GitHub представила концепцию Continuous AI — фоновых ИИ-агентов, которые работают с репозиториями по аналогии с задачами Continuous Integration (CI), но берут на себя задачи, требующие осмысленного анализа, а не жёстких правил.
Классический CI автоматизирует тесты, сборки, форматирование и статический анализ. Эти процессы описываются детерминированными правилами: тест либо проходит, либо падает, сборка либо успешна, либо нет. По словам руководителя GitHub Next Идана Газита, это оставляет большой пласт инженерной работы за пределами CI: код-ревью, поддержка документации, управление зависимостями, отслеживание регрессий, актуальность тестов и качество продукта.
Идан отмечает: «Любая задача, которая требует суждения, выходит за рамки эвристик». GitHub Next предлагает закрыть этот пробел с помощью Continuous AI — агентов, которые действуют в репозитории как задания CI, но работают там, где корректность зависит от понимания контекста и намерений разработчиков, а не от правил.
Continuous AI не заменяет CI и не является отдельным продуктом. CI по-прежнему применим там, где ожидания можно описать схемами, YAML и чёткими проверками. Continuous AI используется, когда ожидания проще сформулировать на естественном языке и сложно переложить в набор правил без потери смысла.
На практике Continuous AI строится вокруг агентных (agentic) рабочих процессов. Разработчик описывает на обычном языке, что должно быть верно для кода, особенно если это трудно закодировать в правилах. Агент анализирует репозиторий и создаёт артефакты для ревью: предлагаемые патчи, issues, обсуждения или аналитические выводы.
Такие рабочие процессы формируются итеративно. Разработчики уточняют намерения, добавляют ограничения и виды допустимых результатов. В итоге получается набор ожиданий, который неудобно или невозможно выразить в виде детерминированных проверок, но можно описать текстом.
«Первая эра ИИ для кода была про генерацию, — говорит Идан. — Вторая связана с когнитивной нагрузкой и снятием тяжёлых рутинных задач с разработчиков». Continuous AI как раз и расширяет автоматизацию на задачи, где требуется понимание намерений, а не только синтаксический анализ.
Безопасность задаётся как базовый принцип. По умолчанию агенты имеют доступ только на чтение: они не могут создавать issues, открывать pull request или менять содержимое репозитория без явного разрешения. Такой подход в GitHub Next называют Safe Outputs.
Safe Outputs задаёт жёсткий контракт: разработчик определяет, какие артефакты агент может создавать (например, открывать pull request или регистрировать issue) и при каких условиях. Всё, что выходит за эти рамки, запрещено.
Модель предполагает, что агенты могут ошибаться или вести себя непредсказуемо. Поэтому выходные данные фильтруются, права явно ограничены, а вся активность логируется и поддаётся аудиту. Это сдерживает возможный ущерб и делает поведение агентов предсказуемым.
Разработчики GitHub Next подчёркивают, что речь не идёт о «ИИ, который захватывает разработку». Агенты работают в строго очерченных рамках, которые задают сами разработчики, а финальное решение остаётся за человеком.
В ответ на вопрос, почему бы просто не расширить CI новыми правилами, в GitHub Next поясняют: если задачу можно описать детерминированно, CI — правильный инструмент. Но есть целый класс задач, которые нельзя выразить в виде эвристик, не потеряв смысл.
Пример: требование «каждый раз, когда документация и код расходятся, находить и исправлять расхождение» нельзя описать регулярным выражением или схемой. Это задача на понимание семантики и намерения. Зато её можно достаточно чётко описать на естественном языке, чтобы агент смог рассуждать и предлагать изменения.
Натуральный язык здесь дополняет YAML, а не заменяет его. CI остаётся основой для правил, а Continuous AI расширяет автоматизацию туда, где раньше требовалось ручное осмысление.
Агентные рабочие процессы не выполняют автономные коммиты. Вместо этого они создают те же сущности, к которым привыкли разработчики: pull request, issues, комментарии, обсуждения — в зависимости от заданных разрешений. Pull request остаётся основным форматом, потому что он встроен в существующий процесс ревью.
«Pull request — это привычная точка, где разработчики просматривают работу, — говорит Идан. — Это контрольная точка, вокруг которой все собираются». Оценка разработчика остаётся главным решением, а Continuous AI помогает масштабировать эту оценку на большой кодовой базе.
Прототип GitHub Next (репозиторий упоминается как gh aw) использует намеренно простой шаблон: никаких скрытых действий, всё прозрачно и видно в репозитории. Разработчик понимает, что именно делает агент и какие артефакты создаёт.
Идан приводит пример: поиск нарушений стиля, вроде неправильно расставленных скобок, — задача для эвристик. Но более глубокие проверки намерения, архитектурных решений или соответствия документации уже требуют ИИ.
GitHub Next тестировал эти сценарии на реальных репозиториях. Одна из ключевых задач — синхронизация документации и кода. Идан называет это одной из наиболее значимых категорий задач для Continuous AI: «Вы не хотите каждый раз при выкладке кода думать, осталась ли документация актуальной. Раньше это нельзя было автоматизировать».
Отдельный пример — автоматические отчёты. Тимлиды и менеджеры тратят много времени на ответы на одни и те же вопросы: что изменилось вчера, растёт число багов или падает, какие части кодовой базы самые активные. Агенты могут регулярно формировать такие отчёты, используя данные из issues, pull request, коммитов и результатов CI.
Главная ценность здесь не сам отчёт, а то, что агент объединяет данные из разных источников и делает выводы, которые в противном случае потребовали бы ручного анализа.
В многоязычных приложениях Continuous AI может постоянно отслеживать, как изменения в исходном языке (обычно английском) отстают от переводов. В результате локализация перестаёт быть отложенной задачей перед релизом и становится непрерывным процессом: агент готовит черновые переводы в pull request, а профессиональные переводчики или сообщество дорабатывают их.
Ещё один пример — работа с зависимостями. Библиотеки часто меняют поведение без увеличения мажорной версии: появляются новые флаги, меняются значения по умолчанию, обновляется справка. Это требует семантического анализа, а не только сравнения diff, поэтому классический CI плохо справляется с такими задачами.
Идан называет происходящее «предвестником нового этапа ИИ»: переходом от генерации к рассуждению. При этом агенты формируют небольшие pull request каждый день, чтобы разработчики могли просматривать изменения по частям.
Continuous AI также применим для задач производительности. Линтеры и анализаторы не всегда видят проблемы, зависящие от намерения, например компиляцию регулярного выражения внутри часто вызываемой функции. Такие «мелочи» в горячих участках кода могут сильно сказываться на производительности, и агенты помогают системно их находить.
На конференции Universe GitHub показывал демонстрацию использования агентов для выявления UX-регрессий в простой платформенной игре. Агенты играли тысячи раз, моделируя поведение пользователя и сравнивая варианты. Если убрать игровой контекст, паттерн можно перенести на другие интерфейсы: агенты способны массово симулировать пользовательские сценарии и выявлять проблемы.
Для запуска Continuous AI не нужно вводить новый CI-инструмент или инфраструктуру. В прототипе GitHub Next применяется простая схема: разработчик пишет правило на естественном языке в Markdown-файле в репозитории, и агентный workflow запускается по событиям репозитория или по расписанию, как обычный GitHub Actions.
GitHub фиксирует несколько трендов, которые уже формируются в рабочих процессах:
- Правила на естественном языке становятся частью автоматизации: разработчики пишут короткие текстовые описания намерений.
- В репозиториях появится «флот» небольших агентов: каждый отвечает за одну задачу, одно правило или один тип проверки.
- Тесты, документация, локализация и очистка кода переходят в постоянный режим: задачи выполняются регулярно, а не когда кто-то вспомнит.
Ожидается, что разработчики будут выбирать агентные шаблоны, которые прозрачны, поддаются аудиту и основаны на diff, а не закрытые системы, которые действуют без видимости.
«Пользовательские агенты для фоновых задач — это и есть Continuous AI, — резюмирует Идан. — Всё, что раньше нельзя было передать на сторону, теперь можно». Точнее, речь о множестве задач, где нужен осмысленный анализ и которые раньше выполнялись вручную, а теперь могут выполняться непрерывно.
Идан сравнивает это с переходом от владения файлами к потоковому прослушиванию музыки: «У вас уже была вся музыка, но вдруг плеер начал помогать открывать новое».
Continuous AI не требует резкого пересмотра пайплайна. GitHub предлагает начинать с небольших задач — тех повторяющихся, ресурсоёмких и зависящих от суждения действий, которые отнимают внимание. Эти задачи можно перевести в непрерывный формат и передать агентам.
Если CI за последние десять лет автоматизировал работу по правилам, то Continuous AI может сделать то же самое для части задач, где важна оценка и контекст, при условии аккуратного и безопасного применения.
Информация основана на материалах GitHub и команды GitHub Next.
