Como levar a IA da conclusão de código a workflows agênticos

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: How to move AI from code completion to agentic workflows · Canal: GitHub · 01:39 · Assistir no YouTube

Tópicos: Agentes de IA, Engenharia de software com IA, Governança e regulação de IA

Resumo

Muitas equipes começam usando IA para conclusão de código e perguntas sobre o codebase, mas não avançam para outras formas de trabalho. O vídeo apresenta um exemplo da GitHub em que um agent lê alterações e issues após o merge de um pull request, avalia se a documentação precisa ser atualizada e, quando necessário, prepara um pull request para revisão. Esse workflow muda os papéis da equipe: as pessoas definem os padrões antes e avaliam o resultado no final. A recomendação é começar pelo resultado desejado, considerar o contexto e as restrições de governança disponíveis e expandir aos poucos o papel dos agents.

Pontos-chave

O uso de IA muitas vezes se limita à conclusão de código e a perguntas sobre o codebase.
Adicionar ferramentas de IA sem repensar quem direciona, executa e avalia o trabalho pode manter os processos inalterados.
No exemplo, um agent analisa o diff e as issues relacionadas quando um pull request de funcionalidade é merged.
Se necessário, o agent prepara a documentação conforme o guia de estilo e abre um draft pull request no repo de documentação.
A revisão é solicitada ao mesmo engenheiro que implementou a funcionalidade.
No workflow agêntico, a equipe define os padrões de antemão e avalia o resultado no final.
A adoção deve começar pelo resultado desejado e levar em conta o contexto compartilhado e as restrições de governança.
É recomendável expandir gradualmente o papel dos agents, conforme se aprende em que condições eles atuam de forma confiável.

Capítulos

Início	Capítulo	Resumo
00:00	Da conclusão de código a novos usos de IA	A conversa aborda como ajudar desenvolvedores a ir além da conclusão de código e de perguntas sobre o codebase.
00:35	Exemplo de atualização agêntica da documentação	Um agent analisa alterações e issues após o merge de um pull request e, se necessário, prepara um draft pull request para a documentação.
01:08	Papéis da equipe e adoção gradual	O vídeo recomenda definir padrões, avaliar os resultados e expandir gradualmente o papel dos agents conforme sua confiabilidade.

Citações

Como apoiamos nossos desenvolvedores para que avancem para a próxima etapa? — 00:00

Muitas organizações adicionam ferramentas de IA sem reconsiderar quem direciona, executa e avalia o trabalho. — 00:35

A versão agêntica redefine o próprio workflow. — 01:08

Comece pequeno e desenvolva uma noção do que os agents conseguem fazer de forma confiável. — 01:39

Conceitos e entidades

code completion (conceito): Uso de IA para completar trechos de código, apresentado como um ponto de partida comum para desenvolvedores.
agentic workflow (conceito): Workflow em que um agent executa etapas do processo e as pessoas definem padrões e avaliam os resultados.
pull request (conceito): Proposta de alteração usada no exemplo para iniciar a atualização da documentação após o merge.
governance constraints (conceito): Restrições que delimitam o que um agent pode fazer em um processo.
GitHub (empresa): Empresa cujo blog é citado como fonte do exemplo de workflow agêntico.

Tradução completa (pt-BR)

00:00 Parece haver uma lacuna. Quando os desenvolvedores começam a trabalhar com IA, passando a vê-la não como um brinquedo, mas como uma ferramenta, [música] eles normalmente começam com coisas como conclusão de código e perguntas sobre a base de código, sem necessariamente avançar além disso. Como apoiamos nossos desenvolvedores para que deem esse próximo passo de uma forma que vá além de mais uma imposição corporativa? >> Muitas organizações adicionam ferramentas de IA sem reconsiderar quem direciona, executa e avalia o trabalho. Deixe-me destacar um

00:35 exemplo que compartilhamos no blog do GitHub. Uma das nossas equipes internas de ferramentas para desenvolvedores costumava cuidar da documentação do modo tradicional, com a IA como apoio. Um engenheiro lança um recurso no repo do produto; depois, um redator de documentação percebe, abre o pull request e tenta fazer engenharia reversa para descobrir o que mudou. Se a IA era usada, servia apenas para ajudar a escrever ou revisar o rascunho. Em vez disso, a equipe reconstruiu esse processo com a ajuda de um workflow agêntico do GitHub. Assim que um pull request de recurso é mesclado, um agent lê o diff e as issues vinculadas e decide

01:08 se é preciso documentar a mudança. Se for, ele redige a documentação seguindo o guia de estilo existente da equipe, abre um pull request em rascunho no repo da documentação e solicita uma revisão do mesmo engenheiro que lançou o recurso. A versão agêntica redefine o próprio workflow, e o papel dos membros da equipe se restringe a definir os padrões de antemão e avaliar o resultado no final. Recomendo começar pelo resultado de que você precisa e, em seguida, examinar cuidadosamente o que um agent pode fazer com base no conhecimento compartilhado ou no contexto que você pode fornecer,

01:39 e nas restrições de governança que você pode definir. Comece pequeno, desenvolva uma noção do que os agents conseguem fazer de forma confiável e em quais condições, e então amplie gradualmente o papel deles ao longo do restante do seu ciclo de vida.

Transcrição original

[00:00] There seems to be a gap. When developers first start working with AI, moving from seeing it as a toy to a tool. [music] They’ll typically start with things like code completion, asking questions about their code base, and then not necessarily moving beyond that. How do we support our developers moving to that next step in a way that goes beyond just yet another enterprise-level mandate? >> Many organizations add AI tools without reconsidering who directs, performs, and assesses the work. Let me highlight an

[00:35] example we’ve shared on our GitHub blog. One of our internal developer tooling teams used to run docs the traditional AI on the side way. An engineer ships a feature in the product repo, later a docs writer notices, opens the pull request, and tries to reverse engineer what changed. AI, if it was used at all, was there just to help write or tidy the draft. The team rebuilt that process with the assistance of a GitHub agentic workflow instead. The moment a feature pull request merges, an agent reads the diff and the linked issues, and decides

[01:08] whether it needs documenting. If it does, it drafts the doc against their existing [music] style guide, opens a draft pull request in the docs repo, and requests review from the same engineer who shipped the feature. The agentic version redefines the workflow itself, and the team members’ role narrows to setting the standards up front and assessing the output at the end. I recommend starting with the outcome you need, and then carefully examining what an agent can do given the shared knowledge or context you can provide,

[01:39] and the governance constraints you can set. Start small, build a sense of what agents can reliably do, and under what conditions, then incrementally expand their role across the rest of your life cycle.