GitHub представил открытый проект Squad, который использует GitHub Copilot для организации многоагентной работы ИИ прямо внутри репозитория. Инструмент позволяет разработчикам запускать команду специализированных агентов без сложной инфраструктуры оркестрации и без глубоких знаний в настройке промптов.
Squad — это набор ИИ-агентов (тимлид, фронтенд-разработчик, бэкенд-разработчик, тестировщик и другие), которые работают с вашим кодом как команда. Установка занимает два шага: глобальная установка `npm install -g @bradygaster/squad-cli` и запуск `squad init` в конкретном репозитории. После этого внутри проекта появляется готовая виртуальная команда.
Разработчик описывает задачу на естественном языке. Координатор внутри Squad распределяет работу, подгружает контекст репозитория и создаёт агентов со специализированными инструкциями. Агенты знают структуру проекта и предыдущие решения не из промпта, а за счёт использования общих файлов с историей и принятыми договорённостями, которые хранятся в репозитории.
Например, на запрос «Team, I need JWT auth — refresh tokens, bcrypt, the works» бэкенд-специалист реализует функциональность, тестировщик пишет тесты, а специалист по документации открывает pull request. В течение нескольких минут создаются файлы и ветки, при этом ИИ-агенты учитывают существующие соглашения по именованию и настройки подключений к базе данных.
Squad берёт на себя внутренние циклы доработки. Если тесты проваливаются, тестировщик отклоняет код, и исходный агент не может править собственную работу. Исправлением занимается другой агент. Такой протокол обзора создаёт по-настоящему независимую проверку с отдельным контекстом, а разработчик видит итоговый pull request, прошедший этот внутренний цикл, а не все промежуточные версии.
Команда подчёркивает, что Squad не является автопилотом. Агенты задают уточняющие вопросы и иногда делают неверные, хотя и логичные предположения. Разработчик по-прежнему просматривает и сливает весь код. Это совместная работа человека и ИИ, а не полностью автономная разработка.
Вместо сложной синхронизации состояния через чаты в реальном времени или обширные запросы к векторным базам данных Squad использует так называемый паттерн «drop-box». Все архитектурные решения записываются структурированными блоками в файл decisions.md в репозитории. Такой подход даёт постоянную, прозрачную и версионируемую «память команды» с аудиторским следом и позволяет восстанавливать контекст после перерывов или перезапусков.
Ещё одна задача, которую решает Squad, — ограничение контекстного окна. Координатор остаётся лёгким маршрутизатором и не выполняет сам работу. Вместо этого он создаёт специалистов, каждый из которых запускается отдельным вызовом модели с собственным большим контекстным окном (например, до 200 000 токенов на поддерживаемых моделях). Контекст репозитория копируется между агентами, что даёт несколько независимых «мыслящих контекстов», работающих параллельно.
Идентичность каждого агента в Squad задаётся файлами в репозитории: у него есть charter (кто он и за что отвечает) и history (что уже сделал), а также доступ к общим командным решениям. Эти файлы хранятся в каталоге .squad и версионируются вместе с кодом. При клонировании репозитория разработчик получает не только исходники, но и уже «онбординенную» ИИ-команду с её памятью.
Авторы проекта называют главным достижением то, что Squad снижает порог входа в агентную разработку. Разработчику не нужно тратить часы на инфраструктуру, изучать сложную инженерную работу с промптами или разбираться в запутанных сценариях CLI, чтобы получить помощь ИИ-команды при написании кода. Для знакомства с подходом репозиторий Squad можно использовать как демонстрацию репозиторно-ориентированной оркестрации.
Проект описан Principal PM Architect по CoreAI Apps & Agents в Microsoft, который занимается созданием инструментов для работы с Copilot в облаке. В сопутствующих материалах GitHub также рассказывает о переходе ИИ от схемы «запрос–ответ» к программируемым агентным сценариям, о GitHub Copilot SDK для таких сценариев, а также о подходах к безопасности, изоляции и логированию GitHub Agentic Workflows и примерах внедрения ИИ в DevSecOps.
Источник: материалы GitHub и Microsoft.
