Intégrer l’IA agentique dans le cycle de vie du développement logiciel de votre entreprise

À propos des agents IA sur GitHub

Les développeurs de votre entreprise sont peut-être habitués à utiliser l’IA comme outil de programmation en binôme. Dans ce modèle, les développeurs travaillent avec des assistants IA de manière synchrone et reçoivent des suggestions de code pendant la phase de développement d’un project.

Les assistants IA s’apparentent davantage à des collègues programmeurs. Les assistants peuvent :

• Effectuez des tâches asynchrones, telles que l’exécution de tests ou la résolution de problèmes dans votre backlog, avec moins d’intervention humaine.
• Contribuez aux processus au-delà de la phase de développement, tels que la conceptualisation ou l’optimisation après une mise en production.

La collaboration avec des assistants peut permettre à vos employés de consacrer davantage de temps à d’autres priorités, telles que la planification de haut niveau, et faire bénéficier les postes non liés au développement des avantages de l’IA en renforçant l’efficacité des invites en langage naturel.

          GitHub CopilotLes fonctionnalités d’IA agentique sont intégrées à GitHubla plateforme cohérente, offrant une expérience utilisateur plus rationalisée et des contrôles de gestion des licences et de gouvernance simplifiés par rapport à l’adoption d’une gamme d’outils tiers.

Exemple de scénario

Vous occupez le poste de responsable ingénierie chez Mona’s, un détaillant spécialisé dans la vente de parapluies. Votre équipe a été chargée d’ajouter un widget alimenté par l’IA à la boutique en ligne de l’entreprise. Le widget aidera les clients à choisir le parapluie approprié en leur fournissant des recommandations personnalisées basées sur des facteurs tels que leur emplacement et les tendances météorologiques locales.

Afin de respecter un délai serré, vous visez à accélérer chaque étape du processus, tant pour les développeurs que pour les non-développeurs de votre équipe. Il est également important de s’assurer que l’équipe ne sera pas submergée par les tâches de maintenance une fois la nouvelle fonctionnalité déployée.

1. Planifier avec Discussion avec Copilot

1. Pour commencer la planification, un responsable de produit travaille avec Discussion avec Copilot à https://github.com/copilot.

   Ils posent Copilot des questions de haut niveau pour obtenir un sens du travail de développement requis pour la nouvelle fonctionnalité. Pour accorder Copilot l’accès à un contexte important sur le projet, ils chargent des fichiers fictifs et créent un lien vers le référentiel où le codebase est stocké.

2. Lorsque le PM a travaillé avec Copilot pour obtenir une vue d’ensemble des tâches requises, il/elle demande ensuite à Copilot de créer des tickets pour chaque partie du travail.

          Copilot rédige les problèmes dans `https://github.com/copilot`, où le PM peut les affiner et les publier dans le dépôt.
   

   Le PM marque quelques-uns des problèmes comme agréables à avoir ou maintenance. Il peut s’agir de bons candidats pour Agent cloud Copilot.

   

3. Pour aider le développeur à démarrer rapidement, le PM crée un espace avec Copilot Spaces à https://github.com/copilot/spaces. Le chef de projet rassemble des ressources telles que des diagrammes et des références à des fichiers de code, soumet quelques questions de test, puis partage l’espace avec son organisation.

   À présent, le développeur peut poser des questions dans l'espace, et Copilot disposera déjà de tout le contexte ajouté par le PM.

2. Prototype avec GitHub Spark

1. Pour prototyper la fonctionnalité, le PM ouvre GitHub Spark (https://github.com/spark) et l’invite à créer le widget. Ils peuvent écrire une invite, coller de la documentation à partir de la dernière phase ou bien charger une capture d’écran. Spark génère une application fonctionnelle avec un LLM déjà intégré pour générer des recommandations—aucun IDE ni codage requis.
2. Pour affiner le prototype, le PM peut demander Spark à nouveau, utiliser l’éditeur visuel ou modifier le code directement. Sous l’onglet « Invites », ils peuvent ajuster le texte qui alimente les recommandations sans modifier le code. Chaque modification met instantanément à jour la préversion en direct, afin que le PM puisse voir comment les modifications affectent l’application.
3. Pour collaborer, le chef de projet publie l'élément déclencheur et met à jour la visibilité afin que son organisation puisse y accéder. Ils peuvent également créer un référentiel et inviter des collaborateurs. Les modifications apportées au code dans le dépôt sont resynchronisées Spark, permettant aux concepteurs et PM de voir les mises à jour du widget en temps réel.

3. Créer avec GitHub Models et mode agent

1. Le PM partage l'espace et le prototype Copilot et le référentiel GitHub Spark avec le développeur, et lui demande de commencer par trouver le meilleur modèle d'intelligence artificielle pour fournir des recommandations de parapluie personnalisées, en fonction du coût et de l'efficacité des modèles.

2. Le développeur demande Discussion avec Copilot de recommander plusieurs modèles IA pour le travail et les avantages et inconvénients de chacun. Pour fournir un contexte utile, ils demandent Copilot de prendre en compte les informations contenues dans l’article Comparaison des modèles IAGitHub Docs .

3. Pour choisir un modèle à partir de la liste abrégée, le développeur utilise le GitHub Models terrain de jeu pour comparer les résultats de la même invite parmi les modèles. Ils peuvent ensuite également mettre à jour le prototype GitHub Spark pour utiliser le modèle spécifique qu'ils ont sélectionné afin de voir comment cela impacte toute l'expérience du widget dans le prototype (tous les modèles pris en charge dans GitHub Models sont pris en charge dans Spark). Ils gagnent du temps en testant des modèles sur une plateforme unique, plutôt que de devoir configurer une clé API pour chaque modèle séparément.

   

4. Avec le modèle décidé, le développeur ouvre le code dans VS Code.

5. Le développeur commence à écrire le code pour le nouveau widget. Pour accélérer leur travail, ils utilisent Discussion avec Copilot le mode « Poser » et « Modifier » pour les questions de syntaxe et les suggestions de haut niveau.

   Conseil

   Le développeur utilise l’IA de la manière qui lui convient le mieux, mais votre organisation garde le contrôle sur l’expérience. Vous pouvez par exemple : * Contrôler les modèles que le développeur peut utiliser pour ses travaux de développement afin de respecter les exigences de conformité et de gérer les coûts. * Excluez certains fichiers de l'accès de Discussion avec Copilot. * Enregistrez les invites effectives qui ont été testées avec GitHub Models, afin que d’autres utilisateurs puissent bénéficier.

6. Lorsque le développeur a écrit du code, il passe en mode agent pour demander Copilot à refactoriser le code en plusieurs fonctions différentes pour améliorer la lisibilité.

   En mode agent, Copilot fonctionne de manière plus autonome et est en mesure de mettre à jour plusieurs fichiers et, avec l’autorisation du développeur, exécutez des commandes pour des actions telles que l’installation de dépendances ou l’exécution de tests.

   

   Conseil

   Vous pouvez créer une expérience plus cohérente en ajoutant un fichier instructions personnalisées au référentiel. Par exemple, ce fichier pourrait contribuer à garantir que le mode agent utilise les conventions de nommage établies et exécute les commandes appropriées pour créer, tester et vérifier le code conformément aux normes de votre organisation.

7. Le développeur passe en revue les différences du travail de l’agent et choisit le code à conserver.

4. Tester avec un serveur MCP

1. Une fois le code terminé, le développeur souhaite exécuter des tests sur sa build locale du site à l’aide de Playwright, un service de test automatisé dans le navigateur.

   • Un administrateur de référentiel a ajouté le serveur MCP (Model Context Protocol) pour Playwright, ce qui donne à l’agent Copilot une interface prédéfinie pour l’intégration à Playwright.
   • Le développeur demande Copilot de décrire les scénarios de test dans un .feature fichier, puis indique Copilot d’exécuter les tests dans le navigateur.
   • En mode agent, Copilot demande au développeur d’autoriser ses actions à mesure qu’il ouvre le navigateur et clique sur différents éléments dans l’interface utilisateur. Lorsque le développeur surveille les tests dans le navigateur, Copilot identifie un test défaillant et suggère un correctif dans le code.

2. Lorsqu’ils sont satisfaits des tests, le développeur demande au mode agent d’ouvrir un pull request pour le projet sur GitHub.

   Conseil

   • Avec le serveur MCP activé, GitHub peut exécuter la commande pour ouvrir une pull request directement à partir de Copilot, avec le titre et la description déjà renseignés.
   • Les interactions avec le VS Code serveur MCP sont sécurisées par la protection Push, ce qui empêche l’inclusion des secrets dans les réponses générées par l’IA et vous empêche d’exposer des secrets via toutes les actions que vous effectuez à l’aide du serveur (référentiels publics uniquement). Consultez À propos de la protection lors du push.

5. Examiner avec GitHub et révision du code Copilot

1. Un propriétaire du référentiel a configuré des révisions de code automatiques par Copilot agents personnalisés sur le référentiel. Copilot fournit un examen initial sur la demande de tirage, en identifiant les bogues et les problèmes de performances potentiels que le développeur peut résoudre avant qu’un réviseur humain accède à la demande de tirage.
2. En guise de contrôle de conformité supplémentaire, un propriétaire d’entreprise a créé un Copilot contexte clé sur les réglementations du secteur et les stratégies internes. Le développeur sélectionne Agent personnalisé de Copilot à https://github.com/copilot/agents, invitant assistant personnalisé à examiner attentivement le pull request pour la conformité et à appliquer les modifications nécessaires avant de demander une révision humaine.
3. Le collègue du développeur examine et approuve la demande de modification. Le travail est prêt à être fusionné.

6. Optimiser avec Copilot

1. Après le lancement, le chef de produit recueille les commentaires des clients et identifie une opportunité d'améliorer les suggestions du widget en passant à une API plus fiable pour les données météorologiques. Ils créent un problème pour implémenter cette modification et l’assignent directement sur Agent cloud CopilotCopilot.

2.           GitHub fonctionne en arrière-plan et ouvre une pull request, que le gestionnaire de produits marque comme prête pour la revue.
   

   

3. Un développeur examine la pull request de Agent cloud Copilot et laisse des commentaires, que Copilot incorpore. Enfin, le développeur fusionne la demande d’extraction.

   Conseil

   Copilot est fourni avec des garde-fous par défaut. Par exemple, Agent cloud Copilot ne peut pas fusionner les pull requests par lui-même. Vous pouvez définir des protections supplémentaires pour les branches cibles à l’aide des ensembles de règles du référentiel.

4. Plus tard, alors qu’il travaille sur une autre fonctionnalité, le développeur remarque un petit bug dans le code du widget IA. Pour éviter le changement de contexte, le développeur invite Copilot à ouvrir une pull request directement depuis Copilot.

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

5.        VS Code fonctionne en arrière-plan et ouvre une pull request sur Copilot, prête à être examinée par un autre développeur.
   

7. Sécuriser avec GitHub

1. Un administrateur a activé Copilot correction automatique au référentiel, et une alerte code scanning suggère une vulnérabilité potentielle dans le code.

2. Un gestionnaire de sécurité demande code scanning de suggérer automatiquement un correctif pour la vulnérabilité, qu’un développeur examine et approuve.

   

Commencez avec l’IA agentique

          <a href="https://github.com/github-copilot/purchase?ref_product=copilot&ref_type=trial&ref_style=button&ref_plan=enterprise" target="_blank" class="btn btn-primary mt-3 mr-3 no-underline">
          <span>S’inscrire Copilot correction automatique</span><svg version="1.1" width="16" height="16" viewBox="0 0 16 16" class="octicon octicon-link-external" aria-label="link external icon" role="img"><path d="M3.75 2h3.5a.75.75 0 0 1 0 1.5h-3.5a.25.25 0 0 0-.25.25v8.5c0 .138.112.25.25.25h8.5a.25.25 0 0 0 .25-.25v-3.5a.75.75 0 0 1 1.5 0v3.5A1.75 1.75 0 0 1 12.25 14h-8.5A1.75 1.75 0 0 1 2 12.25v-8.5C2 2.784 2.784 2 3.75 2Zm6.854-1h4.146a.25.25 0 0 1 .25.25v4.146a.25.25 0 0 1-.427.177L13.03 4.03 9.28 7.78a.751.751 0 0 1-1.042-.018.751.751 0 0 1-.018-1.042l3.75-3.75-1.543-1.543A.25.25 0 0 1 10.604 1Z"></path></svg></a>

Pour commencer avec les fonctionnalités mentionnées dans cet article, utilisez les liens du tableau suivant.

Pour intégrer efficacement les fonctionnalités d’IA agentique dans vos flux de travail, il est nécessaire d’investir dans une formation efficace, une bonne gouvernance et des changements culturels. Nous vous recommandons de tester les fonctionnalités d’agent avec un groupe interfonctionnel afin de recueillir des commentaires avant un déploiement à plus grande échelle.

          [AUTOTITLE](/copilot/using-github-copilot/copilot-chat/asking-github-copilot-questions-in-github#submitting-a-question-to-copilot-chat) |