GitHub Copilot s’insère plus profondément dans la chaîne de livraison logicielle

Orchestration multiagent et continuité des sessions : GitHub se met à niveau

L’application Copilot (dont l’installation peut désormais être gérée par l’administrateur de la plateforme DevOps) accueille par ailleurs les projets.

Il s’agit de donner un objectif à GitHub Copilot afin qu’il coordonne des tâches affectant plusieurs dépôts GitHub : démarrage de sessions, configuration d’automatisations, création d’artefacts, etc. À partir de l’objectif formulé dans un prompt, plusieurs agents IA s’exécutent en parallèle pour l’accomplir.

 Les projets GitHub sont l’illustration d’une tendance naissante, estime Vlad Fedorov, directeur technique chez GitHub, auprès du MagIT. « Si tout se passe bien, les humains continueront de travailler 8 heures par jour, mais leurs agents IA devraient fonctionner 18 ou 19 heures quotidiennement. Le développeur s’évertuera donc à la bonne exécution de tâches qu’il réaliserait autrefois manuellement », affirme-t-il.

Ici, par automatisation, il faut comprendre automatisation agentique. Copilot cloud exécutent des agents IA sur des dépôts privés. Ceux-ci peuvent être planifiés ou réagir à des événements dans un dépôt ou être enclenchés par un appel API. Ces flux de travail servent à trier des issues, revoir du code, reproduire des bugs, à automatiser la capture d’écran des interfaces front-end ou encore à examiner des incidents en production.

Une automatisation Copilot peut être liée à un compte GitHub ou être partagée avec les membres d’une équipe. Celui qui l’a créée renseigne un déclencheur parmi les 24 disponibles, un prompt, les outils nécessaires (internes à GitHub ou externes à travers des serveurs MCP), le modèle d’IA et le niveau d’effort associé, ainsi qu’un budget de crédits IA. Ce budget peut être quotidien, hebdomadaire ou mensuel. 

Certes, les automatisations et les projets Copilot peuvent souffrir d’incohérence si le contexte – le code et la documentation – est incomplet ou daté. C’est pourquoi ces deux fonctionnalités peuvent activer GitHub Copilot Dreaming. Cette fonctionnalité vise à mettre à jour le contexte et à passer en revue les résultats générés par les agents IA.

Elle  « analyse les sessions éligibles Copilot et les commentaires de révision des pull requests pour identifier les informations utiles, corriger les conseils obsolètes et supprimer les souvenirs en double », précise la documentation de GitHub. « Par exemple, elle peut proposer une mise à jour lorsque les instructions au sein d’un dépôt décrivent une commande de test obsolète ».

Dreaming est directement liée à la couche mémorielle de GitHub, Copilot Memory, en disponibilité générale. Memory doit conserver les préférences personnelles et les conventions des dépôts à travers les sessions. Dreaming met aussi à jour ces préférences personnelles sur la base des conversations des agents. Elle se charge d’actualiser les instructions et les skills associés à certains dépôts.

Dreaming s’appuie également sur les revues de code validées pour alimenter en contexte Copilot Code Review, la fonction de revue de code agentique de GitHub Copilot, concurrente de Claude Code Review.

Copilot Code Review a justement le droit à deux nouvelles fonctionnalités.

Premièrement, les ingénieurs peuvent lui déléguer l’approbation des pull requests et formuler des conditions sur les types de fichiers et les dépôts concernés. « La validation effectuée par Copilot s'apparente à celle d'un réviseur humain », indique GitHub. « Si de nouveau commits sont poussés après la validation par Copilot, celle-ci est annulée et vous pouvez demander une nouvelle révision afin d'obtenir une nouvelle validation ».

Deuxièmement, il est possible d’allouer un niveau d’effort « léger » (Lite), équilibré ou, en préversion, un effort « Max ». Ce dernier active davantage de sous-agents en s’appuyant sur l’orchestrateur multimodèle Copilot Fusion. « Un agent chargé de la synthèse procède ensuite au rapprochement des résultats, résout les divergences et vérifie une nouvelle fois l'exactitude des informations avant de regrouper le tout dans un seul rapport », complète la filiale de Microsoft.

Agent Merge : faire cohabiter les LLM avec les outils d’automatisation traditionnels

Un autre agent proposé par GitHub, Agent Merge, vise à détecter et à résoudre les problèmes dans les flux de travail GitHub Actions et les conflits de Merge.

« Nous avons constaté qu'il y a souvent plus de travail à maintenir une pull request prête à être fusionnée […] qu'à réellement revoir le code », déclare Luke Hoban, vice-président de l’ingénierie de GitHub Copilot, auprès du MagIT.

« En arrière-plan, Agent Merge se chargera de traiter les retours d’expérience, de corriger les échecs de l’intégration continue et de résoudre les conflits », affirme Damian Brady, membre de l’équipe de la relation avec les développeurs chez GitHub, lors du keynote d’ouverture. « Ainsi, une fois que toutes les vérifications auront été validées et que tous ces problèmes auront été résolus, il fusionnera la pull request à [la] place du développeur ».

Déjà disponible depuis l’application Copilot et VS Code, la fonctionnalité est désormais intégrée au volet pull requests de la plateforme. Agent Merge peut être combiné avec auto-merge, un flux d’automatisation des merge basé sur des règles.

« Les outils déterministes et les algorithmes de machine learning traditionnels offrent encore énormément de valeur », constate Luke Hoban. GitHub Copilot « apporte en quelque sorte une nouvelle couche d’intelligence pour savoir quand les utiliser, savoir comment les invoquer », ajoute-t-il.

Deux autres fonctionnalités présentées par GitHub lors de sa conférence annuelle sont destinées à la fois aux agents IA et aux humains. Les pull requests empilées (« stacked pull requests », en VO) visent à découper de grosses modifications de code en petites pull requests interdépendantes. Là, le code généré par un outil d’IA peut être examiné plus facilement, soit depuis GitHub, soit depuis des outils tiers. Ces pull requests empilées sont accessibles à travers l’API REST, GraphQL et les webhooks fournis par GitHub. « Une pile de pull requests peut être mergée (fusionnée) ou les pull requests sont validées et fusionnées une à une », renseigne Damien Brady.

Enfin, l’application GitHub Copilot intègre des canevas, à « une surface partagée et interactive destinée à un élément de travail, tel qu’un plan, un tableau de triage, une session de navigateur, une liste de contrôle de mise en production, un tableau de bord, un incident ou une feuille de calcul ». Cela permet aussi de partager des modifications qui affecteront l’interface utilisateur d’une application.

Passer « des agents IA pull à push »

Hormis l’intégration native avec les flux de travail de GitHub, la filiale de Microsoft reproduit des fonctionnalités « cœur » déjà disponibles dans Claude Code d’Anthropic et Codex d’OpenAI, notamment la continuité des sessions, les canevas et un plus large accès aux outils, à travers les connecteurs MCP.

« Générer du code est facile, créer et déployer des logiciels à large échelle l’est beaucoup moins », assure Jay Parikh, vice-président exécutif de l’équipe CoreAI chez Microsoft. « Le code généré doit être sécurisé, déployable, observable, gouvernable, et fonctionner en production. Et c'est là où, je pense, nous apportons une valeur différenciée à nos clients ».

Vlad Fedorov, lui, dit mener en parallèle le renfort de l’architecture de GitHub soumises à un trafic agentique en forte augmentation, l’ajout de fonctionnalités agentiques et l’optimisation de leurs résultats, dans l’objectif « d‘améliorer l’ensemble du cycle de vie logiciel ».

Dans l’immédiat, GitHub entend optimiser la manière dont les agents IA accèdent à ses API, notamment pour affiner l’accès aux bonnes données de contexte, la recherche sémantique et « même de faire évoluer le fonctionnement des agents pour qu'ils passent d'un modèle « pull » » à un modèle « push ».

En clair, les agents IA seront de plus en plus activés par des déclencheurs et des événements, ce qui éloignera les développeurs du code et changera pour de bon leur rôle. « La ressource la plus rare, c'est le jugement humain », lance le directeur technique de GitHub. « En tant qu'ingénieur, ce qui doit vous préoccuper, c'est que votre travail consiste à résoudre des problèmes ».

Crédits image en haut d’article : Jay Parikh, vice-président exécutif de l’équipe CoreAI chez Microsoft. – photo prise par Gaétan Raoul pour LeMagIT.