技术速递｜超越代码生成：开发者的智能体工程实践指南

MicrosoftReactor

33人浏览 · 2026-11-10 20:16:44

MicrosoftReactor · 2026-11-10 20:16:44 发布

编写代码的速度变快了，但围绕代码展开的工作并没有因此减少。了解如何借助 GitHub Copilot 完成规划、编码、代码审查和生产环境问题排查，以及哪些工作仍然需要你自己的判断。

今年 10 月，GitHub 单周提交量超过 12 亿次，比一年前增长了 400% 以上。这一周的提交量甚至超过了 GitHub 在 2025 年全年的提交总量。很可能，你现在生成的代码比一年前多得多。但不妨问问自己：你的工作效率真的比去年提高了 400% 吗？

构建软件需要的不仅仅是一个好的提示词。随着 AI 加快了实现速度，软件开发人员在其他环节面临着越来越大的压力。Faros AI 的一项研究发现，当团队从低程度采用 AI 转向高程度采用 AI 时，拉取请求的审查耗时增加了 441%。

作为一名软件开发人员，你需要收集需求、指导实现过程、审查代码变更、评估测试结果，还要排查生产环境中出现的问题。智能体可以帮助你更高效地完成这些阶段的工作：规划、构建、验证和观测。本文将带你了解如何在 GitHub 上构建一套高效的智能体工程工作流。

规划：让团队中的每个人和每个智能体保持同步

看看下面的场景是否似曾相识。你正在规划一项 API 变更。设计方案在一个工具中，兼容性要求埋在 Slack 的聊天记录里，而之前的一个拉取请求则解释了当前实现方式背后的原因。在制定一份切实可行的计划之前，你需要整合这些信息、比较不同方案，并就如何保证现有客户端继续正常运行达成一致。原本看似简单的规划任务，最终却变成了数小时的信息搜索、交叉核对和反复追问。甚至还没开始实现，你就已经筋疲力尽。

你可以借助 Copilot，将分散的上下文信息汇集到同一个地方，梳理不同方案的利弊，并将讨论结果转化为实施计划。

在团队已有的协作工具中共同制定计划。使用 Slack 或 Teams 中的 Copilot，与所有相关人员协作，包括产品经理、设计师、分析师和业务利益相关者。引入来自已连接工具的上下文信息，让团队成员共同核实假设、贡献想法并完善需求。
将达成一致的需求转化为可执行的任务。让 Copilot 创建 GitHub Issues，补充实施所需的背景信息和验收标准，并将可以独立处理的工作拆分为不同任务。
避免日常问题分类占用规划时间。使用 GitHub Agentic Workflows 为 Issue 添加标签并估算任务复杂度。将复杂度较低的任务直接分配给 Copilot 处理，把时间留给更复杂的决策。
为复杂任务制定充分的计划。在你常用的 Copilot 交互界面中使用 Plan Mode，比较不同实现方案并不断完善实施计划。在将计划交给 Copilot 开始实现之前，先由你审查并批准。

过去需要花费数天搜索信息、收集上下文的工作，现在可以转化为一份可供审查的计划、明确的验收标准以及范围清晰的 Issue。你可以将时间花在决策上，而不是信息检索上。确定实现方案后，你和智能体也已经为后续执行做好了准备。

构建：同时推进多个任务

现在，你已经准备好将计划转化为代码。但现实往往另有安排：你的智能体只完成了一半任务，下一场会议将在五分钟后开始，而你的狗已经盯着门看了二十分钟。就在会议上，有人又提出了一个实现时必须考虑的边界情况。所有人似乎都在同时需要你的帮助。你希望工作能够继续推进，但你不可能同时出现在三个地方。

你可以让工作持续推进，而不必始终守在最初开始工作的那台电脑前。

在其他设备上继续之前的对话。会话连续性允许你在不同客户端之间继续同一个 Copilot 会话，让你可以在最方便的设备上继续工作。
合上笔记本电脑后，任务仍然可以继续执行。 Copilot 在云端沙盒环境中运行任务，将执行过程从本地设备转移到云端，让你可以随时离开，并在之后重新回到会话中。
分别处理不同任务，避免代码变更相互干扰。 Copilot App 为不同会话提供相互隔离的代码仓库副本，因此，实现任务和文档更新不会共用同一个尚未完成的工作目录。
让每项任务都能继承项目知识。仓库指令可以记录项目规范和验证命令，而共享记忆则可以存储 Copilot 能够在同一代码仓库的不同任务中重复使用的有用信息。Copilot Dreaming 会检查符合条件的会话和拉取请求反馈，保持记忆内容的更新，并提出指令或技能方面的改进建议。这样，你就不必反复解释团队的工作方式，Copilot 也能在不同任务中提供更加一致的帮助。
根据任务选择合适的模型。使用 Copilot Fusion，根据任务选择模型和推理深度，并在需要时引入其他模型审查解决方案。你可以自行设置工作强度，在质量、成本和响应时间之间取得平衡。
无论使用哪种工作界面，都遵循公司的规则。企业托管设置能够将公司的策略和已配置工具应用到不同的 Copilot 交互界面中，减少你在不同客户端之间切换时的配置差异。

编写代码并不只是向大语言模型发送一条提示词，然后等待它返回结果。随着手头的工作越来越多，维持编码规范并按时交付项目也变得更加困难。Copilot 可以借助共享的项目知识，让不同任务独立推进，同时支持你在不同设备上继续之前的会话。这样，你就有更多精力处理实现过程中的决策，以及随时出现的需求变更。随着任务逐步完成，你也能获得范围明确、便于审查的代码变更。

验证：将注意力放在真正重要的地方

花了一个小时协调智能体，让它们朝着正确的方向推进后，你觉得一切似乎都进展顺利。于是，你创建了一个标记为“小型重构”的拉取请求，结果却发现它涉及 47 个文件。你原本只是想让团队审查共享验证逻辑，却发现这部分内容被埋在了所有调用该逻辑的端点更新、格式调整，以及数百行生成的测试代码之中。想到团队的审查看板上还有一长串等待处理的拉取请求，你不禁开始担心：这次变更究竟要等多久才能获得批准？

这就是前面提到的审查耗时增加 441% 在实际工作中的体现。你可以从两个方向缩短等待时间：一方面，让代码变更更便于人工审查；另一方面，让 Copilot 在审查人员打开代码差异之前，先完成常规检查和修复工作。

将大型变更拆分为多个规模更小、目标更明确的拉取请求。你和智能体可以使用堆叠式拉取请求，将存在依赖关系的工作拆分为更小的部分。这样，每个 PR 都可以独立审查，依赖关系也更加清晰。即使你的代码尚未合并，其他团队成员也可以在此基础上继续开发，从而减少团队等待时间。
在常规质量问题占用审查时间之前及时发现它们。 GitHub Code Quality 会根据编码实践和组织规范检查代码变更，在问题到达人工审查人员之前将其发现，帮助代码作者和审查人员节省时间。
根据代码变更的复杂程度提供相应的审查帮助。 Copilot 代码审查可以提供自动化反馈：对于简单变更采用较轻量的分析方式，对于复杂变更则进行更深入的分析。你可以自行设置分析深度，也可以让 Copilot 针对每个拉取请求自动选择。
扩大代码库的安全检查范围。 AI Scan 能够发现 CodeQL 覆盖范围之外的编程语言和文件中的安全漏洞。AI 密钥检测则有助于识别密码等非结构化密钥信息，这些内容可能无法通过模式匹配检测出来。
确保新增依赖符合组织规范。许可证合规性检查会在合并之前，根据公司的规则检查依赖项许可证。GitHub Package Firewall 目前面向 npm 提供公开预览版，可以阻止违反已配置安全策略的软件包下载。
处理检查结果和后续任务，不必时刻盯着每个拉取请求。 Agentic Autofix 可以针对安全问题提出修复建议，而 Agent Merge 则能够自动处理检查失败、审查意见和合并冲突，帮助拉取请求持续推进，为合并做好准备。此外，如果完成了相应配置，当验证步骤全部通过后，Copilot 甚至可以自动合并你的拉取请求。

通过拆分变更，并提前处理常规工作，可以减少反复沟通和修改的次数。审查人员就能将注意力集中在真正重要的问题上：代码是否实现了预期功能，以及可能出现哪些问题。

观测：从软件发布后的实际运行中获取经验

你的代码变更获得了批准，部署检查也全部通过，终于可以从待办清单中划掉这项任务了。然而，第二天早上，你发现值班监控面板显示间歇性超时，客服也报告说，部分大型客户受到了影响。现在，你不得不一边对比日志、发布历史和客户反馈，一边回应其他人提出的是否应该回滚的问题。此时，昨天还让人安心的“所有检查均已通过”，似乎已经没有那么令人放心了。

将运维证据与工程上下文结合起来，帮助你判断接下来应该采取什么行动。

根据真实运行情况验证原有假设。通过 Fabric 等连接器，让 Copilot 访问你的可观测性工具和业务数据，帮助分析哪些请求或客户群体受到了影响。
将发现的问题记录到能够推动后续行动的地方。让 Copilot 根据调查证据和验收标准起草一个 Issue，并加入针对已发现故障的回归测试。
将有价值的经验带入后续工作。审查 Dreaming 提出的改进建议。它会利用会话和代码仓库活动信息，帮助完善记忆、技能以及代码审查指南。

发布之后的问题排查，往往需要你在监控面板、沟通记录和提交历史之间来回切换。借助 Copilot 整合这些信息，你可以记录调查结果、创建后续 Issue，并改进未来任务可使用的指导信息。这样，你就能将更多时间用于判断需要做出哪些改变，而不是反复追溯整个调查过程。下一次制定计划时，你也可以直接从软件的真实使用情况和实际反馈中汲取经验。