Wprowadzenie
Rozwój wspomagany przez sztuczną inteligencję ewoluuje. Zamiast narzędzi, które sugerują tylko kod, mamy teraz systemy, które mogą faktycznie podejmować działania w ramach cyklu życia tworzenia oprogramowania (SDLC). W GitHub można to już zobaczyć dzięki środowiskom takim jak agent w chmurze Copilot. Może eksplorować repozytorium, sugerować plan, wprowadzać zmiany w gałęzi i otwierać pull request do przejrzenia przez ciebie. W miarę jak systemy te stają się bardziej zdolne, twoja rola jako deweloper zaczyna się zmieniać. Już nie tylko piszesz kod. Prowadzisz również, nadzorujesz i weryfikujesz systemy, które mogą planować, działać i z czasem się ulepszać w ramach przepływów pracy.
Przepływy pracy agentów podążają za schematem planowania → działania → oceny, w którym każdy cykl wykorzystuje informacje zwrotne z systemu do udoskonalenia kolejnego kroku, aż wynik spełnia wymagane standardy. Moduł ten daje ci podstawy potrzebne do zrozumienia tej zmiany. Dowiesz się, co sprawia, że system jest "agentem", jak agenci różnią się od tradycyjnych asystentów i jak działają w GitHub. Zobaczysz również, jak GitHub działa zarówno jako system rejestru, jak i płaszczyzny kontrolnej, korzystając ze znanych narzędzi, takich jak pull requesty, przeglądy kodu, kontrola statusu, CODEOWNERS, zestawy reguł i środowiska, aby zapewnić bezpieczeństwo i kontrolę działania agenta.
W tym module omówiono następujące zagadnienia:
- Określenie sztucznej inteligencji posiadającej zdolność działania w SDLC i odróżnianie agentów od asystentów
- Wyjaśnij i zastosuj cykl życia planowania → działania → oceny w przepływach pracy agenta
- Opis sposobu działania GitHub jako systemu płaszczyzny rekordów i kontroli dla działania agenta
- Identifikacja obowiązków, czynników ryzyka, antywzorów i wymagań śledzenia w systemach agentowych.
- Stosowanie modelu współautora w celu oceny pracy wygenerowanej przez agenta
Poniżej przedstawiono inne moduły, aby dowiedzieć się więcej na temat tworzenia systemów sztucznej inteligencji agentów: