Integration von Agentic AI in den Lebenszyklus der Softwareentwicklung deines Unternehmens

Informationen zu KI-Agents auf GitHub

Entwickler in deinem Unternehmen können KI als Paarprogrammierungstool verwenden. In diesem Modell arbeiten Entwickler synchron mit KI-Assistenten zusammen und erhalten Codevorschläge während der Entwicklungsphase eines Projekts.

KI-Agents sind eher mit Programmierkollegen vergleichbar. Agents können Folgendes:

• Asynchrones Ausführen von Tasks, wie das Ausführen von Tests oder das Beheben von Problemen in einem Backlog, mit weniger menschlichen Eingriffen.
• Mitwirkung an Workflows außerhalb der Entwicklungsphase, etwa bei der Ideenfindung oder Optimierung nach einer Veröffentlichung.

Die Zusammenarbeit mit Agents kann Mitarbeitern mehr Zeit geben, sich auf andere Prioritäten zu konzentrieren, z. B. die allgemeine Planung, und dafür sorgen, dass Personen, die keine Entwickler sind, die Vorteile der KI nutzen können, indem sie natürliche Sprachaufforderungen leistungsfähiger machen.

Die Agentic AI-Features von GitHub Copilot sind in die einheitliche Plattform von GitHub integriert und bieten im Vergleich zu verschiedenen Tools von Drittanbietern ein optimiertes Benutzererlebnis sowie vereinfachte Steuerelemente für Lizenzierung und Governance.

Beispielszenario

Du bist technischer Leiter bei Mona's, einem kleinen Laden für Regenschirme. Dein Team wurde damit beauftragt, ein KI-gestütztes Widget in den Onlineshop des Unternehmens einzufügen. Das Widget hilft Kunden bei der Wahl des passenden Regenschirms, indem es maßgeschneiderte Empfehlungen gibt, die auf Faktoren wie dem Standort des Benutzers und lokalen Wettertrends basieren.

Zur Einhaltung einer knappen Frist musst du jede Phase des Prozesses beschleunigen, sowohl für Entwickler als auch für alle anderen Personen im Team. Zudem solltest du sicherstellen, dass das Team nach der Einführung des neuen Features nicht mit Wartungsaufgaben überschüttet wird.

1. Planen mit Copilot Chat

1. Ein Produktmanager beginnt mit der Planung mithilfe von Copilot Chat unter https://github.com/copilot.

   Er stellt Copilot allgemeine Fragen, um ein Gefühl für die Entwicklungsarbeit zu bekommen, die für das neue Feature erforderlich ist. Um Copilot Zugriff auf wichtigen Kontext zum Projekt zu gewähren, lädt er Modelldateien hoch und verknüpft diese mit dem Repository, in dem die Codebasis gespeichert ist.

2. Wenn der PM mit Copilot gearbeitet hat, um sich einen Überblick über die erforderlichen Aufgaben zu verschaffen, bittet er Copilot, für jeden Teil der Arbeit Issues zu erstellen.

   Copilot entwirft die Issues in der Vollbildansicht, wo der PM sie optimieren und im Repository veröffentlichen kann.

   Das PM markiert einige Issues als wünschenswerte Option oder als Wartungsaufgabe. Diese eignen sich möglicherweise gut für Copilot-Programmier-Agent.

   

3. Damit der Entwickler schnell loslegen kann, erstellt der PM einen Space mit Copilot Spaces auf https://github.com/copilot/spaces. Der PM sammelt Ressourcen wie Diagramme und Verweise auf Codedateien, sendet einige Testfragen und gibt dann den Space für die Organisation frei.

   Jetzt kann der Entwickler Fragen im Space stellen, und Copilot hat bereits den gesamten Kontext, den der PM hinzugefügt hat.

2. Erstellen mit GitHub Models und Agent-Modus

1. Der PM bittet den Entwickler, zunächst das beste KI-Modell zu finden, das anhand der Kosten und der Wirksamkeit der Modelle die maßgeschneiderten Schirmempfehlungen liefert.

2. Der Entwickler fordert Copilot Chat auf, mehrere KI-Modelle für die Aufgabe zu empfehlen und die Vor- und Nachteile der einzelnen Modelle zu nennen. Damit er nützlichen Kontext erhält, fordert er Copilot auf, die Informationen aus dem GitHub Docs-Artikel Auswählen des richtigen KI-Modells für deine Aufgabe zu berücksichtigen.

3. Zur Auswahl eines Modells aus der Auswahlliste nutzt der Entwickler den GitHub Models Playground, um die Ergebnisse eines Prompts bei den verschiedenen Modellen zu vergleichen. Er spart Zeit, da er die Modelle auf einer einzigen Plattform testet und nicht für jedes Modell einen eigenen API-Schlüssel einrichten muss.

   

4. Nachdem er sich für ein Modell entschieden hat, öffnet der Entwickler den Code in VS Code.

5. Der Entwickler beginnt mit dem Schreiben von Code für das neue Widget. Zur Beschleunigung seiner Arbeit nutzt er Copilot Chat im Modus „Fragen“ und „Bearbeiten“ für Syntaxfragen und allgemeine Vorschläge.

   Tipp

   Der Entwickler arbeitet mit der KI so, wie es für ihn am besten ist, deine Organisation hat jedoch die Kontrolle über die Erfahrung. Sie können zum Beispiel Folgendes:

   • Festlegen, welche Modelle der Entwickler für die Entwicklungsarbeit verwenden darf, um Complianceanforderungen zu erfüllen und die Kosten zu kontrollieren.
   • Bestimmte Dateien ausschließen vom Zugriff durch Copilot Chat.
   • Nützliche Prompts speichern, die mit GitHub Models getestet wurden, sodass andere Benutzer davon profitieren können.

6. Wenn der Entwickler einen Teil des Codes geschrieben hat, wechselt er in den Agent-Modus, um Copilot aufzufordern, den Code zur besseren Lesbarkeit in mehrere verschiedene Funktionen umzugestalten.

   Im Agent-Modus arbeitet Copilot autonomer und ist in der Lage, mehrere Dateien zu aktualisieren und mit Autorisierung des Entwicklers Befehle für Aktionen wie etwa für die Installation von Abhängigkeiten oder für die Durchführung von Tests auszuführen.

   

   Tipp

   Du kannst eine einheitlichere Umgebung erstellen, indem du dem Repository eine Datei mit benutzerdefinierten Anweisungen hinzufügst. So könnte mit der Datei beispielsweise sichergestellt werden, dass im Agent-Modus gängige Namenskonventionen verwendet und die entsprechenden Befehle zum Erstellen, Testen und Linten von Code gemäß den Standards deiner Organisation ausgeführt werden.

7. Der Entwickler verschafft sich mit dem Diff einen Überblick über die Arbeit des Agents und wählt den Code aus, den er behalten möchte.

3. Testen mit einem MCP-Server

1. Nach Fertigstellung des Codes möchte der Entwickler mit Playwright, einem automatisierten Testdienst im Browser, Tests auf der lokalen Version der Website durchführen.

   • Ein Repositoryadministrator hat den MCP-Server (Model Context Protocol) für Playwright hinzugefügt, sodass der Copilot-Agent über eine vordefinierte Schnittstelle für die Integration mit Playwright verfügt.
   • Der Entwickler fordert Copilot auf, Testszenarios in einer .feature-Datei zu skizzieren. Anschließend weist er Copilot an, die Tests im Browser auszuführen.
   • Im Agent-Modus fordert Copilot den Entwickler auf, seine Aktionen zu autorisieren, während er den Browser öffnet und auf verschiedene Elemente in der Benutzeroberfläche klickt. Während der Entwickler die Tests im Browser beobachtet, erkennt Copilot einen fehlgeschlagenen Test und schlägt eine Korrektur im Code vor.

2. Wenn er mit den Tests zufrieden ist, fordert der Entwickler den Agent-Modus auf, einen Pull Request für die Arbeit auf GitHub zu öffnen.

   Tipp

   Wenn der GitHub-MCP-Server aktiviert ist, kann Copilot den Befehl zum Öffnen eines Pull Request direkt aus VS Code ausführen, wobei der Titel und die Beschreibung bereits ausgefüllt sind.

4. Review mit Copilot Code Review

1. Ein Repositorybesitzer hat für das Repository automatische Code Reviews durch Copilot konfiguriert. Copilot stellt einen ersten Review für den Pull Request bereit und erkennt Fehler und potenzielle Leistungsprobleme, die der Entwickler beheben kann, bevor sich ein menschlicher Reviewer mit dem Pull Request befasst.
2. Ein Kollege des Entwicklers prüft und genehmigt den Pull Request. Die Arbeit kann nun gemergt werden.

5. Optimieren mit Copilot-Programmier-Agent

1. Nach der Veröffentlichung sammelt der Produktmanager Kundenfeedback und sucht nach einer Möglichkeit, die Vorschläge des Widgets zu verbessern, indem er auf eine zuverlässigere API für Wetterdaten umsteigt. Er erstellt ein Issue, um diese Änderung zu implementieren, und weist es Copilot direkt auf GitHub zu.

2. Copilot-Programmier-Agent arbeitet im Hintergrund und öffnet einen Pull Request, den der Produktmanager als bereit für den Review kennzeichnet.

   

3. Ein Entwickler prüft den Pull Request von Copilot und hinterlässt Feedback, das von Copilot aufgenommen wird. Schließlich mergt der Entwickler den Pull Request.

   Tipp

   Copilot-Programmier-Agent bietet standardmäßig Schutzmaßnahmen. So kann Copilot beispielsweise Pull Requests nicht selbst mergen. Mithilfe von Repositoryregelsätzen kannst du zusätzliche Schutzmaßnahmen für Zielbranches definieren.

4. Später bemerkt der Entwickler beim Arbeiten an einem anderen Feature einen kleinen Fehler im Code für das KI-Widget. Zur Vermeidung eines Kontextwechsels weist der Entwickler Copilot an, einen Pull Request direkt aus VS Code zu öffnen.

   @github Create a PR for the widget function to correctly validate that the user's age is a positive integer.

5. Copilot arbeitet im Hintergrund und öffnet einen Pull Request auf GitHub, den ein anderer Entwickler prüfen kann.

6. Schützen mit Copilot Autofix

1. Ein Administrator hat code scanning für das Repository aktiviert und eine code scanning-Warnung weist auf ein potenzielles Sicherheitsrisiko im Code hin.

2. Ein Sicherheitsmanager fordert Copilot Autofix auf, automatisch einen Fix für das Sicherheitsrisiko vorzuschlagen, der von einem Entwickler geprüft und genehmigt wird.

   

Erste Schritte mit Agentic AI

Für Copilot registrieren

Verwende die Links in den folgenden Tabellen für deine ersten Schritte mit den in diesem Artikel beschriebenen Features.

Wenn du Agentic AI-Features zuverlässig in deine Aufgaben integrieren möchtest, musst du in entsprechende Schulungen, Governance und in einen kulturellen Wandel investieren. Es wird empfohlen, mit einer funktionsübergreifenden Gruppe von Mitarbeitern mit Agentic AI-Features zu experimentieren, um vor einem größeren Rollout Feedback zu sammeln.