В последние годы искусственный интеллект всё активнее внедряется в процесс разработки программного обеспечения, трансформируя этот традиционный вид деятельности. Одним из ярких примеров является GitHub Copilot в режиме Agent Mode – продвинутый инструмент, созданный для помощи разработчикам и другим участникам проекта. Недавно команда компании Rightmove провела два специализированных воркшопа, целью которых было изучить, как именно Copilot Agent Mode может поддержать инженерные задачи и повседневные рабочие процессы. Изначально идея была проста, но амбициозна – решить реальные задачи из Jira, не используя клавиатуру для кодирования, а только через подсказки AI. Такой необычный подход позволил глубже понять, какие возможности и ограничения у инструмента на практике.
Участниками обучающих сессий стали специалисты с разным опытом и разной ролью в процессе разработки – от фронтенд- и бэкенд-инженеров до менеджеров продуктов, специалистов по контролю качества, бизнес-аналитиков и приложенческих аналитиков. Каждая команда получала час на решение задачи, после чего следовало 20 минут презентаций для обсуждения результатов. Это позволило собрать объективную обратную связь и понять, как AI-инструмент действует в самых разных контекстах. Главной причиной организации таких воркшопов стала растущая роль AI-технологий в разработке и необходимость научиться эффективно ими пользоваться. Команде хотелось не только получить первые впечатления, но и выработать навыки точного формирования запросов (prompt engineering), понять, насколько Copilot реально помогает решать задачи и где он может подводить, а также выстроить стратегию внедрения искусственного интеллекта в повседневную работу.
Задачи для экспериментов подбирались специально с учетом разнообразия – это были улучшения, исправления багов, решение технического долга и разработка новых функций. При этом учитывался баланс между старыми и современными частями системы, чтобы проверить, как Copilot справляется с разными по сложности и структуре кодовыми базами. Организация воркшопов состояла в использовании онлайн-досок, где участники могли выбирать задачи и вести заметки о ходе решения. Такой подход позволял контролировать дублирование усилий и собирать полноту опыта по решениям и трудностям. Результаты работы показали, что GitHub Copilot действительно оказывает значительную поддержку в ряде направлений.
Особенно он оказался незаменим для ускорения мелких изменений: переименование констант, удаление устаревших элементов кода или создание юнит-тестов проходили быстро и без ошибок. Это существенно сокращало рутинную работу и освобождало время разработчиков для более сложных вызовов. Кроме того, Copilot успешно справлялся с генерацией типового кода, особенно в новых проектах с четко прописанными стандартами. Это повысило однородность кода и позволило разработчикам меньше тратить время на повторяющиеся шаблоны и конфигурации. Один из неожиданных и полезных кейсов – использование Copilot для изучения кода, с которым команда не была знакома.
Разработчики часто использовали инструмент для разъяснений, запрашивая простое и понятное объяснение сложных участков. Такие возможности открыли новые грани взаимодействия с кодом и помогли быстрее включаться в работу с чужими проектами. Важно отметить, что искусственный интеллект полезен не только в написании кода. Участники отметили ценность Copilot в формировании принимаемых критериев, структурировании историй в Jira и написании документации. Таким образом, AI стал универсальным помощником, затрагивая различные аспекты жизненного цикла продукта, а не ограничиваясь исключительно разработкой.
Однако, несмотря на большинство положительных откликов, Copilot не лишен недостатков. В первую очередь были выявлены проблемы с недостатком контекста: инструмент иногда не усваивал особенности проекта, особенно если база кода была устаревшей или имела нестандартные паттерны. Это приводило к ошибочным предположениям, неверному расположению кода или непониманию сути запроса. Проблемы с корректностью тестов и форматированием также появлялись регулярно. Несмотря на автоматическую генерацию, код мог не соответствовать стандартам компании и требовал ручной проверки.
Еще одним моментом были излишние изменения, когда AI выходил за границы поставленной задачи. Это подчеркнуло важность четких, хорошо сформулированных и ограничивающих подсказок для достижения нужного результата. Одним из главных выводов тренингов стало то, что навык prompt engineering — формулировка запросов к AI — является ключевым для эффективного использования Copilot. Чем точнее и яснее формулировался запрос, тем лучше оказывался результат. Использование простых команд типа «ничего не менять кроме предложенного» значительно уменьшало ошибки и побочные эффекты.
Наличие современного, хорошо структурированного и чистого кода также имеет огромное значение. В таких проектах AI-ассистент проявлял себя максимально эффективно, тогда как работа с устаревшими или плохо поддерживаемыми частями системы осложняла взаимодействие. Интересно, что не только программисты увидели пользу в Copilot. Менеджеры проектов, аналитики и другие специалисты тоже оценили возможности инструмента для создания пользовательских историй и лучшего понимания технических деталей. Это говорит о потенциале расширения роли AI во многих областях IT-команд, выходя за рамки классического кодирования.
Ключом к успешному внедрению стала доверенность. Участникам было важно увидеть работу инструмента вживую, со всеми его сильными и слабыми сторонами. Реальный опыт, «как есть», помог развить здоровое отношение к возможностям и ограничениям Copilot, что сделало последующее использование более осмысленным и ответственным. Еще один интересный момент — выбор модели AI. В ходе воркшопов отмечалось, что различные модели дают разный результат в зависимости от задачи и контекста.
Например, команда заметила, что Claude Sonnet 3.5 зачастую справлялся с начальным вводом лучше, чем GPT-4.1, что повлияло на предпочтения специалистов. Касательно практической пользы GitHub Copilot Agent Mode показал, что он способен не только ускорить рутинные процессы, но и повысить качество работы, если учесть ключевые моменты взаимодействия с ним. Постоянное развитие навыков работы с AI, улучшение качества кода и грамотный выбор инструментов в связке с доверительной культурой и образованием внутри команды — формула успешного использования AI-ассистентов.
