Introduction
AI-assisterad utveckling utvecklas. I stället för verktyg som bara föreslår kod har vi nu system som faktiskt kan vidta åtgärder i programvaruutvecklingslivscykeln (SDLC). I GitHub kan du redan se detta med funktioner som Copilot's molnagent. Den kan utforska en lagringsplats, föreslå en plan, göra ändringar i en gren och öppna en pull-förfrågan för dig att granska. När dessa system blir mer kompatibla börjar din roll som utvecklare att förändras. Du skriver inte bara kod längre. Du vägleder, övervakar och validerar även system som kan planera, agera och förbättra med tiden i dina arbetsflöden.
Agentarbetsflöden följer en plan → agera → utvärdera loopen, där varje cykel använder systemfeedback för att förfina nästa steg tills resultatet uppfyller de standarder som krävs. Den här modulen ger dig den grund du behöver för att förstå det skiftet. Du får lära dig vad som gör systemet "agentiskt", hur agenter skiljer sig från traditionella assistenter och hur de fungerar i GitHub. Du kommer också att se hur GitHub fungerar som både system för dokumentation och styrplanen, med hjälp av kända verktyg som pull-förfrågningar, granskningar, statuskontroller, CODEOWNERS, regler och miljöer för att hålla agentaktiviteten säker och kontrollerad.
I den här modulen går vi igenom:
- Definiera agentisk AI i SDLC och skilja agenter från assistenter
- Förklara och tillämpa planen → agera → utvärdera livscykeln i agentarbetsflöden
- Beskriv hur GitHub fungerar som system för dokumentation och kontrollplan för agentaktivitet
- Identifiera ansvarsområden, risker, antimönster och spårningskrav i agentsystem
- Använda deltagarmodellen för att utvärdera agentgenererat arbete
Här är andra moduler för mer information om utveckling i agentiska AI-system: