Github copilot

Fullstack

How to write a great agents.md: Lessons from over 2,500 repositories

Cet article décrit comment créer des agents personnalisés pour GitHub Copilot, basés sur l'analyse de plus de 2500 fichiers. Les agents doivent avoir des rôles spécifiques, des commandes précises et des limites claires pour être efficaces. Les meilleures pratiques incluent la fourniture de commandes en premier, l'utilisation d'exemples de code au lieu de longues explications, et la définition de frontières strictes sur ce que l'agent peut faire. Des exemples d'agents comme le 'docs-agent' et le 'test-agent' sont également fournis.

github.blog

github copilot
Fullstack

GitHub Copilot tutorial: How to build, test, review, and ship code faster (with real prompts)

GitHub Copilot a évolué pour devenir un assistant de codage AI complet, permettant d'exécuter des workflows complexes, de corriger des tests échoués, de réviser des demandes de tirage et de livrer du code directement dans VS Code. Il peut désormais comprendre plusieurs fichiers, générer des tests, et proposer des modifications tout en s'améliorant grâce aux retours de l'utilisateur. Ce guide présente des étapes pratiques pour tirer parti de ses nouvelles fonctionnalités, comme Mission Control et Agent Mode, pour améliorer la productivité des développeurs et assurer la qualité du code.

github.blog

github copilot
Fullstack

The road to better completions: Building a faster, smarter GitHub Copilot with a new custom model

GitHub Copilot a amélioré ses suggestions de complétion de code grâce à des modèles personnalisés, augmentant le taux d'acceptation de 12 %, le débit de 3x et réduisant la latence de 35 %. Les évaluations des modèles incluent des tests hors ligne, des tests en pré-production et des tests A/B pour assurer une qualité optimale pour les développeurs. De plus, le modèle a été affiné par l'apprentissage supervisé et le renforcement pour mieux gérer l'insertion de code dans différentes situations.

github.blog

github copilot
Management

How to update community health files with AI

L'article présente l'importance des fichiers de santé communautaire dans les projets open source et la façon dont GitHub Copilot peut aider à les maintenir à jour. Ces fichiers, tels que le README, le guide du contributeur et la licence, sont cruciaux pour établir des attentes et favoriser un environnement collaboratif. Ils permettent de réduire les erreurs et d'améliorer l'efficacité lors de l'intégration de nouveaux contributeurs. Grâce à des outils d'IA, la mise à jour de ces fichiers devient moins manuelle et plus rapide, ce qui bénéficie à la santé du projet et à la communication entre les contributeurs et les mainteneurs.

github.blog

github copilot
Fullstack

Accelerate developer productivity with these 9 open source AI and MCP projects

L'émergence du Model Context Protocol (MCP) transforme l'interaction des développeurs avec les outils et les codebases via l'IA. D'importants projets, soutenus par GitHub Copilot et VS Code, favorisent des intégrations à des frameworks populaires, améliorent l'expérience développeur grâce à l'IA et optimisent les outils de test et d'automatisation. Ces innovations redéfinissent le développement avec des capacités d'agent, permettant une productivité accrue et des interactions transparents entre les outils et les développeurs.

github.blog

github copilot
Fullstack

GitHub Copilot CLI: How to get started

GitHub Copilot CLI permet d'intégrer l'assistance de l'IA directement dans le terminal, facilitant des tâches comme le clonage de dépôts, la vérification d'environnement, et la gestion des demandes de tirage, sans quitter le shell. Il simplifie le flux de travail des développeurs en automatisant la vérification des dépendances et la gestion des issues.

github.blog

github copilot
Fullstack

How to build reliable AI workflows with agentic primitives and context engineering

Cet article présente un cadre en trois parties pour améliorer la fiabilité des workflows d'IA en utilisant des primitives agentiques et de l'ingénierie contextuelle. Il souligne l'importance d'un prompt structuré avec Markdown pour optimiser les résultats des agents IA et expose des techniques pour créer des systèmes intelligents et réutilisables. L'article explique également comment le nouvel outil GitHub Copilot CLI permet d'exécuter des workflows d'IA localement, garantissant ainsi un contexte approprié et la répétabilité dans les processus de développement.

github.blog

github copilot
Fullstack

Completing urgent fixes anywhere with GitHub Copilot coding agent and mobile

Cet article décrit comment une fonctionnalité de GitHub, combinant GitHub Copilot et GitHub Mobile, a permis à un développeur de résoudre rapidement un problème critique d'une application web. En utilisant son téléphone, il a pu créer un problème sur GitHub, déléguer la tâche à Copilot et approuver une solution en quelques minutes, tout en se rendant à une démonstration. L'expérience souligne l'importance d'utiliser les bons outils au bon moment pour gagner en efficacité et présente l'utilisation d'instructions personnalisées pour optimiser l'interaction avec GitHub Copilot.

github.blog

github copilot
Autre

How GitHub Copilot enabled accessibility governance process improvements in record time

GitHub a intégré un programme de gouvernance en matière d'accessibilité en 2022, optimisant ses processus grâce à GitHub Copilot. Cet outil a permis à un gestionnaire de programme d'automatiser la création et la mise à jour des problèmes d'accessibilité, facilitant ainsi la conformité et la transparence pour les propriétaires de services. Le flux de travail automatisé permet de suivre la conformité des services et a permis une mise en production rapide grâce à des itérations efficaces avec l'aide de Copilot.

github.blog

github copilot
"
Fullstack

GitHub Copilot gets smarter at finding your code: Inside our new embedding model

GitHub a lancé un nouveau modèle d'embedding pour son outil Copilot, améliorant la recherche de code dans VS Code. Ce modèle offre une meilleure qualité de récupération de 37,6%, un doublement du débit et une réduction de la taille de l'index par huit, permettant des réponses plus précises et rapides aux requêtes des développeurs. Grâce à une optimisation via l'apprentissage contrasté, le modèle distingue mieux les résultats pertinents des quasi-pertinents, améliorant ainsi l'expérience Copilot. Les améliorations touchent principalement les développeurs C# et Java, avec une augmentation notable des taux d'acceptation de code. Le développement continu vise à élargir les données de formation et à raffiner le processus d'extraction des échantillons difficiles.

github.blog

github copilot