Introduction
Yapay zeka destekli geliştirme gelişmektedir. Artık yalnızca kod öneren araçlar yerine yazılım geliştirme yaşam döngüsü (SDLC) içinde gerçekten eylem gerçekleştirebilen sistemlerimiz var. GitHub'da bunu Copilot'nin bulut aracısı gibi deneyimlerle zaten görebilirsiniz. Bir depoyu keşfedebilir, bir plan önerebilir, bir şubede değişiklik yapabilir ve gözden geçirmeniz için bir çekme isteği oluşturabilir. Bu sistemler daha yetenekli hale geldikçe, geliştirici olarak rolünüz değişmeye başlar. Artık sadece kod yazmıyorsun. Ayrıca iş akışlarınız içinde zaman içinde plan yapabilecek, harekete geçebilen ve geliştirebilen sistemleri yönlendiriyor, denetleyebiliyor ve doğrulıyorsunuz.
Aracı iş akışları bir planı izler → işlem → değerlendirme döngüsünü izler; burada her döngü, sonuç gerekli standartları karşılayana kadar bir sonraki adımı iyileştirmek için sistem geri bildirimini kullanır. Bu modül, bu değişimi anlamanız için gereken temeli sağlar. Bir sistemi "aracı" yapan şeyleri, aracıların geleneksel yardımcılardan nasıl farklı olduğunu ve GitHub içinde nasıl çalıştıklarını öğreneceksiniz. Ayrıca, GitHub'ın hem kayıt sistemi hem de kontrol düzlemi olarak işlev görmekte ve çekme istekleri, incelemeler, durum denetimleri, CODEOWNERS, kural kümeleri ve ortamlar gibi tanıdık araçları kullanarak aracı etkinliğini güvenli ve denetimli tuttuğunu göreceksiniz.
Bu modülde şu konuları ele alacağız:
- SDLC'de aracı yapay zeka tanımlama ve aracıları yardımcılardan ayırma
- Aracı iş akışlarında yaşam döngüsünü değerlendirmek → planı açıklama ve uygulama → eylem
- GitHub'un aracı etkinliği için bir kayıt sistemi ve kontrol düzlemi olarak nasıl işlediğini açıklayın.
- Aracı sistemlerinde sorumlulukları, riskleri, desenleri önleme ve izlenebilirlik gereksinimlerini belirleme
- Aracı tarafından oluşturulan çalışmayı değerlendirmek için katkı sağlayıcı modelini uygula
Agentic AI Sistemlerinde Geliştirme hakkında daha fazla bilgi edinmek için diğer modüller şunlardır: