Copilot Workspace : ce que c’est, comment ça fonctionne, pourquoi c’est important
Lors d’une récente présentation au Unstructured Data Meetup, nous avons entendu Idan Gazit, directeur de recherche senior, et Cole Bemis, ingénieur de recherche senior chez GitHub Next. Ils ont présenté leur Copilot Workspace, un nouvel environnement de développement orienté tâches construit sur GitHub Copilot.
Cet environnement de développement améliore la manière dont nous utilisons les modèles d’IA générative, car nous pouvons désormais aller au-delà de simples suggestions de code jusqu’à l’implémentation complète de fonctionnalités. Dans les sections suivantes, explorons ce Copilot Workspace et la façon dont il peut nous aider à créer et à maintenir des applications d’IA.
Regardez le replay de la présentation sur YouTube.
Qu’est-ce que GitHub Copilot Workspace ?
GitHub Copilot Workspace est un outil conçu pour intégrer l’IA générative directement dans l’environnement de codage. Il nous permet de réfléchir, planifier, construire, tester et exécuter du code à l’aide de conversations et de prompts en langage naturel. Il est conçu pour nous aider à accomplir des tâches telles que la correction de bugs, l’implémentation de fonctionnalités, etc.
GitHub Copilot Workspace est alimenté par un modèle génératif, ce qui peut présenter certains défis lors des interactions avec lui, tout comme avec les modèles génératifs. Un défi courant consiste à amener le modèle à fournir une réponse, en l’occurrence une suggestion, sans complètement dérailler.
L’équipe GitHub Next a résolu ce défi en mettant en place des points de pilotage entre la tâche donnée et le code suggéré. Ils permettent aux développeurs de guider le modèle en lui indiquant lorsqu’il comprend mal nos demandes ou lorsqu’il manque certains cas limites. Examinons le flux suivi par Copilot Workspace.
De la tâche à la spécification, au plan, puis au code
Copilot Workspace commence par la création d’une tâche et passe ensuite à la spécification, à la planification et au codage.
Fig 1- Workflow de la tâche à la spécification, au plan, puis au code
Voici le détail de chaque étape :
Création de la tâche : Le workflow commence par une tâche, qui peut être une issue GitHub, une pull request, ou une demande ou idée générale de fonctionnalité. C’est le prompt initial ou votre objectif.
Spécification : Copilot Workspace génère une spécification de haut niveau ou un aperçu de ce qui doit être réalisé à partir de la tâche. Il s’appuie sur sa compréhension de la base de code, des commentaires de l’issue et d’autres contextes pour suggérer une spécification.
Planification : Copilot Workspace transforme ensuite la spécification en un plan détaillé. Ce plan décrit le processus étape par étape nécessaire pour implémenter la solution, y compris les modifications de code nécessaires, les tests et d’autres actions. Le plan vous est ensuite présenté pour validation.
Codage : Une fois que vous êtes satisfait du plan, Copilot Workspace génère le code réel pour implémenter la solution. Il utilise le plan comme guide, en s’appuyant sur sa compréhension de la base de code et des langages de programmation pour écrire le code nécessaire.
Sans ces points de pilotage, c’est comme fermer les yeux en espérant atteindre la cible. Chaque étape du workflow est modifiable et vous permet de collecter ou d’améliorer le contenu.
Une démonstration pratique montrant le fonctionnement de Copilot Workspace
Examinons un exemple pratique pour mieux comprendre le workflow de Copilot Workspace. Comme Copilot est en phase d’examen technique et n’est pas disponible pour tout le monde, nous utiliserons des captures d’écran présentées lors de sa sortie officielle.
Commençons par une issue GitHub. C’est la tâche sur laquelle nous voulons que Copilot Workspace travaille avec nous. Dans ce cas, nous voulons ajouter un joueur IA à notre jeu afin qu’il ne nécessite pas toujours deux personnes. Le joueur IA doit réussir à bloquer le joueur humain dans 95 % des cas, rendant le jeu difficile mais jouable. Une fois que vous cliquez sur Open in Workspace, le workflow sera déclenché.
Fig. 2 - Problème de l’option joueur IA sur GitHub
Une fois déclenché, Copilot Workspace prend l’issue comme tâche et génère les spécifications ou un plan. Il examine la base de code actuelle et valide qu’il n’y a pas de joueur IA. Il propose ensuite les modifications qui permettraient à l’état futur du jeu d’avoir un joueur IA. Vous pouvez cliquer sur la proposition et la modifier pour qu’elle corresponde à vos attentes.
Fig. 3 - Étape de spécification du workflow Copilot Workspace
Une fois que vous êtes satisfait du plan, Copilot Workspace génère le plan pour l’implémenter. Le plan consiste à modifier les fichiers index.jsx et style.css afin d’intégrer la nouvelle fonctionnalité de joueur IA. Copilot Workspace répertorie toutes les modifications qu’il apportera dans chaque fichier pour implémenter les spécifications. Vous pouvez modifier le plan à ce stade ou ajouter un élément.
Fig. 4 - Étape de planification du workflow Copilot Workspace
Après avoir examiné le plan et en être satisfait, l’étape suivante consiste à implémenter la solution planifiée. Cela implique d’écrire le code suggéré dans les fichiers suggérés. Le Copilot Workspace affiche les fichiers modifiés. Vous pouvez éditer et modifier le code directement dans l’affichage.
Fig. 5 - Étape d’implémentation du workflow Copilot Workspace
Une fois que vous êtes satisfait du code, vous pouvez ouvrir un aperçu en direct pour voir à quoi ressemble le jeu. Dans l’environnement Copilot Workspace, un terminal intégré vous permet de valider et de tester votre code sans passer à un terminal ou à un environnement séparé. Si vous êtes satisfait de la nouvelle fonctionnalité, dans ce cas, le joueur IA, l’étape suivante consiste à ouvrir une pull request.
Fig. 6 - Étape de création de pull request du workflow Copilot Workspace
Cette étape vous permet, à vous ou à votre équipe, de relire une dernière fois les modifications apportées avant de fusionner le code. Cette approche nous montre que Copilot Workspace ne remplace pas les développeurs, mais contribue à les compléter, car une validation est nécessaire tout au long du processus.
Rationaliser la création de RAG avec GitHub Copilot Workplace et Milvus
GitHub Copilot Workspace améliore la productivité en permettant un workflow de développement de la tâche au code à l’aide de l’IA générative. Ce Copilot Workspace rend la création d’applications complexes beaucoup plus simple et plus efficace.
Un excellent exemple est la génération augmentée par récupération (RAG). Il s’agit d’une technique avancée conçue pour remédier aux hallucinations des grands modèles de langage (LLM) en fournissant à ces modèles des connaissances externes. RAG comprend deux composants clés : un Retriever construit avec des bases de données vectorielles comme Milvus ou Zilliz Cloud (le Milvus géré) et des modèles d’embedding, et un LLM.
Créer des applications RAG est compliqué. Cependant, avec Copilot Workspace, ces tâches sont beaucoup plus rationalisées.
Examinons une tâche RAG — rendre une application monolingue multilingue — et voyons comment ce workplace peut aider.
Vous disposez de code RAG sur une application qui est actuellement monolingue et alimentée par la base de données vectorielle Milvus. Vous souhaitez que l’application prenne en charge plusieurs langues en utilisant un modèle d’embedding pris en charge par Milvus pour le multilingue, tel que BGE-M3. Vous pouvez demander à Copilot Workspace d’implémenter cette fonctionnalité.
Implémentation avec Copilot Workspace
Voici comment vous pouvez utiliser Copilot Workspace pour implémenter cette fonctionnalité :
Création de la tâche: Vous commencez par créer une issue GitHub pour rendre l’application multilingue. La tâche consiste à intégrer le modèle multilingue (BGE-M3) au système RAG existant.
Spécification: Copilot Workspace analyse la tâche et génère une spécification de haut niveau. Il identifie la nécessité de mettre à jour le pipeline de traitement des données pour gérer plusieurs langues et de modifier le système RAG afin d’utiliser BGE-M3 pour la prise en charge multilingue.
Planification: Le Workspace génère ensuite un plan détaillé. Cela inclut des étapes telles que:
Mettre à jour le processus d’ingestion des données pour inclure des données multilingues.
Modifier la configuration Milvus existante pour prendre en charge BGE-M3.
Ajuster le système RAG afin de tirer parti des capacités multilingues de BGE-M3.
Tester le système pour s’assurer qu’il fonctionne dans plusieurs langues.
- Codage: Sur la base du plan validé, Copilot Workspace génère le code nécessaire:
Il met à jour les scripts d’ingestion des données pour prétraiter et indexer les données multilingues dans Milvus.
Il configure le code Milvus pour utiliser les embeddings BGE-M3 pour les recherches de similarité dans plusieurs langues.
Il modifie le système RAG pour interroger Milvus à l’aide du modèle multilingue et récupérer les résultats pertinents.
Revue et test: Vous examinez le code généré, apportez les ajustements nécessaires et testez les modifications.
Pull Request et fusion: Une fois satisfait, vous ouvrez une pull request pour examiner les modifications avec votre équipe. Après validation finale, les modifications sont fusionnées, rendant l’application multilingue.
Conclusion
La présentation d’Idan Gazit et Cole Bemis a mis en lumière le potentiel de GitHub Copilot Workspace. Cet environnement de développement représente une étape importante dans la rationalisation du développement logiciel complexe comme RAG, en améliorant la productivité grâce à un flux de travail de développement de la tâche au code utilisant l’IA générative.
Ressources complémentaires
Continuer à lire
Zilliz Cloud Now Available in AWS Asia Pacific (Seoul)
Zilliz Cloud is now available in AWS Seoul — low-latency vector search, in-country data residency, and one-step migration for Korean AI teams. 31 regions across 5 clouds.
Notion's Vector Search Is Excellent. Their Next Problem Is Harder.
Notion solved vector search scaling in two years. The next bottleneck — offline context engineering, unified data, and the real-time/offline gap — is harder.
Zilliz Cloud Now Available in Azure North Europe: Bringing AI-Powered Vector Search Closer to European Customers
The addition of the Azure North Europe (Ireland) region further expands our global footprint to better serve our European customers.