Definir o DevOps de agente para ambientes Microsoft

Concluído

Como um engenheiro experiente do DevOps, você criou uma automação que é executada sem intervenção humana. Um pipeline é acionado por push, um script gira as credenciais de acordo com um cronograma, uma política bloqueia um recurso não compatível no plano de controle. Eles são determinísticos: dada a mesma entrada, eles produzem a mesma saída, todas as vezes.

Os recursos de agente são diferentes. Eles não executam um script fixo. Eles raciocinam sobre uma meta, reúnem contexto de várias fontes, decidem quais ferramentas usar e tomam uma sequência de ações– adaptando sua próxima etapa com base no que elas observam. Esse loop de raciocínio é o que distingue um agente da automação.

Entender o que cria um agente de recursos

Um agente, no sentido de IA, é um sistema que percebe seu ambiente, explica uma meta, seleciona e invoca ferramentas e ajusta sua abordagem com base nos resultados. Aplicado ao DevOps, isso significa que um agente não responde apenas a uma única instrução. Ele pode aceitar uma meta como "gerar um modelo de Bicep para essa carga de trabalho e validá-lo em nossa baseline de políticas", em seguida, dividir essa meta em subtarefas, consultar seu repositório, invocar ferramentas Bicep, verificar os dados de conformidade do Azure Policy e retornar com um modelo pronto para revisão.

Três propriedades distinguem as capacidades agenciais da automação tradicional e dos chatbots simples de inteligência artificial.

• Orientação de meta – o agente trabalha em direção a um objetivo, não a uma sequência fixa de comandos.
• Invocação de ferramenta – o agente chama ferramentas externas, APIs ou serviços para coletar informações e executar ações.
• Loops observar-raciocinar-agir – o agente avalia os resultados intermediários e ajusta seu plano adequadamente.

A automação de DevOps tradicional tem orientação de meta (pipelines têm um estado de destino) e, às vezes, invocação de ferramenta, mas não tem o loop de raciocínio adaptável. Um script Bash não observa que seu primeiro comando falhou ao escolher uma estratégia diferente. Um agente cria.

Posicionar o DevOps proativo no espectro da plataforma Microsoft

Microsoft vem criando funcionalidades agente incrementais em sua cadeia de ferramentas há vários anos. A progressão é mais clara em GitHub Copilot, que passou de uma ferramenta de conclusão de código para um assistente de chat. Em seguida, evoluiu para o modo de agente autônomo e agora é um agente de codificação baseado em nuvem que pode realizar tarefas atribuídas, abrir solicitações de pull e fazer iterações a partir de feedback sem permanecer no seu editor de código.

Uma progressão semelhante aparece em toda a plataforma:

Família de capacidades	Como ele se comporta em forma de agente
GitHub Copilot (chat e embutido)	Responde aos prompts. Sugere código, explica erros e gera documentação. Turno único ou várias voltas curtas.
Modo de agente do Copilot do GitHub	Lê o contexto completo da base de código, executa tarefas de várias etapas, invoca ferramentas (terminal, sistema de arquivos, testes) e itera. Várias rodadas com o uso da ferramenta.
GitHub Copilot agente de codificação (nuvem)	Recebe problemas atribuídos do seu backlog, cria um pull request e faz iterações com base nos comentários de revisão. Assíncrono, com escopo de repositório.
Agentes do Azure Copilot	Agentes especializados no portal de Azure para implantação, migração, observabilidade, otimização, resiliência e solução de problemas de cargas de trabalho Azure.
Azure DevOps capacidades de IA	Resumos de itens de trabalho assistidos por IA, descrições de solicitações de pull, sugestões de criação de pipelines e geração de conteúdo do Boards, integrados ao fluxo de trabalho diário.
Ferramentas compatíveis com MCP	Extensões para qualquer uma das opções acima por meio do protocolo de contexto do modelo. Fornece aos agentes acesso a ferramentas adicionais (CLI do Azure, contexto de projeto do ADO, analisador Bicep) com escopo definido por você.

Em vez de tratá-los como produtos separados para aprender isoladamente, pense neles como pontos diferentes em um espectro de autonomia. Com base em seu nível de experiência, você pode usá-los isolados no início para, em seguida, evoluir para um conjunto combinado de ferramentas.

Distinguir recursos de agentes da automação existente

Você pode estar pensando: "Já tenho pipelines que implantam infraestrutura, scripts que verificam o descompasso e runbooks que respondem a alertas. Como isso é diferente?"

A principal distinção é a amplitude do contexto e datomada de decisões adaptáveis. Sua automação existente sabe o que você disse a ela para saber, faz o que você disse a ele para fazer e para ou falha quando atinge um estado inesperado. Um agente pode:

• Ingerir contexto de várias fontes não estruturadas (descrição da solicitação de pull, logs de teste com falha, telemetria de monitoramento, documentação) e sintetizá-lo em um plano de ação coerente.
• Selecione em um conjunto de ferramentas disponíveis para obter o necessário, em vez de ter a seleção de ferramentas embutida em código.
• Responda aos resultados intermediários , por exemplo, descobrindo no meio da tarefa que um nome de recurso entra em conflito com uma implantação existente e escolhendo uma alternativa automaticamente.

Isso não é uma substituição para sua automação. É uma camada diferente do modelo operacional. Um que lida com o trabalho de uso intensivo de decisões, de alternância de contexto e multifonte que seus pipelines nunca foram projetados para absorver.

Definir o DevOps agêncico como um modelo operacional

O Agentic DevOps é a aplicação de recursos de IA baseados em agente para fluxos de trabalho de DevOps, em que esses recursos lidam com tarefas que exigem raciocínio de várias fontes, produzem resultados estruturados que se encaixam em processos de entrega existentes e operam dentro de limites definidos pelo ser humano.

O objetivo não é remover os engenheiros de DevOps do loop. É para mudar o motivo pelo qual eles estão no loop. Em vez de triar manualmente um build com falha pesquisando cinco exibições de log diferentes, você descreve a falha em um agente, que sintetiza os logs, faz referência cruzada a falhas passadas semelhantes e apresenta a causa raiz provável com evidências de suporte. Você ainda toma a decisão sobre a correção. Você só gasta menos tempo na pesquisa.

Essa distinção, em que a IA realiza o trabalho de base intensivo em informações, enquanto os humanos tomam a decisão consequente, é a base de todos os conceitos no restante deste módulo.

Observação

Os recursos descritos neste módulo representam a plataforma Microsoft. A disponibilidade de recursos específica pode variar de acordo com o plano, a região e o ciclo de lançamento do produto. Sempre verifique o status da funcionalidade na documentação oficial do Microsoft antes de criar fluxos de trabalho de produção.