяє розробникам навіть запитувати Copilot питаннями на кшталт "Знаючи те, що я знаю зараз, як би я спроектував це інакше?", перетворюючи теоретичні рефакторинги на здійсненні проєкти за допомогою ШІ. Ця постійна увага до архітектурного стану забезпечує тривіальну доставку нових функцій.

Стратегії ітерації: Довіряти процесу, а не лише агенту

Еволюція моделей ШІ змінила мислення від "довіряй, але перевіряй" до більш довірливого підходу, аналогічного тому, як ефективні команди працюють з філософією "звинувачуй процес, а не людей". Ця "культура без звинувачень" у розробці, керованій агентами, означає, що коли агент ШІ робить помилку, відповіддю є покращення базових процесів та засобів контролю, а не звинувачення самого агента. Це передбачає впровадження суворих практик CI/CD: сувору типізацію для забезпечення відповідності інтерфейсу, надійні лінтери для якості коду та обширні інтеграційні, наскрізні та контрактні тести. Хоча створення цих тестів вручну може бути дорогим, допомога агента робить їх значно дешевшими у впровадженні, забезпечуючи критичну впевненість у нових змінах. Налаштувавши ці системи, розробники дають Copilot можливість перевіряти власну роботу, відображаючи, як молодший інженер налаштовується на успіх.

Оволодіння циклом розробки на основі агентів

Інтеграція цих принципів у практичний робочий процес створює потужний, прискорений цикл розробки:

Планування з Copilot: Ініціюйте нові функції за допомогою /plan. Ітеруйте план, забезпечуючи включення та завершення тестів та оновлень документації перед реалізацією коду. Документація може слугувати додатковим набором рекомендацій для агента.
Реалізація за допомогою автопілота: Дозвольте Copilot реалізувати функцію за допомогою /autopilot, використовуючи його можливості генерації коду.
Перегляд за допомогою Copilot Code Review: Попросіть Copilot ініціювати цикл перегляду. Це включає запит агента Copilot Code Review, розгляд його коментарів та повторні запити на перегляд, доки проблеми не будуть вирішені.
Людський перегляд: Проведіть фінальний людський перегляд, щоб переконатися, що шаблони дотримуються, а складні рішення відповідають стратегічним намірам.

Поза циклом функцій, ключовою є постійна оптимізація. МакГоффін регулярно просить Copilot командами на кшталт /plan Перегляньте код на наявність відсутніх тестів, будь-яких тестів, які можуть бути зламані, та застарілого коду або /plan Перегляньте документацію та код, щоб виявити будь-які прогалини в документації. Ці перевірки, що проводяться щотижня або при інтеграції нових функцій, гарантують, що середовище розробки, кероване агентами, залишається здоровим та ефективним.

Майбутнє розробки програмного забезпечення за допомогою ШІ

Те, що починалося як особистий пошук автоматизації виснажливого аналітичного завдання, перетворилося на нову парадигму для розробки програмного забезпечення. Розробка на основі агентів, що працює за допомогою таких інструментів, як GitHub Copilot, та передових моделей, таких як Claude Opus, не лише робить розробників швидшими; вона фундаментально змінює характер роботи для дослідників ШІ та інженерів-програмістів. Перекладаючи інтелектуальну працю на інтелектуальних агентів, команди можуть досягти безпрецедентних рівнів продуктивності, співпраці та інновацій, зрештою зосереджуючись на творчих та стратегічних викликах, які дійсно рухають прогрес. Цей підхід віщує захоплююче майбутнє, де агенти ШІ є не просто інструментами, а невід'ємними членами команди розробників, перетворюючи те, як ми створюємо та підтримуємо програмне забезпечення.

Першоджерело

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

Поширені запитання

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.

Будьте в курсі

Отримуйте найсвіжіші новини ШІ на пошту.

Поділитися