Agentic DevOps通過智能體增強(qiáng)開發(fā)人員的能力，可以實(shí)現(xiàn)編碼、測試和運(yùn)維的自動化，全面提升整個軟件開發(fā)生命周期（SDLC）的生產(chǎn)力。

智能體開發(fā)運(yùn)維（Agentic DevOps）的概念首次亮相于微軟公司舉辦的Microsoft Build 2025 開發(fā)者大會。如今有了Agentic AI、Agentic Workflows、Agentic Systems……當(dāng)然還有Agentic DevOps紛紛涌現(xiàn)。接下來會是什么? 本文將深入探討Agentic DevOps的精彩世界。

2025年，一場悄無聲息的革命開始重塑軟件構(gòu)建的方式。它不僅僅是提升編碼速度，更在于通過與開發(fā)人員協(xié)作的自主和半自主智能體，徹底變革整個軟件生命周期。歡迎來到Agentic DevOps時代——智能體不再僅僅是輔助工具，更能與開發(fā)者協(xié)作、優(yōu)化并共同完成開發(fā)、質(zhì)量保證（QA）和運(yùn)維工作。這是智能軟件開發(fā)生命周期（SDLC）的新紀(jì)元。

不僅僅服務(wù)于大型企業(yè)

雖然微軟公司通過GitHub Copilot、Azure和Visual Studio等工具引入了這一理念，但Agentic DevOps只是一種范式，而不是一種產(chǎn)品。開發(fā)人員不需要進(jìn)入微軟生態(tài)系統(tǒng)就能從中受益。Agentic DevOps將開發(fā)人員的專業(yè)知識與人工智能工具和框架相結(jié)合，以增強(qiáng)軟件交付能力。雖然微軟公司推廣了這個概念，但它并不局限于其生態(tài)系統(tǒng)。開發(fā)人員可以通過以下方式應(yīng)用Agentic DevOps：

• 編碼智能體：Cursor、Windsurf、Claude Code、Codex等
• 本地人工智能編碼智能體：Continue、Cline、Roo
• 開源模型：Llama 4、Mistral、DeepSeek、Qwen
• 本地部署工具：vLLM、SGLang、TGI
• 智能體框架：LangGraph、AutoGen、CrewAI、DSPy等

這些只是一些例子，開發(fā)人員可以選擇喜歡的工具和基礎(chǔ)設(shè)施，無論是本地部署還是在云中使用AWS、GCP、Azure、IBM Cloud、Oracle Cloud 或阿里云。Agentic DevOps是關(guān)于利用人工智能增強(qiáng)人類能力，而不是鎖定特定供應(yīng)商。Agentic DevOps適合所有人。

什么是Agentic DevOps？

Agentic DevOps是傳統(tǒng)DevOps的進(jìn)階形態(tài)。它引入了特定于任務(wù)的智能體——嵌入到開發(fā)人員工作流程中的人工智能助手，幫助簡化、自動化和優(yōu)化軟件交付的所有階段：

• 開發(fā)智能體：審查拉取請求，重構(gòu)遺留代碼，生成測試用例，根據(jù)規(guī)范實(shí)現(xiàn)功能并確保安全最佳實(shí)踐。
• 質(zhì)量保證（QA）智能體：運(yùn)行自動化測試，建議改進(jìn)測試覆蓋率，發(fā)現(xiàn)不穩(wěn)定的測試，并根據(jù)上下文對錯誤（Bug）進(jìn)行分類。
• 代碼優(yōu)化/清理智能體：清除技術(shù)債務(wù)，并優(yōu)化現(xiàn)有代碼。
• SRE/生產(chǎn)智能體：監(jiān)控系統(tǒng)、響應(yīng)事件、運(yùn)行診斷、提出修復(fù)方案，并自動記錄后續(xù)問題。

這些智能體相互協(xié)作，并與開發(fā)人員協(xié)作，根據(jù)任務(wù)復(fù)雜度和風(fēng)險(xiǎn)等級，充當(dāng)可靠的copilots或獨(dú)立的問題解決者。

現(xiàn)實(shí)世界中的示例：DSPy+MCP+Agenspy

以下通過具體用例展示Agentic DevOps的應(yīng)用場景。

拉取請求（PR）審查智能體

在GitHub上打開一個拉取請求，Agentic DevOps會立即分析這些變化：

• 標(biāo)記潛在的安全問題或遺漏的邊緣情況。
• 建議文檔更新。
• 根據(jù)代碼庫歷史記錄推薦更簡潔的實(shí)現(xiàn)方式。
• 對下游模塊進(jìn)行風(fēng)險(xiǎn)影響分析。

所有這一切在幾分鐘內(nèi)完成。開發(fā)人員只需審查并批準(zhǔn)。

技術(shù)債務(wù)智能體

Agentic DevOps可以定期掃描存儲庫：

• 檢測已經(jīng)棄用的依賴項(xiàng)。
• 建議現(xiàn)代化改造路徑。
• 重構(gòu)圈復(fù)雜度過高的函數(shù)。
• 突出顯示測試覆蓋率的差距。

開發(fā)人員無需將問題堆積到待辦事項(xiàng)中，而是可以有目的地進(jìn)行問題分類。

事件響應(yīng)智能體

如果凌晨3點(diǎn)觸發(fā)一個警報(bào)。無需叫醒運(yùn)維人員：

?智能體運(yùn)行根本原因診斷。

?嘗試自動修復(fù)（例如，重啟 Pod、回滾變更）。

?在問題跟蹤器中記錄事件及修復(fù)建議。

?如果沒有解決，它會向值班工程師發(fā)送一份完整的報(bào)告。

事件響應(yīng)智能體可以減少警報(bào)，顯著提升系統(tǒng)彈性。以上只是一些示例，Agentic DevOps在理論上可以實(shí)現(xiàn)SDLC全流程自動化。

Agentic DevOps實(shí)踐：DSPy + MCP + Agenspy

以下展示一下如何使用代碼來實(shí)現(xiàn)Agentic DevOps。

使用GitHub的DSPy和MCP服務(wù)器創(chuàng)建一些智能體示例，并通過Agenspy庫連接MCP服務(wù)器。

將創(chuàng)建一個PRReviewAgent來分析樣本PR，并提供安全性分析、文檔審查、實(shí)施建議和執(zhí)行影響評估。需要設(shè)置Python和OPENAI_API_KEY和GITHUB_TOKEN。然后安裝依賴項(xiàng)。

pip install "agenspy[mcp]" dspy openai

npm install -g @modelcontextprotocol/server-github

??README.md??文件中有完整的安裝指南。以下是可以直接運(yùn)行的PRReviewAgent的代碼。

1 import os
2 from typing import Dict, List, Optional
3 import dspy
4 from dspy import Prediction
5 from agenspy import RealMCPClient
6
7 class PRReviewAgent(dspy.Module):
8 """Agent for automated PR reviews."""
9 
10 def __init__(self, mcp_client, github_token: Optional[str] = None):
11 super().__init__()
12 self.mcp_client = mcp_client
13 self.github_token = github_token
14
15 # Define predictors with modern signature syntax using ->
16 self.analyze_changes = dspy.Predict(
17 "pr_content -> security_issues: list[str], edge_cases: list[str]"
18 )
19 
20 self.review_docs = dspy.Predict(
21 "changes -> doc_updates: list[str], doc_suggestions: list[str]"
22 )
23 
24 self.analyze_impact = dspy.Predict(
25 "changes, codebase -> impact_analysis: str, risk_score: float"
26 )
27
28 def forward(self, pr_url: str) -> Prediction:
29 """Review a pull request and provide comprehensive analysis."""
30 print(f" Reviewing PR: {pr_url}")
31 
32 # Define default values
33 default_security = ["No security issues identified in the current codebase"]
34 default_edge_cases = ["No potential edge cases detected"]
35 default_doc_updates = ["No documentation updates required"]
36 default_doc_suggestions = ["Documentation appears to be complete"]
37 default_impact = "No significant impact detected"
38 default_risk = 0.0
39 
40 # Fetch PR data
41 pr_data = self.mcp_client(
42 context_request=f"Get PR details for {pr_url}",
43 tool_name="get_pull_request",
44 tool_args={"url": pr_url}
45 )
46
47 # Access the data properly from pr_data
48 context_data = pr_data.get('context_data', {})
49 diff_data = pr_data.get('diff', '') 
50
51 try:
52 # Analyze changes using modern predictor calls
53 analysis = self.analyze_changes(pr_content=context_data)
54 doc_review = self.review_docs(changes=diff_data)
55 impact = self.analyze_impact(
56 changes=diff_data,
57 codebase=context_data
58 )
59
60 # Return a Prediction object with defaults
61 return dspy.Prediction(
62 security_issues=getattr(analysis, 'security_issues', []) or default_security,
63 edge_cases=getattr(analysis, 'edge_cases', []) or default_edge_cases,
64 doc_updates=getattr(doc_review, 'doc_updates', []) or default_doc_updates,
65 doc_suggestions=getattr(doc_review, 'doc_suggestions', []) or default_doc_suggestions,
66 impact_analysis=getattr(impact, 'impact_analysis', '') or default_impact,
67 risk_score=getattr(impact, 'risk_score', 0.0) or default_risk
68 )
69 except Exception as e:
70 print(f"Analysis error: {str(e)}")
71 # Return prediction with default values on error
72 return dspy.Prediction(
73 security_issues=default_security,
74 edge_cases=default_edge_cases,
75 doc_updates=default_doc_updates,
76 doc_suggestions=default_doc_suggestions,
77 impact_analysis=default_impact,
78 risk_score=default_risk
79 )
80
81 def main():
82 """Run PR Review Agent demo."""
83 github_token = os.getenv('GITHUB_TOKEN')
84 openai_key = os.getenv('OPENAI_API_KEY')
85 
86 if not all([github_token, openai_key]):
87 raise EnvironmentError("Please set GITHUB_TOKEN and OPENAI_API_KEY")
88
89 # Configure DSPy with modern configuration
90 lm = dspy.LM('openai/gpt-4o-mini', api_key=openai_key)
91 dspy.configure(lm=lm)
92
93 # Setup MCP client
94 mcp_client = RealMCPClient(
95 ["npx", "-y", "@modelcontextprotocol/server-github"]
96 )
97
98 try:
99 # Create and run agent
100 agent = PRReviewAgent(mcp_client, github_token)
101 result = agent.forward("https://github.com/SuperagenticAI/SuperXLab/pull/1")
102
103 print("\n PR Review Results:")
104 for key, value in result.items():
105 print(f"\n{key.replace('_', ' ').title()}:")
106 if isinstance(value, list):
107 for item in value:
108 print(f" - {item}")
109 else:
110 print(f" {value}")
111 
112 except Exception as e:
113 print(f"Error during PR review: {str(e)}")
114
115if __name__ == "__main__":
116 main()

可以保存該文件并運(yùn)行它以查看結(jié)果。源代碼倉庫中提供了一些示例。

源代碼倉庫：???Agentic DevOps???

從被動響應(yīng)到主動創(chuàng)造

傳統(tǒng)的DevOps幫助打破孤島，而Agentic DevOps消除了交互。它可以將開發(fā)人員從繁瑣的工作中解放出來（bug分類、編寫模板、安全補(bǔ)丁），從而讓開發(fā)人員專注于構(gòu)建有意義的事物。

通過將重復(fù)性工作交給智能體，并利用其擴(kuò)展專業(yè)知識，開發(fā)團(tuán)隊(duì)能夠：

• 更快地交付功能。
• 在保持質(zhì)量的同時避免倦怠。
• 主動消除科技債務(wù)，而不是被其所困。
• 將安全和合規(guī)性嵌入開發(fā)流程，而不是事后補(bǔ)救。

為什么采用Agentic DevOps?

采用Agentic DevOps有多種因素：

• 生成式人工智能成熟度：現(xiàn)在擁有能夠深度理解代碼的模型，而不僅僅是自動完成。
• 工具鏈互操作性：許多IDE、云平臺和 CI/CD 工具正在開放智能體接口。
• 勞動力需求：開發(fā)人員不堪重負(fù)；技術(shù)人才稀缺。增強(qiáng)人類能力已不再是可選項(xiàng)。

Agentic DevOps代表了軟件團(tuán)隊(duì)的一種新的操作系統(tǒng)——不是為了取代人類，而是為了增強(qiáng)人類能力。

入門指南：無需依賴微軟

可以通過以下方式探索Agentic DevOps：

• 整合拉取請求（PR）審查機(jī)器人（例如基于OpenAI、Codeium或Hugging Face 模型的機(jī)器人）。
• 使用持續(xù)交付（CI）管道來觸發(fā)代碼質(zhì)量、測試生成或內(nèi)部掃描的智能體。
• 使用??DSPy??、LangChain或OpenDevin等框架在代碼庫上運(yùn)行微調(diào)的智能體。
• 設(shè)計(jì)智能體分析問題，路由錯誤，或根據(jù)變更日志差異（changelog diffs）提出架構(gòu)改進(jìn)建議的智能體。

它所需要的只是意愿、粘合代碼 (Glue Code)和實(shí)驗(yàn)精神。源代碼中提供了一些示例。

源代碼倉庫：??Agentic-DevOps??

結(jié)論?

智能體的未來應(yīng)用將充滿樂趣。Agentic DevOps 不僅僅是關(guān)于提高開發(fā)人員的生產(chǎn)力，還為他們的代碼開發(fā)帶來樂趣。通過減少重復(fù)勞動，重新獲得創(chuàng)作的樂趣。通過擴(kuò)展最佳實(shí)踐，提高可靠性。通過釋放時間，為開發(fā)人員重新開辟夢想的空間。隨著該領(lǐng)域的成熟，開發(fā)人員不僅可以更快地編碼，還能夠以更智能、更安全、更具想象力的方式構(gòu)建軟件。

原文標(biāo)題：??Agentic DevOps for the Rest of Us: A New Era of Intelligent SDLC??，作者：Shashikant Jagtap