GitHub Copilot با تکنیک‌های مهندسی زمینه هوشمندتر می‌شود

پیتر ژانگ
۲۲ دی ۱۴۰۴ ۲۳:۰۳

GitHub سه روش عملی را برای توسعه‌دهندگان جهت بهبود خروجی‌های کدنویسی مبتنی بر هوش مصنوعی از طریق دستورالعمل‌های سفارشی، درخواست‌های قابل استفاده مجدد و AI Agent های تخصصی فاش کرد.

GitHub توسعه‌دهندگان را به فراتر رفتن از درخواست‌های پایه با چارچوب جدیدی که آن را مهندسی متن می‌نامد، سوق می‌دهد—رویکردی سیستماتیک برای ارائه اطلاعات صحیح در زمان مناسب به دستیاران کدنویسی مبتنی بر هوش مصنوعی. راهنمای منتشر شده در ۲۲ دی ۱۴۰۴، سه تکنیک خاص برای به دست آوردن نتایج بهتر از GitHub Copilot را ترسیم می‌کند.

این مفهوم نشان‌دهنده آن چیزی است که آنکور گویال، مدیرعامل Braintrust، به عنوان آوردن "اطلاعات صحیح (در قالب صحیح) به LLM" توصیف می‌کند. این موضوع کمتر درباره عبارت‌پردازی هوشمندانه و بیشتر درباره ارائه داده‌های ساختاریافته است.

سه تکنیک که واقعاً کار می‌کنند

هارالد کیرشنر، مدیر ارشد محصول در مایکروسافت با تخصص عمیق در VS Code و Copilot، این رویکرد را در پاییز گذشته در GitHub Universe ارائه کرد. سه روش:

دستورالعمل‌های سفارشی به تیم‌ها اجازه می‌دهند قراردادهای کدنویسی، استانداردهای نام‌گذاری و سبک‌های مستندسازی را تعریف کنند که Copilot به طور خودکار از آن‌ها پیروی می‌کند. این‌ها در فایل‌های .github/copilot-instructions.md یا تنظیمات VS Code قرار دارند. فکر کنید: چگونه کامپوننت‌های React باید ساختار یابند، چگونه خطاها در سرویس‌های Node مدیریت می‌شوند، یا قوانین قالب‌بندی مستندات API.

درخواست‌های قابل استفاده مجدد وظایف مکرر را به دستورات استاندارد تبدیل می‌کنند. ذخیره شده در .github/prompts/*.prompts.md، این‌ها می‌توانند از طریق دستورات اسلش مانند /create-react-form فعال شوند. تیم‌ها از آن‌ها برای بررسی کد، تولید تست و داربست پروژه استفاده می‌کنند—همان اجرا در هر بار.

AI Agent های سفارشی شخصیت‌های تخصصی هوش مصنوعی با مسئولیت‌های تعریف شده ایجاد می‌کنند. یک AI Agent طراحی API رابط‌ها را بررسی می‌کند. یک AI Agent امنیتی تحلیل استاتیک را مدیریت می‌کند. یک AI Agent مستندسازی نظرات را بازنویسی می‌کند. هر کدام می‌توانند ابزارها، محدودیت‌ها و مدل‌های رفتاری خود را داشته باشند، با قابلیت انتقال بین AI Agent ها برای گردکارهای پیچیده.

چرا این موضوع اکنون اهمیت دارد

مهندسی متن در اوایل سال ۲۰۲۶ در سراسر صنعت هوش مصنوعی جذابیت قابل توجهی به دست آورده است، با بحث‌های متعدد متمرکز بر سازمان که در همان هفته راهنمای GitHub ظهور کرده‌اند. این رشته به یک محدودیت اساسی می‌پردازد: LLM ها هنگامی که اطلاعات پس‌زمینه ساختاریافته و مرتبط به جای پرس‌وجوهای خام به آن‌ها داده می‌شود، به طور چشمگیری بهتر عمل می‌کنند.

تولید تقویت شده با بازیابی (RAG)، سیستم‌های حافظه و هماهنگی ابزار همگی تحت این چتر قرار می‌گیرند. هدف فقط خروجی کد بهتر نیست—کاهش درخواست‌های رفت و برگشتی است که جریان توسعه‌دهنده را از بین می‌برد.

برای تیم‌هایی که قبلاً از Copilot استفاده می‌کنند، مزیت عملی ثبات در مخازن و شروع سریع‌تر است. توسعه‌دهندگان جدید تنظیمات مهندسی متن را به ارث می‌برند به جای یادگیری دانش قبیله‌ای درباره "نحوه صحیح درخواست از Copilot."

مستندات GitHub شامل راهنماهای راه‌اندازی برای هر تکنیک است، که نشان می‌دهد شرکت مهندسی متن را به عنوان یک شایستگی اصلی برای توسعه با کمک هوش مصنوعی در آینده می‌بیند.

منبع تصویر: Shutterstock