Agenti s umělou inteligencí ve VS Code: od chytrého chatu k plnohodnotným pracovním postupům s využitím nástrojů

Home » PYTHON » Agenti s umělou inteligencí ve VS Code: od chytrého chatu k plnohodnotným pracovním postupům s využitím nástrojů

Kódování s využitím umělé inteligence ve Visual Studiu Code šlo daleko za hranice pouhého automatického doplňovánía moderní agenti AI nyní mohou číst váš pracovní prostor, spouštět nástroje, refaktorovat celé funkce a dokonce vám pomáhat navrhovat a nasazovat kompletní aplikace přímo z editoru. Pokud máte zkušenosti s JavaScriptem a Reactem a používáte VS Code již léta, může se prostředí rozšíření AI a pracovních postupů agentů v editoru radikálně lišit od toho, co si pamatujete z počátků. GitHub Copilot.

Místo přemýšlení pouze v pojmech „návrhů kódu“, nová vlna umělé inteligence ve VS Code se točí kolem agentů, nástroje, a integrované pracovní postupy modelování které pokrývají celý životní cyklus aplikace vylepšené umělou inteligencí: objevování a testování modelů, vytváření agentů s nástroji, hodnocení kvality, optimalizaci výkonu a nakonec nasazení všeho do lokálního nebo cloudového prostředí. V této příručce si projdeme, co dnes dokážou agenti umělé inteligence ve VS Code, jak toto prostředí strukturují sada nástrojů AI Toolkit od Microsoftu a rozšíření Azure AI Foundry a jak se to srovnává s tradičnějšími asistenty, jako je GitHub Copilot, abyste si mohli vybrat nejlepší nastavení pro své osobní projekty.

Co vlastně dnes jsou agenti AI ve VS Code

Když se dnes mluví o „AI agentech ve VS Code“, odkazují na mnohem víc než jen bubliny chatu v postranním panelu. Moderní agenti sledují plnou agentskou smyčku: mohou číst a analyzovat vaše soubory, rozhodovat se, kterých částí kódové základny se dotknout, spouštět příkazy, organizovat nástroje a iterovat podle vlastního plánu, dokud nedosáhnou rozumného řešení. Tyto schopnosti se podobají myšlence multiagentní řízení v moderních IDE, kde koordinovaní agenti přebírají rozsáhlejší úkoly.

Vestavěné funkce umělé inteligence ve VS Code se nacházejí v celé řadě interakčních režimů. které sdílejí stejné rozsáhlé jazykové modely (jako jsou modely hostované na GitHubu v Copilotu a další LLM), ale v každodenní práci působí velmi odlišně: některé jsou ultralehké a sotva narušují váš tok, zatímco jiné se chovají jako autonomní spolupracovníci, kteří přebírají velké refaktory nebo změny architektury.

První vrstvou jsou vložené návrhy: ty ghost-textové dokončování, které se zobrazují při psaní. Tyto dokončování je založeno na specializovaných modelech a nezahrnuje plnohodnotnou smyčku agentů ani nástroje; pouze se snaží předpovědět vaši další úpravu, včetně „návrhů na další úpravu“, které mohou naznačit, kde by se měla následující změna provést. Jsou perfektní, když chcete jednoduše rychlejší psaní, ne plnohodnotnou konverzaci s umělou inteligencí.

Navíc k tomu máte přístup k inline chatu, malé chatovací rozhraní přímo v editoru, které vám umožňuje požadovat cílené změny týkající se konkrétního výběru nebo souboru. Místo přepínání na postranní panel můžete psát instrukce tam, kde se nacházíte: například „extrahovat toto do opakovaně použitelného hooku“ nebo „převést tuto komponentu třídy React na funkci s hooky“.

Těžší konec spektra je místo, kde se nacházejí agenti a chatovací relace.Zde interagujete ve vyhrazeném chatovacím zobrazení, kde agenti mohou uvažovat o více souborech, udržovat kontext v čase a volat nástroje. Právě zde se nové typy agentů (Agent, Plan, Ask a vaši vlastní agenti) začínají jevit jako skutečný člen týmu zabudovaný do VS Code, spíše než jen jako vylepšené automatické dokončování.

Sada nástrojů AI pro VS Code: centrum pro modely, agenty a pracovní postupy

Sada nástrojů AI pro Visual Studio Code je komplexní rozšíření od společnosti Microsoft je určen pro vývojáře a inženýry umělé inteligence, kteří chtějí vytvářet, testovat a dodávat inteligentní aplikace pomocí generativních modelů, a to vše bez nutnosti opustit editor. Představte si to jako vaše integrované vývojové prostředí pro samotnou umělou inteligenci: od raného experimentování a rychlého návrhu až po vyhodnocení, optimalizaci a nasazení.

Tato sada nástrojů se úzce integruje s mnoha populárními poskytovateli modelů., včetně modelů hostovaných na OpenAI, Anthropic, Google a GitHub, a zároveň podporuje lokální modely prostřednictvím ONNX a Ollama. To znamená, že můžete kombinovat cloudové a lokální modely, experimentovat s každým z nich a rozhodnout se, která kombinace nejlépe vyhovuje vašim omezením z hlediska výkonu, soukromí nebo nákladů. Pokud vás zajímá, jak alojar modelos de lenguaje localmente, je obzvláště důležitá podpora lokálních modelů v sadě nástrojů.

Rozšíření organizuje své funkce do několika hlavních sekcí přístupné z ikony AI Toolkit, která se zobrazí na panelu aktivit VS Code po instalaci rozšíření. Hlavní vstupní body jsou Moje zdroje, Nástroje pro modelování, Nástroje pro agenty a pracovní postupy, Pracovní postup MCP a Nápověda a zpětná vazba, přičemž každý z nich funguje jako řídicí panel pro různé části životního cyklu vývoje AI.

V sekci Moje zdroje najdete vše, co už můžete použít. ve vašem aktuálním prostředí: nasazené modely, definovaní agenti a servery MCP. Například v části Modely najdete nasazení dostupná pro vaše aplikace AI, zatímco Agenti uvádějí vaše aktivní agenty AI Toolkit a Servery MCP shromažďují servery Model Context Protocol, ke kterým jste připojeni.

Model Tools je pracovní prostor, kde skutečně vytváříte a vylepšujete základy své umělé inteligence.Zde si můžete prohlédnout katalog modelů a objevit modely z GitHubu, ONNX, Ollama, OpenAI, Anthropic, Google a dalších zdrojů, porovnat možnosti vedle sebe a vybrat si nejvhodnější model pro každý úkol. Model Playground vám nabízí interaktivní chatovací prostředí pro testování výzev, úpravu parametrů a prozkoumávání multimodálních funkcí, jako jsou vstupy obrázků nebo souborů.

Nástroj pro převod v Model Tools se zaměřuje na přeměnu stávajících modelů na efektivní lokální nasazení.Pokud pracujete s modely strojového učení z míst, jako je Hugging Face, můžete je převádět, kvantizovat a optimalizovat tak, aby hladce běžely ve Windows pomocí akcelerace CPU, GPU nebo NPU. Nástroj pro jemné ladění vám zároveň umožňuje přizpůsobit předtrénovaný model vaší konkrétní doméně pomocí vlastní datové sady, a to buď lokálně s GPU, nebo v cloudu prostřednictvím Azure Container Apps.

Nástroje pro agenty a pracovní postupy: vytváření, testování a vyhodnocování agentů s umělou inteligencí

Jakmile máte modely připravené, v sekci Nástroje pro agenty a pracovní postupy se odehrává skutečná „agentská“ magie.Tato oblast sdružuje vše, co potřebujete k vytváření, nasazení a zdokonalování agentů s umělou inteligencí, kteří mohou jednat vaším jménem ve VS Code i mimo něj.

Nástroj Agent Builder je srdcem pracovního postupu agentaZefektivňuje návrh výzev a agentů, takže můžete vytvářet sofistikované role umělé inteligence, které se spoléhají na strukturované výstupy a nástroje MCP. Můžete definovat systémové výzvy, role a chování a poté generovat kód připravený k produkčnímu prostředí, který tyto agenty zapojí do vašich aplikací. Pokud se chcete podrobněji seznámit s el... diseño y construcción de equipos de agentes de IA, tento zdroj doplňuje pracovní postup nástroje Agent Builder.

Bulk Run se zabývá méně okouzlující, ale naprosto klíčovou součástí pracovních postupů umělé inteligence: testováním ve velkém měřítku.Místo ručního opakovaného zadávání výzev modelu nebo agentovi můžete spouštět dávkové testy výzev napříč více modely současně. To je neuvěřitelně užitečné pro porovnávání výstupů, ověřování chování v různých scénářích a pro rozhodování na základě dat o tom, který model nebo konfiguraci výzev použít.

Vyhodnocování je integrováno do sady AI Toolkit, takže nemusíte pokaždé nastavovat vlastní metriky.Výkon modelu a agenta můžete posoudit pomocí datových sad a sady standardních hodnotitelů, jako je skóre F1, relevance, podobnost a koherence. Pokud má váš případ užití speciální požadavky – například správnost nebo tón specifický pro danou doménu – můžete také definovat vlastní hodnotící kritéria pro porovnání výstupů s reálnými daty.

Sledování vám dává přehled o tom, co vaši agenti a modelky skutečně dělajíShromažďuje data trasování a umožňuje vám kontrolovat volání, rozhodnutí a načasování, abyste mohli diagnostikovat zvláštní chování nebo úzká hrdla výkonu. V systému Windows jde profilování (Windows ML) hlouběji a zobrazuje využití zdrojů CPU, GPU a NPU pro modely ONNX u různých poskytovatelů provádění, stejně jako události strojového učení Windows, což vám pomáhá dosáhnout maximální efektivity z vašeho hardwaru. Tyto funkce jsou dobře sladěny s... herramientas AI para depuración a analýza výkonu ve vývojových pracovních postupech.

Tyto nástroje společně proměňují VS Code v praktickou laboratoř pro vývoj agentů s umělou inteligencí.Můžete si navrhnout svého agenta, vybavit ho nástroji, spustit ho s realistickými zátěžemi, měřit jeho chování a rychle iterovat – bez neustálého přepínání mezi cloudovými portály, skripty a dashboardy třetích stran.

Pracovní postup MCP: připojení externích nástrojů a serverů

Klíčovým faktorem umožňujícím výkonné agenty umělé inteligence ve VS Code je jejich schopnost volat nástroje., včetně nástrojů poskytovaných nainstalovanými rozšířeními i těch, které jsou zpřístupněny prostřednictvím serverů MCP (Model Context Protocol). Sekce MCP Workflow v AI Toolkit je věnována propojení těchto serverů a jejich začlenění do sady nástrojů vašeho agenta.

Položka „Přidat server MCP“ umožňuje připojit stávající servery MCP takže vaši agenti mohou dotazovat externí API, interagovat s databázemi nebo provádět úkoly, které se nacházejí mimo kódovou základnu vašeho projektu. To efektivně rozšiřuje možnosti agenta daleko za hranice čtení textových souborů a spouštění jednoduchých příkazů.

Pokud chcete vlastní funkce, možnost „Vytvořit nový MCP server“ vás provede nastavením zcela nových serverů. které zpřístupňují vaše vlastní nástroje nebo služby vrstvě agenta. To je užitečné například tehdy, když chcete agenta, který rozumí interním API vaší společnosti, obchodní logice nebo příkazům infrastruktury, ale nechcete to vše pevně kódovat do výzev. Podnikové scénáře stále častěji využívají Agenti IA s rolemi zachytit obchodní pravidla a oprávnění.

Jakmile jsou servery MCP zapojeny do sady nástrojů, stávají se součástí sady nástrojů, které mohou agenti automaticky volat během svého agentního cyklu. Z pohledu uživatele vidíte, jak agent dělá chytřejší pohyby: vyhledává informace, manipuluje se zdroji a dokončuje úkoly, které dříve vyžadovaly několik manuálních kroků z vaší strany.

Kdo má největší prospěch z AI Toolkit a pracovních postupů agentů

Agenti AI Toolkit a VS Code nejsou omezeni pouze na zkušené praktiky strojového učení.; jsou navrženy tak, aby pomohly široké skupině lidí pracujících s generativní umělou inteligencí, od běžných vývojářů aplikací až po pedagogy a studenty. Stejná sada nástrojů se může zdát velmi odlišná v závislosti na tom, jak hluboko chcete jít.

Tradiční vývojáři aplikací z toho mohou hodně získatPokud vytváříte webové nebo desktopové aplikace a chcete přidat inteligentní funkce, jako jsou chatboti, sumarizace, generování kódu nebo filtrování obsahu, tyto nástroje usnadňují integraci jazykových modelů. Full-stack vývojáři mohou rychle iterovat na front-endové i back-endové logice a zároveň nechávají agenty zvládat standardizované úpravy, zapojení a refaktory.

Mobilní vývojáři mohou používat stejné prostředí k prototypování funkcí umělé inteligence– například testování výzev k zabudovanému asistentovi nebo nástroji pro doporučování obsahu – předtím, než se rozhodnete pro konkrétní strategii nasazení na zařízení nebo v cloudu. S lokálními modely prostřednictvím ONNX a Ollama můžete dokonce ověřit nastavení šetrná k soukromí bez okamžitých závislostí na cloudu.

Z hlediska datově orientovaných technologií získají inženýři umělé inteligence a datoví vědci nástroje, které vyhovují jejich každodenním pracovním postupům.Mohou doladit modely pro konkrétní domény, spouštět hodnocení napříč více kandidáty a spravovat cíle nasazení přímo z VS Code. Zejména ML inženýři těží z funkcí pro konverzi a optimalizaci, které pomáhají přiblížit modely produkčním technologiím v prostředích Windows.

Výzkumníci, pedagogové a studenti mají také jasnou cestu k praktickému experimentováníVýzkumníci v oblasti umělé inteligence mohou zkoumat různé modely a techniky promptního inženýrství přímo v editoru, zatímco pedagogové mohou v reálném čase demonstrovat možnosti, včetně chování agentů, využití kontextu a metrik hodnocení. Studenti se mohou učit generativní umělou inteligenci tím, že si s modely chatují, vytvářejí jednoduché agenty a sledují, jak různé promptní příkazy a nástroje mění výsledky.

Klíčové případy použití agentů a modelů umělé inteligence ve VS Code

Jakmile jsou všechny části připraveny, praktické případy použití pro AI Toolkit a agenty VS Code pokrývají téměř celý životní cyklus vývoje AI.Můžete začít s malými interaktivními experimenty a nakonec nasadit robustní, dobře ověřené agenty jako součást reálných aplikací.

Průzkum a porovnání modelů je jedním z prvních krokůDíky katalogu modelů můžete rychle procházet modely od Anthropic, OpenAI, GitHub a dalších, kontrolovat jejich funkce a poté porovnávat odpovědi přímo v Playgroundu nebo prostřednictvím hromadného testování. Pro vývojové týmy je možnost testovat stejné výzvy u více poskytovatelů neocenitelná pro výběr správného kompromisu mezi náklady, latencí a kvalitou.

Spouštění modelů lokálně prostřednictvím ONNX a Ollama je velmi důležité pro scénáře citlivé na soukromí nebo s omezeným rozpočtem.Data si můžete uchovávat na vlastním počítači a zároveň využívat generativní funkce, což je obzvláště atraktivní pro osobní projekty s důvěrným kódem nebo pro organizace s přísnými požadavky na dodržování předpisů.

Konstrukce a testování agentů je dalším klíčovým případem použití.Pomocí nástroje Agent Builder a nástrojů zaměřených na agenty můžete navrhovat vícekrokové asistenty (například recenzenta kódu nebo generátoru dokumentace), připojovat nástroje MCP, generovat integrační kód a poté používat nástroje Playground a vyhodnocovací nástroje k zajištění konzistentního chování agenta.

A konečně, pracovní postupy pro konverze a optimalizaci vám pomohou překlenout mezeru mezi experimentováním a nasazením.Převod modelů z repozitářů, jako je Hugging Face, jejich optimalizace pro hardware Windows a jejich doladění s vlastními daty znamená, že můžete přenést lokální prototypy až do produkčního prostředí, aniž byste museli kompletně znovu vytvářet svá nastavení jinde.

Instalace a nastavení AI Toolkitu ve VS Code

Začínáme s AI Toolkit ve Visual Studiu Code je záměrně přímočarýNejrychlejší cestou je stáhnout si rozšíření z Visual Studio Marketplace, nainstalovat ho a vyhledat ikonu nové sady AI Toolkit v panelu aktivit, čímž se otevře její vyhrazené zobrazení.

Pokud dáváte přednost nebo potřebujete manuální trasuRozšíření můžete také nainstalovat podle standardního postupu „Instalace rozšíření“ popsaného pro VS Code a poté znovu ověřit, zda se na panelu aktivit zobrazuje ikona sady AI Toolkit. Po otevření se zobrazí hlavní sekce, které jsme probrali – Moje zdroje, Nástroje pro modelování, Nástroje pro agenty a pracovní postupy, Pracovní postup MCP a Nápověda a zpětná vazba.

Moje zdroje se stanou vaším řídicím centrem pro zdroje Azure AI. Z editoru můžete použít: nasazené modely pro vaše aplikace, stávající agenty, které jste nakonfigurovali, a servery MCP, se kterými aktuálně pracujete. Zde si ověříte, co je k dispozici, než na něj vytvoříte nové nástroje.

V části Nástroje pro modely se můžete okamžitě ponořit do procházení a testování modelů.Katalog modelů vám umožňuje objevovat různé poskytovatele a porovnávat je na jednom místě, zatímco Playground vám nabízí interaktivní, multimodální prostředí, kde můžete připojovat soubory, odesílat obrazové vstupy a experimentovat s parametry, jako je teplota nebo maximální počet tokenů.

Možnosti konverze a jemného doladění jsou přístupné ve stejné sekci, což vám umožňuje převést předpřipravené modely strojového učení na lokální, optimalizované artefakty a trénovat varianty specifické pro danou doménu buď na vašem počítači, nebo v Azure Container Apps s akcelerací GPU. Pro mnoho týmů je to cesta od univerzálních modelů ke specializovaným „domácím modelům“ optimalizovaným pro jejich data.

Výukové zdroje: průvodce a dokumentace

Aby se předešlo typickému pocitu „nainstaloval jsem to, a co teď?“Sada AI Toolkit je dodávána s úvodním návodem, který se otevírá v sekci Nápověda a zpětná vazba. Tento průvodce vás provede herním prostředím a základními interakcemi v chatu, abyste si mohli vyzkoušet základní funkce, aniž byste si museli nejprve přečíst celý manuál.

Návod můžete spustit otevřením zobrazení AI Toolkit z panelu aktivit.a poté v části Nápověda a zpětná vazba vyhledejte položku Začínáme. Otevře se podrobný návod, který ukazuje, kam kliknout, co vyzkoušet a jak do sebe hlavní části zapadají.

Stejná sekce Nápověda a zpětná vazba odkazuje na podrobnou dokumentaci a návody., včetně dokumentace k rozšíření Microsoft Foundry, galerie tutoriálů, poznámek k verzi v sekci „Co je nového“ a repozitáře GitHub, kde můžete hlásit problémy nebo sledovat vývoj. Pokud rádi rozumíte základní architektuře, tyto zdroje se podrobně zabývají interakcí modelů, nástrojů a agentů.

Pro narativní přehled v demo stylu jsou k dispozici také nahrané lekce. kde produktoví manažeři procházejí propojováním modelů, vyhodnocováním výkonu, vytvářením inteligentních agentů a zapojováním nástrojů MCP, to vše přímo z editoru. Tato dema se hlouběji zabývají funkcemi Azure AI Foundry, nasazením modelů do Azure, návrhem vizuálních agentů, integrací vyhledávání Bing, nástroji pro interpretaci kódu a laděním interakcí agentů.

Vestavěné typy agentů a relace lokálních agentů ve VS Code

Kromě AI Toolkitu je nyní Visual Studio Code dodáván s vestavěnými koncepty agentů. kteří se nacházejí v rozhraní chatu a fungují jako „lokální agenti“ na vašem počítači. Tito agenti běží interaktivně uvnitř VS Code, mají přístup k vašemu aktuálnímu pracovnímu prostoru a mohou využívat nástroje z rozšíření a MCP serverů, což z nich dělá velmi kontextově orientované programátorské partnery.

Lokální agenti jsou obzvláště vhodní pro interaktivní úkoly, které vyžadují rychlou komunikaci mezi nimi., jako je brainstorming architektur, plánování nebo iterace částečně definovaných požadavků. Protože mohou vidět vaše soubory, číst diagnostiku a spouštět nástroje, jsou také ideální pro ladění, refaktoring a dokumentaci.

Mezi klíčové vlastnosti těchto lokálních agentů patří plný přístup k pracovnímu prostoru—mohou číst a upravovat soubory, zohledňovat kontext vašeho projektu a volat jakékoli nástroje agenta nakonfigurované ve VS Code, od vestavěných funkcí až po instalovaná rozšíření a koncové body MCP. Mohou také používat všechny modely, které máte k dispozici, ať už se jedná o výchozí modely Copilot nebo modely s vlastním klíčem (BYOK) od jiných poskytovatelů.

I když zavřete panel chatu, samotná relace lokálního agenta může zůstat aktivní.a můžete sledovat a spravovat aktivní relace z vyhrazeného zobrazení. Tato perzistence je užitečná, když pracujete na dlouhodobých úlohách, u kterých agent může potřebovat znovu zobrazit kontext z dřívější doby během dne.

VS Code je dodáván se třemi hlavními vestavěnými personami agentů optimalizováno pro různé pracovní postupy – Agent, Plan a Ask – plus možnost definovat si vlastní agenty pro vysoce specializované úkoly, jako je kontrola kódu, automatizace testování nebo generování dokumentace.

Vysvětlení vestavěných režimů Agent, Plán a Dotaz

Obecná persona „Agenta“ je vyladěna pro složité kódovací úkoly. na základě požadavků na vysoké úrovni. Místo mikroeditace řádků kódu může tento agent číst velké části vašeho projektu, plánovat sadu změn, spouštět terminálové příkazy a nástroje a iterovat, dokud není požadovaná funkce nebo refaktoring dokončen.

V režimu agenta VS Code aplikuje změny přímo v editoru.... a získáte překryvné ovládací prvky, které vám pomohou přecházet mezi navrhovanými úpravami a zkontrolovat je před přijetím. V zákulisí může agent volat více nástrojů – například spouštět testy, kontrolovat diagnostiku nebo prohledávat váš pracovní prostor – aby vykonal svou práci. To přímo souvisí se vzory pro Ladění a testování s využitím umělé inteligence a automatizované ověřovací pracovní postupy.

Režim agenta můžete obohatit přidáním dalších nástrojů., ať už prostřednictvím MCP serverů nebo rozšíření, která přispívají k vlastním nástrojům. To znamená, že váš agent může například v rámci jedné konverzace využívat externí API, komunikovat se službami infrastruktury nebo provádět transformace kódu s využitím jiných rozšíření.

Persona „Plán“ se specializuje na vytváření jasného implementačního plánuMísto přímé úpravy souborů se zaměřuje na rozložení vašeho požadavku na vysoké úrovni do strukturovaných kroků, kladení objasňujících otázek a zajištění toho, abyste měli solidní a proveditelný plán. Tento plán pak můžete předat agentovi nebo jej během implementace sledovat ručně.

Persona „Zeptejte se“ je vaším oblíbeným tématem pro otázky a odpovědi týkající se kódu a konceptů.Je optimalizován pro pochopení, vysvětlení a zkoumání nápadů: jak funguje určitý kus kódu, kde je definována konfigurace nebo různé způsoby implementace funkce. Ask využívá agentní schopnosti ke shromažďování kontextu z vaší kódové základny, takže odpovědi jsou založeny na vašem skutečném projektu, nikoli na obecných šablonách.

Když Ask odpoví bloky kódu, můžete nad ně najet myší a pomocí akce „Použít v editoru“ vložit nebo nahradit kód v příslušném souboru, což vám dává jemnou kontrolu namísto rozsáhlých úprav více souborů. Pro mnoho vývojářů je to nejbezpečnější způsob, jak začít používat umělou inteligenci v kódové základně, aniž by měli pocit, že se vzdávají kontroly.

Spuštění vlastních relací lokálního agenta ve VS Code

Zahájení relace lokálního agenta ve VS Code je velmi podobné zahájení chatu s Copilotem., ale s explicitnější kontrolou nad tím, kterou personu používáte a které nástroje jsou během relace k dispozici.

Zahájení relace s obecnou personou agenta, otevřete zobrazení Chat, v selektoru agentů vyberte „Agent“ a do vstupního pole zadejte požadavek na vysoké úrovni. Může to být něco jako „Implementujte ověřovací tok OAuth2 + JWT pro tuto aplikaci“ nebo „Nastavte CI/CD pro toto repozitář pomocí akcí GitHubu“.

Před odesláním můžete použít výběr nástrojů k povolení nebo zakázání konkrétních nástrojů., čímž efektivně rozhodnete, kolik pravomocí chcete agentovi dát (například zda může spouštět testy, hromadně upravovat soubory nebo volat externí nástroje MCP). Poté stiskněte klávesu Enter nebo klikněte na Odeslat pro spuštění smyčky agenta.

Jak agent navrhuje změny a spouští nástroje, zkontrolujete a potvrdíte nebo upravíte jeho akce. Můžete i nadále odesílat následné výzvy, zatímco stále pracuje, abyste určili směr, zařadili nové požadavky do fronty nebo přerušili a okamžitě odeslali jiný pokyn. Tento druh konverzační kontroly vám umožňuje zacházet s agentem jako se skutečným spolupracovníkem, kterého vedete v reálném čase.

Začít s personou Ask je ještě jednoduššíStačí zadat otázku do chatu, ve výběru agenta vybrat možnost Zeptat se a odeslat. Můžete přidat konkrétní kontext, například odkazy na soubory nebo úryvky kódu, abyste získali cílenější odpovědi, zejména při práci s velkými projekty, kde by agent jinak mohl vyhledávat příliš široce.

Pro každou z těchto osobností existují další studijní plány a tutoriály.– včetně přehledu agentů, praktických průvodců, dokumentace k nástrojům a vlastním agentům a specializovaných článků o rozhraní chatu – které vám pomohou překonat základní požadavky, jakmile si zvyknete.

Moderní sada umělé inteligence VS Code – sada nástrojů AI, integrace Azure AI Foundry, lokální agenti, vestavěné persony a nástroje MCP – proměňuje editor v kompletní pracovní prostor umělé inteligence. kde můžete objevovat modely, vytvářet prompty, vytvářet a vyhodnocovat agenty, propojovat je s externími službami a nakonec je vkládat do svých JavaScriptových, React nebo jiných aplikací, a to vše při zachování přísné kontroly nad svou kódovou základnou a vývojovým postupem.