GitHub представил подробный рассказ о том, как старший директор по работе с разработчиками Эшли Уиллис использует около 40 автоматизаций в приложении GitHub Copilot, чтобы управлять повседневной работой и снизить нагрузку на внимание.
GitHub Copilot в десктопном приложении для macOS, Windows и Linux работает с агентами. Можно запускать параллельные сессии по разным репозиториям, каждая в своей ветке и worktree. Действия агентов отображаются в специальных «канвасах» — это рабочие поверхности, где человек и агент совместно работают с планом, терминалом или браузером, а прогресс виден сразу, а не теряется в истории чата.
Автоматизации в Copilot — это запланированные запросы к агентам, которые выполняются по расписанию и используют реальный рабочий контекст: календарь, почту, сообщения и репозитории GitHub. Они подключаются через MCP-серверы и интеграции и позволяют агентам видеть, что происходит во всех инструментах, которые использует руководитель. Пользователь задаёт, на что обращать внимание, как анализировать информацию и когда запускать сценарий, а дальше он работает без дополнительных напоминаний.
Эшли Уиллис руководит направлением developer relations в GitHub и отмечает, что её зона ответственности широка, календарь перегружен, а память и исполнительные функции нестабильны из‑за AuDHD. Первоначально она просто открыла вкладку автоматизаций в Copilot и попросила агента посмотреть на календарь, почту, сообщения и другие рабочие поверхности, чтобы определить, где возникают провалы и какие автоматизации могут помочь. Агент сразу предложил около шести сценариев, которые затем можно было доработать под свой стиль и голос.
Сейчас часть автоматизаций ежедневно запускается до начала рабочего дня. Meeting Prep формирует контекст по каждому совещанию с разными форматами для тет-а-тет, общих синков и внешних звонков. Pre-Meeting Access Check проверяет доступ к документам и ссылкам из приглашения, чтобы избежать ситуации, когда повестка заблокирована. Daily Triage Digest просматривает GitHub, почту и сообщения и выделяет то, что действительно требует внимания. По словам Эшли, это изменило утренний сценарий с хаотичного открытия множества вкладок на спокойное чтение нескольких сводок.
Отдельный набор сценариев связан с релизами GitHub. Автоматизация Ship Decoder собирает все запуски за последние 24 часа и объясняет их простым языком, чтобы руководитель мог использовать этот контекст в разговорах. Launch Radar раз в неделю поднимает грядущие релизы, связанные с её командой, чтобы новые функции или продукты не становились сюрпризом и не приходилось вручную выискивать информацию по каналам и документам.
Ещё одна группа автоматизаций у Эшли посвящена профессиональному развитию и самооценке. Daily Wins Recap каждый вечер подводит итоги, фиксируя, что было сделано за день. Это создаёт накопленную базу для последующих оценок эффективности и помогает бороться с ощущением, что за день ничего значимого не произошло. Когда возникает синдром самозванца, такие отчёты служат опорой за счёт конкретных фактов.
При этом Эшли подчёркивает, что автоматизации не заменяют «человеческую часть» работы руководителя. Например, сценарий Commitments and Follow-Up Tracker анализирует её собственные сообщения и ищет обещания вроде «я посмотрю» или «я вернусь с ответом», помечая незавершённые обязательства. Это помогает не подводить коллег и сохранять доверие. Автоматизация только подсказывает, где нужно вернуться к договорённостям, а сами слова поддержки, обратная связь и похвала по‑прежнему исходят от человека.
Есть и более «операционный» блок, который экономит время на рутинных задачах. Dependabot PR Triage ежедневно находит и сливает безопасные обновления зависимостей в репозиториях. Stale Work Finder выявляет забытые pull request, затихшие задачи и старые ветки. Travel Logistics Tracker отслеживает переписку, связанную с конференциями, и сводит всю логистику в единый краткий обзор, что особенно полезно в сезон мероприятий.
Для наглядности Эшли приводит пример промпта для Stale Work Finder: это один текстовый запрос, который запускается по расписанию (у неё — по понедельникам). Агент сам подставляет контекст из подключённых инструментов. Пользователь может сделать сценарий более общим или, наоборот, очень точным, но механизм одинаков: задать запрос, выбрать расписание и позволить автоматизации работать.
Эшли описывает автоматизации как инструмент доступности. Из‑за AuDHD её рабочая память и способность держать в голове множество задач «плавают» от дня к дню: иногда получается удерживать сразу много контекстов, иногда возникают провалы вроде забытых встреч. Автоматизации уменьшают разрыв между такими днями и помогают дать команде стабильный уровень внимания, независимо от текущего состояния. Для неё это разница между устойчивой работой и выгоранием.
Тем, кто хочет настроить похожую систему, Эшли советует начинать с одной самой болезненной точки, а не пытаться охватить всё сразу. В её случае это была подготовка к встречам, которая требовала собирать информацию из нескольких инструментов и отнимала много сил. Одна автоматизация заметно снизила нагрузку, после чего она стала добавлять новые сценарии по мере появления идей.
Практический подход, который она рекомендует: открыть чат в приложении GitHub Copilot, попросить агента «аудировать» рабочие поверхности, выявить повторяющиеся паттерны и места, где задачи регулярно «падают», и начинать автоматизацию именно с них. Первый вариант сценария обычно требует доработки: его можно уточнять в диалоге с агентом, объясняя свою систему приоритетов и критерии «хорошего» результата, а затем переводить в фоновый режим.
Эшли отмечает, что сейчас мы находимся в моменте, когда отношение к ИИ на работе меняется. Ранние обсуждения концентрировались на генерации контента или кода по запросу, однако для неё ИИ в GitHub Copilot важен тем, что снимает невидимый операционный труд, который не попадает в отчёты, но приводит к выгоранию. Автоматизации не исправляют плохое управление или чрезмерную нагрузку, однако возвращают достаточно ресурсов, чтобы сосредоточиться на основной работе.
Кроме того, GitHub подчёркивает, что Copilot умеет автоматизировать и классические инженерные задачи: обновления зависимостей, триаж задач, проверки безопасности в репозиториях и другие элементы типичного процесса разработки. При этом платформа также развивает «agentic workflows» — архитектуру агентных сценариев с изоляцией, ограниченным форматом выходных данных и детализированным логированием, чтобы компании могли безопасно запускать агентов в GitHub Actions.
Отдельно GitHub делится опытом создания внутреннего аналитического агента Qubot на базе Copilot, который позволяет сотрудникам задавать вопросы к данным на естественном языке, а также рассказывает, как Copilot помогает повышать долю полезной работы в каждой сессии за счёт автоматизации рутинных шагов. Компания также публикует материалы по работе с retrieval-augmented generation (RAG) для извлечения инсайтов, DevSecOps с ИИ и автоматизацией, а также по организации разработки с распределёнными командами.
Источник: корпоративный блог GitHub.
