Vlastní agenti ve Visual Studiu a VS Code: kompletní průvodce

Home » PYTHON » Vlastní agenti ve Visual Studiu a VS Code: kompletní průvodce

Agenti s umělou inteligencí mění způsob, jakým vývojáři pracují ve Visual Studiu a VS Code, a posouvají se daleko za hranice jednoho obecného asistenta k bohatému ekosystému specializovaných, přizpůsobitelných pomocníků. Místo pouhého odpovídání na otázky v okně chatu mohou tito agenti plánovat práci, upravovat kód napříč vaším řešením, spouštět nástroje a dokonce koordinovat práci s cloudovými službami nebo externími znalostními bázemi, aby mohli skutečné funkce dodávat komplexně.

Když zkombinujete vestavěné agenty, lokální a cloudové režimy spouštění a plně přizpůsobitelné profily agentů definované ve vašich repozitářích, získáte flexibilní rámec, který se přizpůsobí pracovním postupům vašeho týmu, a nenutí vás k jedinému způsobu práce. Od ladění a profilování až po automatizované testování, modernizaci, dokumentaci a kontrolu kódu propojenou s vašimi interními standardy, vlastní agenti ve Visual Studiu a VS Code vám poskytují způsob, jak kódovat a škálovat vaše osvědčené postupy přímo do IDE.

Přednastavení agenti ve Visual Studiu: specializovaní pomocníci pro běžné pracovní postupy

Visual Studio se dodává s upravenou sadou přednastavených agentů, kteří jsou hluboce propojeni s vývojovým prostředím (IDE), přičemž každý z nich je zaměřen na specifickou část vývojového cyklu. Tito agenti jdou daleko za rámec obecného modelu chatu, protože mohou přímo z vašeho řešení využívat zásobníky volání, diagnostiku, trasování profilerů, grafy projektů a testovací infrastrukturu.

Ladicí agent je zaměřen na systematickou analýzu chyb a využívá váš běhový kontext, místo aby vám jen papouškoval chybovou zprávu. Dokáže kontrolovat zásobníky volání, lokální proměnné a diagnostický výstup, aby krok za krokem procházel chybami, často sledujíc chybu napříč více soubory nebo vrstvami, dokud nenajde skutečnou příčinu, nikoli viditelný příznak.

Agent Profiler je úzce propojen s profilovacím zásobníkem sady Visual Studio, takže doporučení ohledně výkonu vycházejí ze skutečných cest kódu a aktivních bodů. Místo obecných tipů pro ladění zkoumá relace profileru, zdůrazňuje skutečná úzká hrdla a navrhuje cílené optimalizace, které odpovídají architektuře a technologickému stacku vašeho projektu.

Testovací agent (k dispozici po načtení řešení) se zaměřuje na generování a vylepšování jednotkových testů, které odpovídají rámcům a konvencím vašeho projektu. Spíše než aby se vyhazovaly standardizované testy, které vaše CI okamžitě označí, učí se z vašich stávajících vzorců a využívá tento kontext k vytváření realistických a udržovatelných testů, které se zapojí do vašich procesů.

Agent Modernize (pro projekty .NET a C++) je navržen tak, aby vedl upgrady frameworku a závislostí v celém grafu vašeho řešení. Dokáže odhalit zásadní změny, navrhnout migrační kód a přizpůsobit se vašim kódovacím vzorcům tak, aby modernizace působila jako asistovaný refaktoring, nikoli jako riskantní ruční přepisování.

K těmto přednastaveným agentům se dostanete prostřednictvím výběru agentů v panelu chatu nebo pomocí syntaxe '@' přímo v chatu. Přepínání mezi nimi umožňuje aplikovat na stejnou kódovou základnu jinou „personu“ – například přejít z konverzace zaměřené na ladění na konverzaci zaměřenou na testování nebo výkon, aniž by se ztratil kontext.

Od přednastavených k vlastním: vytváření vlastních agentů na platformě

Přednastavení agenti pokrývají nejběžnější pracovní postupy, ale skutečná síla se projeví, když si definujete vlastní agenty, kteří odpovídají tomu, jak váš tým skutečně pracuje. Visual Studio a GitHub Copilot sdílejí společný základ pro agenty: modely s ohledem na pracovní prostor, které rozumí vašemu kódu, mohou volat nástroje IDE prostřednictvím výzev a lze jim přiřadit vyhrazenou roli, model a sadu nástrojů.

Vlastní agenti jsou definováni jako profily Markdown (obvykle s .agent.md přípona) uložená pod agents složku ve vašem repozitáři nebo profilu. V projektech hostovaných na GitHubu to obvykle znamená .github/agents/your-agent.agent.md, ale na úrovni organizace nebo podniku můžete použít nejvyšší úroveň agents adresář bez .github/ prefix, aby bylo možné stejného agenta znovu použít v mnoha repozitářích.

Uvnitř každého profilu agenta deklarujete blok YAML frontmatter, který specifikuje jeho identitu, schopnosti, nástroje a volitelnou konfiguraci MCP. Mezi typické vlastnosti patří šetrnost k člověku namekrátký description shrnutí toho, co agent dělá, seznam tools může volat, volitelné mcp-servers záznamy, preferovaný model, volitelný target (například vscode or github-copilot) a poté hlavní instrukční zprávu, která definuje, jak by se měl agent chovat.

Sekce zprávy v oblasti Markdown pod YAML se pro daného agenta chová jako dlouhý systémový výzva. Používáte ho k popisu tónu, priorit, standardů kódování, kontrolních seznamů, očekávání testování nebo jakýchkoli jiných pravidel, která má agent důsledně dodržovat, a to až do velkorysého limitu znaků (kolem 30 000 znaků), který umožňuje kódovat poměrně složité chování.

Pravidla pro pojmenování souborů jsou přísná, aby se zajistila robustnost a přenositelnost. Název souboru (před .agent.md) musí být jedinečné a popisné a může obsahovat pouze znaky, jako například písmena (a-z, A-Z), číslice (0-9), tečky, pomlčky a podtržítka, což pomáhá předcházet problémům napříč nástroji a platformami.

MCP a externí znalosti: propojení agentů s mozkem vaší společnosti

Vlastní agenti se skutečně projeví, když je propojíte s externími zdroji znalostí prostřednictvím protokolu MCP (Model Context Protocol). Místo omezení agenta na to, co je uvnitř vašeho repozitáře, mu MCP umožňuje komunikovat s interními dokumentačními systémy, knihovnami návrhů, API nebo databázemi jako s prvotřídními nástroji.

V profilu agenta můžete konfigurovat mcp-servers položky, aby pouze daný agent mohl volat konkrétní nástroje MCP. Například agent pro vynucování návrhu může mít připojení k serveru MCP podporovanému platformou Figma, zatímco agent pro dodržování předpisů může komunikovat s databází politik; tyto nástroje se nebudou prolínat s jinými agenty, pokud je explicitně nepovolíte.

Týmy již tyto funkce využívají k vytváření specializovaných pracovních postupů přizpůsobených jejich organizacím. Jedním běžným vzorem je agent pro kontrolu kódu, který vyhodnocuje pull requesty nejen podle obecných osvědčených postupů, ale také podle vaší interní stylistické příručky nebo záznamů o architekturních rozhodnutích, které jsou k dispozici prostřednictvím MCP.

Dalším oblíbeným scénářem je vynucení návrhového systému, kdy je agent propojen s vašimi návrhovými prvky a knihovnami komponent. Tento agent může volat nástroje podporované soubory Figma nebo registry komponent uživatelského rozhraní, aby označil vizuální nebo strukturální odchylku ještě předtím, než se dostane do produkčního prostředí, a tím postrčil vývojáře zpět ke schváleným vzorům.

Plánovací agenti také získávají na popularitě a zaměřují se čistě na vyhledávání a vymezování rozsahu dat ještě před napsáním jakéhokoli kódu. Tito agenti shromažďují požadavky, kladou upřesňující otázky, zkoumají okrajové případy a poté vytvářejí strukturované implementační plány, které můžete předat k provedení buď člověku, nebo akčně orientovanému kódovacímu agentovi.

Pokud hledáte hotové příklady, komunitou spravovaný repozitář „awesome-copilot“ nabízí rostoucí kolekci konfigurací agentů. Můžete je naklonovat jako výchozí body, ale stále je třeba zkontrolovat, zda názvy nástrojů skutečně existují ve vašem prostředí Visual Studia nebo VS Code, protože identifikátory nástrojů se liší mezi platformami GitHub.com, VS Code, JetBrains IDE a dalšími.

Jak se autonomní agenti chovají napříč nástroji a prostředími

Na koncepční úrovni je „agent“ asistent s umělou inteligencí, který dokáže autonomně provádět kódovací úkol, spíše než jen navrhovat úryvky kódu přímo v textu. Zadáte cíl na vysoké úrovni („opravit neúspěšné testy“, „implementovat tuto funkci“) a agent ho rozdělí na kroky, upraví soubory, spouští příkazy a iteruje, když něco selže, a často končí commitem nebo pull requestem.

VS Code toto agentní chování zpřístupňuje několika způsoby, od interaktivního chatu v editoru až po automatizaci na pozadí prostřednictvím rozhraní Copilot CLI. Agenti mohou běžet lokálně na vašem počítači, ve vzdálených cloudových prostředích nebo prostřednictvím externích poskytovatelů, jako je Anthropic nebo OpenAI, a v každém případě se rozhodnout, jakou autonomii mají a které nástroje mohou volat.

Všechny vaše probíhající relace se zobrazují v jednotném seznamu relací v zobrazení Chat, bez ohledu na to, kde agent aktuálně běží. Díky tomu je snazší sledovat více dlouhodobě běžících úkolů, přecházet mezi nimi a udržovat souvislou historii aktivit.

Agenti fungují ve dvou hlavních dimenzích: kde běží (lokální vs. cloud) a jak s nimi interagujete (plně interaktivní vs. převážně autonomní). Místní agenti používají smyčku agentů VS Code k práci přímo ve vašem editoru s bohatým přístupem k vašemu pracovnímu prostoru; agenti Copilot CLI běží na pozadí vašeho počítače a mohou používat pracovní stromy Gitu; cloudoví agenti běží na infrastruktuře GitHubu a úzce se integrují s pull requesty pro spolupráci.

K dispozici je také podpora pro agenty „třetích stran“, kteří se spoléhají na SDK od poskytovatelů, jako jsou Anthropic nebo OpenAI, a dále… Vývoj API a agentní umělá inteligence. Ty mohou běžet lokálně nebo ve vašem vlastním cloudu, což vám dává větší kontrolu nad hranicemi dat a zároveň vám umožňuje využívat stejných vzorců pro správu chatu a relací jako ve VS Code.

Agenti fungují ve dvou hlavních dimenzích: kde běží (lokální vs. cloud) a jak s nimi interagujete (plně interaktivní vs. převážně autonomní). Místní agenti používají smyčku agentů VS Code k práci přímo ve vašem editoru s bohatým přístupem k vašemu pracovnímu prostoru; agenti Copilot CLI běží na pozadí vašeho počítače a mohou používat pracovní stromy Gitu; cloudoví agenti běží na infrastruktuře GitHubu a úzce se integrují s pull requesty pro spolupráci.

Výběr správné role agenta a úrovně oprávnění

Pokud typ agenta definuje, kde práce probíhá, persona agenta definuje, jak je tato práce prováděna. Agent pro kontrolu kódu je konfigurován tak, aby komentoval kvalitu a styl, ale ne aby měnil soubory, zatímco implementační agent je oprávněn upravovat kód, spouštět příkazy a volat mnoho nástrojů dle vlastního uvážení.

VS Code nabízí jako základ tři vestavěné persony agentů: Agent, Plan a Ask. Hlavní role agenta se zaměřuje na komplexní implementaci, orchestraci nástrojů a změny ve více souborech; Plan vytváří strukturované, podrobné plány bez úprav kódu; Ask odpovídá na otázky týkající se vaší kódové základny nebo technologických témat a může vám navrhnout bloky kódu k ručnímu použití.

Mezi těmito personami můžete kdykoli přepínat pomocí rozbalovací nabídky agentů v zobrazení Chat a pro specializovanější postupy si můžete definovat vlastní agenty s jejich vlastními rolemi a sadami nástrojů. Díky tomu je snadné oddělit například konzervativního kontrolního agenta od agresivního refaktorovacího agenta, přičemž každý z nich je vyladěn pro svůj vlastní účel.

Protože agenti mohou volat nástroje a spouštět příkazy shellu autonomně, VS Code přidává vrstvu oprávnění, která kontroluje, kolik svobody získají v každé relaci. Pomocí výběru oprávnění můžete rozhodnout, zda každé volání nástroje vyžaduje váš explicitní souhlas, zda potvrzení vyžadují pouze riziková volání, nebo zda agent může běžet v téměř plně automatizovaném režimu „autopilota“.

Výchozí režim schvalování obvykle považuje nástroje určené pouze pro čtení a zjevně bezpečné nástroje za předem schválené a zároveň vás vyzve k akcím, které by mohly upravovat soubory nebo spouštět příkazy. Funkce Obejití schválení maximalizuje rychlost automatickým schvalováním všeho; Autopilot (momentálně v náhledu) jde ještě dál tím, že schvaluje jak nástroje, tak automatické odpovídá na dotazy s vysvětlením, takže agent může pracovat, dokud úkol nepovažuje za dokončený.

Předávání práce mezi agenty a přidělování úkolů

Jedním z výkonnějších vzorů pro agenty ve VS Code je možnost předat relaci od jednoho agenta k druhému. To umožňuje pracovní postupy, jako je použití lokálního agenta plánování k definování složité funkce, následné předání tohoto plánu agentovi CLI Copilot k lokálnímu prototypování a nakonec odeslání výsledku cloudovému agentovi, který otevře žádost o změny na GitHubu.

Když změníte typ agenta z rozbalovací nabídky relace, VS Code vytvoří novou relaci, která zdědí celou historii a kontext chatu. Konverzace původního agenta je archivována pro referenci, zatímco nový agent pokračuje ze stejného výchozího bodu, ale s jinou rolí nebo prostředím pro provádění.

Z rozhraní příkazového řádku Copilot můžete explicitně delegovat práci cloudovému agentovi pomocí /delegate příkaz v chatu. Můžete přidat další pokyny pro doladění toho, na co by se měl přijímající agent zaměřit, což je užitečné při přechodu z průzkumné práce na změny připravené k produkci.

Hluboká integrace s problémy a pull requesty na GitHubu znamená, že můžete agentům přiřadit úkoly kódování, aniž byste opustili svůj běžný pracovní postup. Přiřazením problému copilot nebo zmínkou kódovacího agenta Copilot v komentáři můžete požádat o změny kódu nebo kontroly, které respektují nakonfigurovaný profil agenta.

V IDE, které podporují rozšíření GitHub Pull Requests, můžete dokonce požádat agenty o implementaci. TODO komentáře přímo od editora. To efektivně promění rozptýlené značky TODO do fronty strukturovaných úkolů, které může kódovací agent vyzvednout, implementovat a odeslat zpět jako commity nebo PR.

Vytváření a konfigurace vlastních agentů v GitHubu a IDE

Nastavení vlastního agenta obvykle začíná na GitHub.com nebo ve vašem IDE, kde si vytvoříte nový profil agenta v příslušném agents adresáře. Na GitHub.com je v sekci Copilot vyhrazená záložka „agenti“, která umožňuje vytvořit profil šablony ve vybraném repozitáři a větvi.

Když na kartě Agenti GitHubu vytvoříte nového agenta, platforma vygeneruje soubor šablony, obvykle s názvem my-agent.agent.md, v repozitářích .github/agents složka. U agentů na úrovni organizace nebo podniku odeberete .github/ část cesty a umístěte soubor pod nejvyšší úroveň agents adresář, aby jej bylo možné použít ve více projektech.

Dalším krokem je přejmenování souboru na něco smysluplného a jedinečného, ​​a to v souladu s povolenou znakovou sadou. Jasný název souboru usnadňuje členům týmu pochopení účelu agenta a jeho správný výběr z rozbalovacích seznamů později na GitHub.com nebo v chatovacích rozhraních IDE.

Jakmile je soubor na místě, upravte úvodní soubor YAML a nakonfigurujte název agenta, popis, nástroje a volitelný model a konfiguraci MCP serveru. Popis je povinný a měl by stručně uvádět, pro co je agent optimalizován – kontroly výkonu, posílení API, generování testů, validaci specifickou pro doménu atd.

Po potvrzení a sloučení profilu agenta s výchozí větví se nový agent zobrazí v rozbalovací nabídce agentů všude, kde je k dispozici rozhraní kódovacího agenta Copilot. To zahrnuje GitHub.com, rozhraní Copilot CLI a podporovaná IDE, takže jedna definice agenta může zajistit konzistentní chování napříč všemi těmito platformami.

Práce s vlastními agenty ve VS Code

VS Code umožňuje obzvláště snadné vytváření a úpravy vlastních agentů přímo ze zobrazení Chat. Ve spodní části panelu chatu se nachází rozbalovací nabídka agentů, která obsahuje možnost konfigurace vlastních agentů a také zkratku pro vytvoření nového.

Když se rozhodnete vytvořit nového vlastního agenta ve VS Code, rozhodnete se, kde se má jeho profil nacházet: v aktuálním pracovním prostoru nebo ve vašem uživatelském profilu. Agent na úrovni pracovního prostoru je vymezen pro daný projekt. .github/agents složku, zatímco agent uživatelského profilu se nachází ve vaší osobní konfiguraci a je k dispozici ve všech otevřených pracovních prostorech.

Poté zadáte název souboru pro nový profil agenta; to je také výchozí popisek, který se zobrazí v rozevírací nabídce agentů. VS Code otevře nově vytvořený .agent.md soubor, abyste mohli vyplnit instrukce YAML a Markdownu popisy, nástroji a případnými výzvami k chování, které potřebujete.

Editor nabízí tlačítko „Konfigurovat nástroje…“, které otevře specializovaný dialog se seznamem všech nástrojů dostupných agentům ve vašem prostředí. Patří sem vestavěné nástroje, nástroje poskytované MCP a nástroje pocházející z nainstalovaných rozšíření; vy si vyberete ty, které chcete, a VS Code za vás zapíše odpovídající položky do profilu agenta.

Chcete-li ovládat, na který model umělé inteligence se agent spoléhá, ​​můžete přidat model: vlastnost v YAML a poté pomocí automatického dokončování vybrat ze sady podporovaných modelů. Díky tomu je například snadné poskytnout náročnému refaktoringovému agentovi přístup k výkonnějšímu modelu a zároveň ponechat lehkého Q&A agenta na menším a levnějším modelu.

Aktualizace stávajícího agenta je stejně jednoduchá: z rozbalovací nabídky agentů vyberte „Konfigurovat vlastní agenty…“ a poté vyberte profil, který chcete upravit. VS Code otevírá podkladový kód .agent.md soubor a po úpravě a uložení se změny projeví všude, kde se daný profil používá.

Vlastní agenti v JetBrains IDE, Eclipse a Xcode

Stejný formát profilu agenta funguje v několika hlavních IDE, nejen ve VS Code. JetBrains IDE (jako IntelliJ IDEA, WebStorm nebo Rider), Eclipse a Xcode se integrují s agenty GitHub Copilot a mohou vytvářet a upravovat .agent.md soubory známým způsobem.

V JetBrains IDE začnete otevřením okna GitHub Copilot Chat a pomocí rozbalovací nabídky agenti v dolní části konfigurujete agenty. Výběrem rozsahu pracovního prostoru se uvnitř vytvoří nový soubor profilu. .github/agents ve vašem projektu a IDE jej otevře, abyste mohli nastavit popis, nástroje a instrukce.

Tlačítko „Konfigurovat nástroje…“ v editoru JetBrains umožňuje procházet dostupné nástroje, včetně nástrojů založených na MCP, a přidávat je k agentovi jediným kliknutím. Můžete také specifikovat model vlastnost zde, opět řízená automaticky doplňovaným seznamem podporovaných modelů umělé inteligence.

V Eclipse je pracovní postup podobný: otevřete zobrazení Copilot Chat, v rozbalovací nabídce agentů vyberete možnost „Konfigurovat agenty…“ a poté vytvoříte nový profil pomocí akce „Přidat…“. Editor otevře novou .agent.md soubor pod .github/agents, kde můžete definovat popis, nástroje, servery MCP a výzvy k chování a také podle potřeby upravit modely a další vlastnosti.

Integrace Xcode se také spoléhá na rozbalovací nabídku agentů v zobrazení Chatu s vyhrazenou možností „Vytvořit agenta“. Po pojmenování profilu Xcode vygeneruje .agent.md soubor pod .github/agents a v editoru nabízí tlačítko „Přizpůsobit agenta“, které umožňuje vybrat model umělé inteligence, nástroje (včetně nástrojů MCP) a nakonfigurovat předávání mezi vlastními agenty.

V JetBrains, Eclipse a Xcode probíhá aktualizace existujícího profilu vždy stejným způsobem: otevřete konfiguraci agenta, vyberte agenta a upravte podkladový soubor Markdown. Tyto úpravy se pak vracejí zpět do ekosystému GitHub Copilot, takže stejný vlastní agent zůstává konzistentní bez ohledu na to, které IDE se používá.

Návrh účinných profilů agentů: identita, nástroje a chování

Získání skutečné hodnoty od zakázkových agentů závisí na tom, jak dobře navrhnete jejich profily, počínaje jasnou identitou a cílenými schopnostmi. Dobře zpracované name a description zřejmě objasnit záměr agenta a pomoci podkladovému modelu upřednostnit správné chování.

Jedno tools Seznam je vaší hlavní pákou pro kontrolu toho, co agent skutečně může dělat. Agentovi můžete poskytnout přístup ke každému nástroji ve vašem prostředí jednoduše vynecháním dané vlastnosti, nebo můžete být velmi přesní a povolit pouze podmnožinu funkcí – například "read", "edit", "search" a hrstku nástrojů MCP specifických pro danou oblast.

volitelný mcp-servers Položky umožňují konfigurovat další servery, které jsou viditelné pouze pro daný profil agenta. To je praktické, když agent potřebuje privilegovaný přístup k interním systémům (jako je důvěrná dokumentace k návrhu nebo databáze shody s předpisy), ale nechcete, aby každý agent mohl dotazovat stejné zdroje.

Pokud používáte agenta ve VS Code, JetBrains IDE, Eclipse nebo Xcode, můžete také zadat vyhrazený model vlastnost, aby každý agent mohl použít model, který nejlépe vyhovuje jeho úkolu. Některé týmy používají pro agenty plánování a kontroly architektury náročné modely uvažování, zatímco pro agenty Q&A poskytují levnější modely pro kontrolu nákladů.

Volitelné target Vlastnost je užitečná, když chcete, aby se agent zobrazoval pouze v určitých prostředích. Nastavením target: vscode or target: github-copilot, můžete vytvářet profily, které jsou vyhrazené pro pracovní postupy založené na IDE nebo na GitHub.com, přičemž vynechání vlastnosti zachová agenta všude.

Nakonec tělo souboru Markdown obsahuje skutečné instrukce neboli „hlas“ agenta a právě zde kódujete své standardy a očekávání. Můžete podrobně specifikovat pravidla pokrytí jednotkovými testy, technologická omezení, tónové pokyny pro dokumentaci nebo podrobné kontrolní seznamy; čím bohatší a jasnější je tento obsah, tím konzistentněji se agent bude chovat napříč relacemi.

Používání vlastních agentů napříč GitHub.com, CLI a IDE

Jakmile je vlastní agent definován, nejste omezeni na jeho použití na jednom místě – putuje s vaším kódem všude, kde běží kódovací agent Copilotu. Na GitHub.com si můžete vybrat vlastního agenta z panelu nebo karty agentů, když požádáte Copilota o provedení úkolu v rámci problému nebo žádosti o změny.

Při přiřazování úkolů GitHubu si můžete místo generického kódovacího agenta vybrat konkrétního vlastního agenta, pokud daný úkol využívá specializovanou konfiguraci daného agenta. Například profil agenta zaměřeného na zabezpečení by mohl být přiřazen ke kontrole změn v ověřovacím modulu, zatímco agent pro ladění výkonu se stará o aktivní cesty v backendové službě.

Z CLI GitHub Copilot se můžete přihlásit k určitému vlastnímu agentovi pomocí příkazu s lomítkem, jako je /agent nebo odkazem na agenta v příkazovém řádku nebo parametru příkazového řádku. Tímto způsobem zůstanou vaše pracovní postupy v terminálu sladěny se stejnými personami, jaké používáte v prohlížeči nebo IDE.

Kdykoli kódovací agent Copilot otevře pull request za vás, GitHub si zaznamená, který vlastní agent byl k dokončení práce použit. To je užitečné pro audit a pro pochopení, zda konkrétní konfigurace agenta má tendenci vytvářet určité styly změn nebo vzorce chování.

Stejné profily agentů lze pak použít přímo v podporovaných IDE prostřednictvím jejich chatovacích panelů, takže můžete v závislosti na daném úkolu přepínat mezi agenty zaměřenými na plánování, úpravy, výzkum nebo dodržování předpisů. I když se některé vlastnosti YAML mohou chovat mírně odlišně mezi kontexty GitHub.com a IDE, celkový profil zůstává přenositelný a konzistentní.

Lokální agenti ve VS Code: interaktivní relace s plným kontextem pracovního prostoru

Lokální agenti ve VS Code běží na vašem vlastním počítači v aktuálním pracovním prostoru a poskytují vám vysoce interaktivní konverzace s nízkou latencí. Mají prvotřídní přístup k vašim souborům, rozšířením, nástrojům MCP a celé sadě modelů, které jste nakonfigurovali, včetně modelů s možností použití vlastního klíče (BYOK).

Tyto lokální relace jsou ideální pro úkoly, které vyžadují okamžitou komunikaci nebo hlubokou integraci s vaším aktuálním stavem vývoje. To zahrnuje brainstorming a plánování, ladění trasování zásobníku, reakci na chyby linteru, kontrolu výsledků jednotkových testů a jakýkoli pracovní postup, který zahrnuje nástroje přispěné rozšířeními.

Každý lokální chat agentů používá jednoho z vestavěných agentů (Agent, Plan nebo Ask), pokud si nevyberete vlastní personu. Mezi nimi můžete přepínat podle toho, jak se vaše potřeby mění. Například můžete začít s volbou Ask (Požádat), abyste pochopili část kódové základny, poté přejít na Plán (Plánovat), abyste navrhli funkci, a nakonec přejít na Agenta, abyste ji implementovali.

Zahájení relace lokálního agenta je stejně jednoduché jako výběr možnosti „Agent“ z výběru agenta chatu a popis obecného cíle. Můžete říct věci jako „Implementujte systém ověřování uživatelů s OAuth2 a JWT“ nebo „Nastavte CI/CD pro tento projekt“ a agent naplánuje práci, spustí nástroje a navrhne úpravy v celém řešení.

Během práce agenta VS Code používá překryvné vrstvy editoru k zobrazení navrhovaných úprav a usnadňuje navigaci, kontrolu a přijetí nebo odmítnutí. Sadu nástrojů, které může agent volat, můžete také upravit pomocí výběru nástrojů, a tím postupně rozšiřovat nebo omezovat jejich možnosti.

Persona Ask je obzvláště vhodná, když chcete znalosti a rady bez automatických změn souborů. Ask se dokáže ponořit do hloubky vaší kódové základny, odpovědět na technologické otázky a vrátit bloky kódu, které ručně použijete pomocí akce „Použít v editoru“, takže máte vše pod kontrolou.

Persona plánovače se mezitím specializuje na tvorbu strukturovaných implementačních plánů ještě předtím, než se dotkne jakéhokoli kódu. Tyto plány lze předat jinému agentovi nebo je použít jako kontrolní seznam pro vaši vlastní práci, abyste se ujistili, že jste před zahájením implementace zvážili závislosti, datové modely a hraniční případy.

Ačkoli dříve existoval „režim úprav“ pro změny více souborů, byl tento režim zastaralý ve prospěch schopnějšího Agenta. Režim úprav můžete stále znovu povolit pomocí konkrétních nastavení VS Code, ale pro většinu scénářů je persona agenta doporučenou cestou pro refaktoring více souborů a práci s funkcemi.

Během relace můžete volně odesílat následné výzvy, a to i během zpracovávání požadavku. Úpravy můžete odložit do fronty na pozdější použití, změnit směr během letu nebo agenta přerušit a řídit podle svého uvážení, což celý proces méně připomíná dávkovou úlohu a spíše kolaborativní programování ve dvojicích.

Všechny tyto funkce navazují na širší ekosystém agentů – můžete si prohlížet přehledy, spravovat relace, přidávat nástroje, propojovat servery MCP a definovat vlastní agenty nebo hooky pro vynucování zásad a automatizaci událostí životního cyklu. Když investujete do dobrých profilů agentů a pracovních postupů, stejné stavební bloky se vyplatí v chatu, CLI, IDE a samotném GitHubu.

Spojením všech těchto prvků promění vlastní agenti ve Visual Studiu a VS Code vaše kódovací prostředí v sadu opakovaně použitelných spolupracovníků zaměřených na role, kteří rozumí vašemu stacku, vašim nástrojům a vašim standardům a pomáhají týmům postupovat rychleji a zároveň udržovat kvalitu a konzistenci pod kontrolou.