超越代码生成：开发者的智能体工程指南

今年十月，GitHub 在一周内见证了超过 12 亿次提交——比一年前增长了 400% 以上。这比 GitHub 在 2025 年全年收到的提交还要多。很有可能，你现在生成的代码比一年前更多。但问问自己：你觉得自己比去年高效了 400% 吗？

构建软件不仅仅需要一个好的提示词。随着 AI 加速实现过程，软件开发人员在其他环节感受到的压力越来越大：Faros AI 的一项研究发现，当团队从低 AI 采用率转向高 AI 采用率时，拉取请求在审查环节停留的时间延长了 441%。

作为软件开发人员，你需要收集需求并引导实现、审查变更并评估测试结果，然后调查生产环境中发生的情况。智能体可以帮助你在所有这些阶段更高效地工作：规划、构建、验证和观察。我们将带你了解在 GitHub 上高效的智能体工程工作流是什么样的。

规划：让每个人和每个智能体达成共识

看看这是否似曾相识。你正在规划一次 API 变更。设计在一个工具里，兼容性要求埋在 Slack 里，而一个旧的拉取请求解释了当前实现为何如此工作。在写出有用的计划之前，你需要把这些细节串联起来，比较各种方案，并就现有客户端如何继续工作达成一致。看起来简单的规划任务变成了数小时的搜索、交叉核对和追查答案。还没开始实现，你就已经精疲力竭了。

你可以使用 Copilot 将这些分散的上下文汇集到一处，权衡各种取舍，并将决策转化为实现计划。

• 在团队已经工作的地方共同规划。使用 Slack 或 Teams 中的 Copilot 与所有相关人员协作——从产品经理和设计师到分析师和业务利益相关者。引入来自已连接工具的上下文，让团队能够检查假设、贡献想法并共同完善需求。
• 将达成一致的需求转化为可执行的工作。让 Copilot 创建 GitHub Issues，包含实现所需的上下文和验收标准，并拆分出可以单独处理的任务。
• 避免例行分诊占用规划时间。使用 GitHub Agentic Workflows 为你的议题打标签并估算任务复杂度。将低复杂度任务直接分配给 Copilot，然后把时间花在更难的决策上。
• 为复杂工作提供所需的规划。在你偏好的 Copilot 界面中使用 Plan Mode 比较各种方案并完善实现计划。在将计划交给 Copilot 开始实现之前，先审查并批准该计划。

过去需要数天搜索和收集上下文的工作，现在能产出可审查的计划、明确的验收标准和范围清晰的议题，你的时间花在决策上而不是检索上。然后，一旦你确定了方案，你就已经为自己和你的智能体做好了实现计划的准备。

构建：同时推进多个任务

你已准备好将计划转化为代码。但生活总有别的安排。你的智能体任务进行到一半，下一场会议五分钟后开始，而你的狗已经盯着门看了二十分钟。接着会上有人指出实现需要处理的一个边缘情况。所有人都同时需要你。你想继续推进，但无法同时身处三地。

你可以让工作继续推进，而不必被束缚在最初开始的那台电脑上。

• 从另一台设备继续对话。 会话连续性让你可以在不同客户端之间接续同一个 Copilot 会话，因此你可以在最方便的地方工作。
• 合上笔记本电脑后工作仍可继续。 Copilot 在云沙箱中运行任务，执行不占用你的机器，你可以离开之后再回到会话。
• 处理不同任务而不混淆各自的修改。 Copilot 应用为每个会话提供仓库的隔离副本，因此实现任务和文档更新不会共享未完成的工作树。
• 将项目知识带入每项任务。 仓库指令记录约定和验证命令，而共享记忆存储 Copilot 可在仓库中复用的事实。Copilot Dreaming 会审查符合条件的会话和拉取请求反馈，以保持记忆最新，并提出指令或技能更新建议。这意味着你花更少时间重复解释团队的工作方式，Copilot 在各任务中提供更一致的帮助。
• 让模型匹配工作。 选择 Copilot Fusion 为任务挑选模型和推理深度，需要时引入额外模型来审查解决方案。你可以设置投入级别，以平衡质量、成本和响应时间。
• 无论在哪里工作都遵循公司规则。 企业管理设置将公司策略和已配置的工具带到各个 Copilot 界面，减少你在不同客户端之间切换时的设置差异。

编写代码不只是向 LLM 抛出一个提示然后看看返回什么。而且随着你手头的工作比以往更多，维持编码标准并按时交付项目可能变得困难。Copilot 借助共享项目知识帮助任务独立推进，同时让你跨设备从上次中断处接续会话。这为你留出更多空间来处理实现决策并应对随时出现的变化。当工作完成时，你已有聚焦的更改可供审查。

验证：把注意力花在关键之处

花了一个小时引导你的智能体朝正确方向推进后，你以为大家都已进入良好状态。于是你打开一个标记为“小型重构”的拉取请求。它改动了 47 个文件。你想获得关于共享验证逻辑的反馈，但它淹没在对每个调用它的端点的更新、格式变更以及数百行生成的测试之中。想到团队审查板上无穷无尽的拉取请求列表，你不禁琢磨获得批准要等多久。

那个审查队列就是实践中的 441%。你可以从两端缩短等待：让你的更改更易于人工审查，并让 Copilot 在任何人打开差异之前完成例行检查和修复。

• 堆叠更小、更聚焦的拉取请求，而不是创建一个单一的大规模变更。 你和你的智能体可以使用堆叠拉取请求将相互依赖的工作拆分成更小的部分。这样每个 PR 都能独立审查，保持依赖关系可见，并让团队能在你的工作合并之前基于它继续构建，从而解除阻塞。
• 在常规质量问题消耗审查时间之前将其捕获。 GitHub Code Quality 会根据编码实践和组织的标准检查变更，在问题到达人工审查者之前将其捕获，为作者和审查者节省时间。
• 获得与变更相匹配的审查帮助。 Copilot 代码审查提供自动化反馈，对简单变更进行较轻量的分析，对复杂变更进行更深入的分析。你可以自行设置分析深度，或让 Copilot 为每个拉取请求选择深度。
• 在更多代码库范围内检查安全性。 AI Scan 能在 CodeQL 覆盖范围之外的语言和文件中发现漏洞。AI 密钥检测有助于识别模式匹配可能遗漏的非结构化密钥，例如密码。
• 让新依赖项符合策略。 许可证合规会在合并前根据公司规则检查依赖项许可证。GitHub 包防火墙目前针对 npm 处于公开预览阶段，可以阻止违反已配置安全策略的下载。
• 解决发现的问题和后续工作，而无需照看每一个拉取请求。 Agentic Autofix 会针对安全问题提出修复方案，而 Agent Merge 会自动处理失败的检查、审查评论和合并冲突——帮助你保持拉取请求持续推进，并为合并做好准备。此外，如果你进行了配置，Copilot 甚至会在你的验证步骤通过后合并你的拉取请求。

更小的变更加上已处理好的常规工作，意味着更少的来回沟通。你的审查者可以将注意力集中在代码是否实现了你的意图，以及可能出现什么问题。

观察：从发布后发生的事情中学习

你的变更获得批准，部署检查通过，你终于可以把它从清单上划掉了。第二天早上，你的值班仪表盘显示间歇性超时，支持团队报告有少数大客户受到影响。现在你一边对比日志、发布历史和客户报告，一边有人问你是否应该回滚。“所有检查均已通过”听起来不像昨天那么令人安心了。

将运维证据和工程上下文结合起来，以便你决定该怎么做。

• 用真实行为检验假设。 通过 连接器（例如 Fabric）访问你的可观测性工具和业务数据后，Copilot 可以帮助调查哪些请求或客户群体受到影响。
• 将发现记录在有人可以采取行动的地方。 让 Copilot 起草一个包含支持证据和验收标准的问题，其中包括针对你所发现的故障的回归测试。
• 将有用的经验带入未来的工作。 查看 Dreaming 提出的改进建议，它利用会话和仓库活动来帮助完善记忆、技能和代码审查指导。

发布之后弄清楚发生了什么，可能会让你在仪表盘、对话和提交历史之间来回切换。有了 Copilot 帮助串联这些信息，你可以记录发现的问题、创建后续 issue，并改进可供未来任务使用的指导。你会花更多时间决定需要改变什么，花更少时间重新梳理调查过程。而你的下一个计划，将从你从人们实际使用的软件中学到的东西开始。

从哪里开始

拿一件已经在你手上的工作，把目光投向编码任务之外。它需要什么上下文？你将如何审查和测试它？发布之后你如何知道它奏效了？

你不必一次性改变整个流程。从这周最让你头疼的事情开始，让一个 agent 来处理它。然后随着时间推移扩展到流程的其他部分。一旦 agent 在整个工作流中提供帮助，你或许终于会感觉自己像提交次数所显示的那样高效。

我们在 GitHub Universe 2026 的“Agentic Engineering: Past the Pilot”中现场讨论了这个话题。

开始使用 Copilot >

文章 Beyond code generation: A developer’s guide to agentic engineering 首次出现在 The GitHub Blog。