Od asystenta w IDE do agentów: jak przejść przez cały cykl

Cztery poziomy pracy z AI w kodzie

Przejście od asystenta w IDE do agentów łatwiej zaplanować, gdy rozbije się je na cztery poziomy różniące się tym, kto i kiedy sprawdza wynik. Poniższy podział jest roboczy, nie pochodzi ze standardu.

• Podpowiedzi w IDE: programista ocenia każdą linię, zanim ją przyjmie.
• Agent lokalny: zmienia wiele plików i uruchamia polecenia, a człowiek zatwierdza działania w trakcie sesji.
• Agent w tle: dostaje zadanie i oddaje pull request, więc człowiek ocenia dopiero efekt końcowy.
• Agenci w wielu etapach: pomagają też w planowaniu, wdrożeniu i utrzymaniu, a człowiek zatwierdza punkty kontrolne.

Co zmienia się przy przejściu z podpowiedzi na agentów

Pierwszy próg, od podpowiedzi w IDE do agenta lokalnego, zmienia rachunek za GitHub Copilot: inline completions nie zużywają AI credits i pozostają nielimitowane, a czat, CLI i cloud agent już je zużywają. Według cennika GitHuba na 2 listopada 2026 jeden kredyt to 0,01 dolara. Licencja Business wnosi do wspólnej puli 1900 kredytów miesięcznie, czyli 19 dolarów, Enterprise 3900, a niewykorzystane przepadają. Firma, która do tej pory płaciła za stanowiska, zaczyna płacić za użycie, więc budżet na użytkownika i wyłączenie po przekroczeniu limitu trzeba ustawić, zanim agent wejdzie do zespołu.

Drugi próg zmienia kontrolę. W pracy lokalnej programista widzi każdy krok, a przy agencie w tle jedynym punktem kontrolnym staje się przegląd i CI. Trzeci dodaje sprawy, których nie ma w kodzie: dostęp do środowisk, odpowiedzialność za incydenty i pytanie, kto akceptuje plan. Liczby ze Stack Overflow pokazują, że programiści są na tym w różnych miejscach. W ankiecie z 2025 roku około 31% respondentów używało agentów w pracy (codziennie, co tydzień albo raz w miesiącu i rzadziej), a 37,9% nie planowało tego robić. W wydaniu 2026, z 30 903 odpowiedziami, 69,9% pyta agenta AI, gdy trzeba rozwiązać problem, choć samo pytanie agenta nie mówi nic o delegowaniu zadań.

Jak przygotować repozytorium pod agenta AI?

Agent w tle musi umieć sam zbudować i przetestować projekt, więc potrzebna do tego wiedza powinna być w repozytorium. GitHub zaleca opisanie budowania, testów i walidacji w instrukcjach repozytorium oraz plik copilot-setup-steps.yml instalujący zależności przed startem, bo instalowanie metodą prób i błędów bywa wolne i zawodne. Podobną funkcję ma AGENTS.md, otwarty format instrukcji dla agentów, utrzymywany przez Agentic AI Foundation przy Linux Foundation i, według strony projektu, używany w ponad 60 000 projektów open source.

DORA ujmuje to szerzej. W modelu AI Capabilities z 2025 roku wśród siedmiu zdolności wzmacniających działanie AI są dobra kontrola wersji, praca małymi porcjami, dostęp AI do wewnętrznych danych i wewnętrzne platformy dobrej jakości. Raport z tego samego roku nazywa AI wzmacniaczem mocnych i słabych stron organizacji. Wniosek tego tekstu, nie DORA: jeśli zmiana wymaga dziś ręcznej regresji i wiedzy jednej osoby, agent wyprodukuje więcej takich zmian szybciej.

Które zadania oddać agentowi AI w kodzie?

Dobry punkt wyjścia przy wyborze zadań dla agenta to oficjalna lista GitHuba dla Copilot cloud agent. Na początek poleca naprawę błędów, poprawki interfejsu, rozszerzanie testów, dokumentację, dostępność i dług techniczny. Odradza zadania krytyczne dla produkcji, wszystko związane z bezpieczeństwem, danymi osobowymi i uwierzytelnianiem, reakcję na incydenty, zadania niejasne i otwarte, szerokie refaktoryzacje oraz zadania, na których programista ma się czegoś nauczyć.

Propozycja tego tekstu: autonomię przyznawaj klasie zadań, nie zespołowi ani osobie. Przykład hipotetyczny: jeżeli przez kilka tygodni aktualizacje testów przechodzą przegląd bez większych poprawek, można rozszerzyć zakres tej klasy, a reguły dotyczące płatności zostają bez zmian, nawet gdy zespół jest doświadczony. AWS w specyfikacji AI-DLC Workflows 2.0 opisuje podobną zasadę: etap może sam się poprawiać, gdy warunki końcowe sprawdza program, którego AI nie może zmienić, kryterium sukcesu jest wykonalne, a próby są tanie. Build i test spełniają te warunki, analiza wymagań i krytyka projektu jeszcze nie. Każda taka pętla potrzebuje też limitu prób albo budżetu tokenów.

Lista GitHuba kryje też argument kadrowy. Zadania, na których ktoś ma się nauczyć, powinny zostać przy człowieku. DORA w tekście z marca 2026 ostrzega, że AI może ominąć etap mozolnego uczenia się, i radzi łączyć młodszych inżynierów z seniorami przy przeglądzie architektury od AI, a złożone komponenty pisać ręcznie.

Uprawnienia agentów do kodowania i pliki z instrukcjami

Claude Code ma tryby uprawnień od ręcznego zatwierdzania, przez automatyczne przyjmowanie edycji, po auto mode, w którym działania ocenia osobny klasyfikator. Dokumentacja pisze, że auto mode nie gwarantuje bezpieczeństwa i nie zastępuje przeglądu wrażliwych operacji. Tryb bypassPermissions jest przeznaczony wyłącznie do izolowanych środowisk i nie chroni przed prompt injection, czyli poleceniami ukrytymi w czytanej treści. Administrator może go zablokować w ustawieniach zarządzanych, których programista nie nadpisze. Copilot cloud agent ma limity po stronie serwera: wyzwala go tylko osoba z prawem zapisu, pushuje do jednej gałęzi, a dostęp do internetu ogranicza firewall.

Do rozszerzania pracy na planowanie przydaje się tryb plan w Claude Code: agent czyta kod i proponuje zmiany, ale nie edytuje plików, dopóki człowiek nie zaakceptuje planu. To tani sposób sprawdzenia, czy agent dobrze rozumie zadanie, zanim wyda budżet na wykonanie.

Copilot cloud agent nie może zatwierdzić ani scalić własnej zmiany, a osoba zlecająca nie zatwierdza jej sama. Takie reguły warto powielić dla innych agentów przez ochronę gałęzi, bo pracują na tym samym repozytorium i mogą nie mieć podobnych ograniczeń po stronie dostawcy.

Atak opisany przez Forever Security 22 października 2026 pokazuje, dlaczego pliki z instrukcjami trzeba traktować jak kod. Strona zapisuje AGENTS.md lub CLAUDE.md w folderze Pobrane, a agent uruchomiony w tym folderze wykonuje zawarte tam polecenia. Badacze podają, że w ich testach Codex uruchamiał złośliwy kod w ponad 90% prób, a Claude Code zapisywał podstawioną konfigurację w około połowie. Liczby prób ani wersji narzędzi nie podali. Stąd reguła: agenci pracują tylko w repozytoriach, a zmiany w plikach instrukcji przechodzą przegląd.

Kiedy zostać przy asystencie w IDE

Agenci w tle nie mają sensu w repozytorium bez powtarzalnego budowania i testów, gdzie każdy pull request i tak trafia na ręczną weryfikację. Podobnie gdy recenzenci już dziś nie nadążają, bo agent powiększy kolejkę. Wtedy lepiej wydać pierwszy miesiąc na testy, instrukcje i podział zmian, a podpowiedzi w IDE zostawić bez zmian. W wielu etapach cyklu warto też zacząć od planowania, gdzie człowiek i tak czyta wynik, a utrzymanie produkcji zostawić na koniec, bo tam pomyłka kosztuje najwięcej. To zalecenia tego tekstu, nie wynik badania.

Powiązane materiały

• AI-DLC od AWS po polsku: 3 fazy i co zmienia wobec Scruma
• Code review, gdy kod pisze agent: zasady dla zespołu
• Model dojrzałości agentów AI w firmie: od pilotażu do produkcji
• Claude Code i Codex dla programistów

Źródła

• GitHub Docs: Usage-based billing for organizations and enterprises
• GitHub Docs: Get the best results from Copilot cloud agent
• GitHub Docs: Risks and mitigations for Copilot cloud agent
• AGENTS.md
• DORA: 2025 AI Capabilities Model (PDF)
• DORA: 2025 State of AI-assisted Software Development
• AI-DLC Workflows 2.0 Specification (PDF)
• Claude Code Docs: Permission modes
• Claude Code Docs: Configure permissions
• Forever Security: Hijacking AI agents via the Downloads folder
• Stack Overflow Developer Survey 2025: AI
• Stack Overflow Developer Survey 2026