Copilot Workspace: O que é, como funciona, por que é importante
Em uma palestra recente no Unstructured Data Meetup, ouvimos Idan Gazit, diretor sênior de pesquisa, e Cole Bemis, engenheiro sênior de pesquisa na GitHub Next. Eles apresentaram seu Copilot Workspace, um novo ambiente de desenvolvimento orientado a tarefas criado com base no GitHub Copilot.
Este ambiente de desenvolvimento aprimora a forma como utilizamos modelos de IA generativa, pois agora podemos ir além de simples sugestões de código para a implementação completa de funcionalidades. Nas seções a seguir, vamos explorar este Copilot Workspace e como ele pode nos ajudar a criar e manter aplicativos de IA.
Assista à reprise da palestra no YouTube.
O que é o GitHub Copilot Workspace?
O GitHub Copilot Workspace é uma ferramenta projetada para integrar IA generativa diretamente ao ambiente de programação. Ele nos permite fazer brainstorming, planejar, construir, testar e executar código usando conversas e prompts em linguagem natural. Ele foi criado para nos ajudar a realizar tarefas como corrigir bugs, implementar funcionalidades etc.
O GitHub Copilot Workspace é alimentado por um modelo generativo, o que pode apresentar alguns desafios ao interagir com ele, assim como acontece com modelos generativos. Um desafio comum é fazer com que o modelo entregue uma resposta, neste caso, uma sugestão, sem sair completamente do rumo.
A equipe do GitHub Next resolveu esse desafio implementando pontos de direcionamento entre a tarefa fornecida e o código sugerido. Eles permitem que os desenvolvedores orientem o modelo dizendo quando ele interpreta mal nossas solicitações ou deixa passar alguns casos extremos. Vamos dar uma olhada no fluxo que o Copilot Workspace segue.
Da tarefa à especificação, ao plano e ao código
O Copilot Workspace começa com a criação da tarefa e segue para a especificação, o planejamento e a programação.
Fig 1- Fluxo de trabalho da tarefa à especificação, ao plano e ao código
Aqui está uma análise de cada etapa:
Criação da tarefa: O fluxo de trabalho começa com uma tarefa, que pode ser uma issue do GitHub, um pull request, ou uma solicitação ou ideia geral de funcionalidade. Este é o prompt inicial ou o seu objetivo.
Especificação: O Copilot Workspace gera uma especificação de alto nível ou um esboço do que precisa ser alcançado a partir da tarefa. Ele aproveita sua compreensão da base de código, dos comentários da issue e de outros contextos para sugerir uma especificação.
Planejamento: O Copilot Workspace então transforma a especificação em um plano detalhado. Esse plano descreve o processo passo a passo necessário para implementar a solução, incluindo quaisquer alterações de código, testes e outras ações necessárias. O plano é então apresentado a você para validação.
Programação: Quando você estiver satisfeito com o plano, o Copilot Workspace gera o código real para implementar a solução. Ele usa o plano como guia, aproveitando sua compreensão da base de código e das linguagens de programação para escrever o código necessário.
Sem esses pontos de direcionamento, é como fechar os olhos e torcer para acertar o alvo. Cada etapa do fluxo de trabalho é editável e permite que você colete ou melhore o conteúdo.
Uma demonstração prática mostrando como o Copilot Workspace funciona
Vamos ver um exemplo prático para entender melhor o fluxo de trabalho do Copilot Workspace. Como o Copilot está na fase de revisão técnica e indisponível para todos, usaremos capturas de tela apresentadas em seu lançamento oficial.
Vamos começar com uma issue do GitHub. Esta é a tarefa na qual queremos que o Copilot Workspace trabalhe conosco. Neste caso, queremos adicionar um jogador de IA ao nosso jogo para que ele nem sempre exija duas pessoas. O jogador de IA deve conseguir bloquear o jogador humano em 95% das vezes, tornando o jogo desafiador, mas jogável. Depois que você clicar em Open in Workspace, o fluxo de trabalho será acionado.
Fig. 2 - Problema da opção de jogador de IA no GitHub
Uma vez acionado, o Copilot Workspace assume a issue como a tarefa e gera as especificações ou um esboço. Ele analisa a base de código atual e valida que não há nenhum jogador de IA. Em seguida, propõe as modificações que permitiriam que o estado futuro do jogo tivesse um jogador de IA. Você pode clicar na proposta e editá-la para atender às suas expectativas.
Fig. 3 - Etapa de especificação do fluxo de trabalho do Copilot Workspace
Quando estiver satisfeito com o esboço, o Copilot Workspace gera o plano para implementá-lo. O plano é alterar os arquivos index.jsx e style.css para incorporar o novo recurso de jogador de IA. O Copilot Workspace lista todas as alterações que fará em cada arquivo para implementar as especificações. Você pode editar o plano nesta etapa ou adicionar um item.
Fig. 4 - Etapa de planejamento do fluxo de trabalho do Copilot Workspace
Depois de revisar o plano e ficar satisfeito, implementar a solução planejada é o próximo passo. Isso envolve escrever o código sugerido nos arquivos sugeridos. O Copilot Workspace exibe os arquivos alterados. Você pode editar e modificar o código diretamente na exibição.
Fig. 5 - Etapa de implementação do fluxo de trabalho do Copilot Workspace
Quando estiver satisfeito com o código, você pode abrir uma prévia ao vivo para ver como o jogo fica. Dentro do ambiente do Copilot Workspace, um terminal integrado permite validar e testar seu código sem alternar para um terminal ou ambiente separado. Se estiver satisfeito com o novo recurso, neste caso, o jogador de IA, o próximo passo é abrir um pull request.
Fig. 6 - Etapa de criação de pull request do fluxo de trabalho do Copilot Workspace
Esta etapa permite que você ou sua equipe revise as alterações feitas uma última vez antes de mesclar o código. Essa abordagem nos mostra que o Copilot Workspace não substitui os desenvolvedores, mas ajuda a complementá-los, pois a validação é necessária durante todo o processo.
Simplificando a criação de RAG com o GitHub Copilot Workplace e Milvus
O GitHub Copilot Workspace aumenta a produtividade ao permitir um fluxo de trabalho de desenvolvimento de tarefa para código usando IA generativa. Este Copilot Workspace torna a criação de aplicações complicadas muito mais fácil e eficiente.
Um ótimo exemplo é a Geração Aumentada por Recuperação (RAG). Trata-se de uma técnica avançada projetada para lidar com alucinações de modelos de linguagem grandes (LLM) ao fornecer a esses modelos conhecimento externo. A RAG compreende dois componentes principais: um Recuperador criado com bancos de dados vetoriais como Milvus ou Zilliz Cloud (o Milvus gerenciado) e modelos de embedding, e um LLM.
Criar aplicações RAG é complicado. No entanto, com o Copilot Workspace, essas tarefas são muito mais simplificadas.
Vamos analisar uma tarefa de RAG — tornar multilíngue um app monolíngue — e ver como esse workplace pode ajudar.
Você tem código RAG em um app que atualmente é monolíngue e alimentado pelo banco de dados vetorial Milvus. Você quer que o app ofereça suporte a vários idiomas usando um modelo de embedding com suporte multilíngue do Milvus, como o BGE-M3. Você pode instruir o Copilot Workspace a implementar esse recurso.
Implementação com o Copilot Workspace
Veja como você pode utilizar o Copilot Workspace para implementar esse recurso:
Criação de Tarefa: Você começa criando uma issue no GitHub para tornar o app multilíngue. A tarefa é integrar o modelo multilíngue (BGE-M3) ao sistema RAG existente.
Especificação: O Copilot Workspace analisa a tarefa e gera uma especificação de alto nível. Ele identifica a necessidade de atualizar o pipeline de processamento de dados para lidar com vários idiomas e modificar o sistema RAG para utilizar o BGE-M3 para suporte multilíngue.
Planejamento: Em seguida, o Workspace gera um plano detalhado. Isso inclui etapas como:
Atualizar o processo de ingestão de dados para incluir dados multilíngues.
Modificar a configuração existente do Milvus para oferecer suporte ao BGE-M3.
Ajustar o sistema RAG para aproveitar os recursos multilíngues do BGE-M3.
Testar o sistema para garantir que funcione em vários idiomas.
- Codificação: Com base no plano validado, o Copilot Workspace gera o código necessário:
Ele atualiza os scripts de ingestão de dados para pré-processar e indexar dados multilíngues no Milvus.
Ele configura o código do Milvus para utilizar embeddings do BGE-M3 em buscas de similaridade em vários idiomas.
Ele modifica o sistema RAG para consultar o Milvus usando o modelo multilíngue e recuperar resultados relevantes.
Revisão e Teste: Você revisa o código gerado, faz quaisquer ajustes necessários e testa as alterações.
Pull Request e Merge: Quando estiver satisfeito, você abre um pull request para revisar as alterações com sua equipe. Após a validação final, as alterações são integradas, tornando o app multilíngue.
Conclusão
A apresentação de Idan Gazit e Cole Bemis destacou o potencial do GitHub Copilot Workspace. Este ambiente de desenvolvimento representa um passo significativo para simplificar o desenvolvimento de software complicado como RAG, aumentando a produtividade ao permitir um fluxo de trabalho de desenvolvimento da tarefa ao código usando IA generativa.
Recursos Adicionais
Continue lendo
Why We Built Vector Lakebase: Rethinking Unstructured Data Architecture for AI
Vector Lakebase: a unified, lake-native data foundation for AI workloads — and an answer to what happens after vector databases succeed.
My Wife Wanted Dior. I Spent $600 on Claude Code to Vibe-Code a 2M-Line Database Instead.
Write tests, not code reviews. How a test-first workflow with 6 parallel Claude Code sessions turns a 2M-line C++ codebase into a daily shipping pipeline.
DeepRAG: Thinking to Retrieval Step by Step for Large Language Models
Discover DeepRAG, an advanced retrieval-augmented generation (RAG) model that improves LLM accuracy by retrieving only essential data through step-by-step reasoning.