Чат горим хоцрогдов: GitHub AI агентуудад зориулсан "Canvases" бүтцийг танилцууллаа

Сүүлийн хоёр жилийн хугацаанд бид программ хангамж хөгжүүлэлтэд хиймэл оюунтай харилцахдаа үндсэндээ ганцхан хэлбэрийг ашиглаж ирсэн: Чат интерфейс (Chat Interface). Гэвч AI туслахууд энгийн код гүйцээгчээс бие даан төлөвлөдөг, тест бичдэг, хэрэгжүүлдэг AI Агентууд (Agentic Workflows) болж хувирахын хэрээр уламжлалт чат интерфэйсийн сул талууд илт мэдэгдэх боллоо.

GitHub энэ асуудлыг шийдвэрлэхээр агентын ажиллагааг ил тод, удирдах боломжтой бөгөөд зардал багатай болгох "Canvases" (Канвас ажлын талбар) шинэ концепц, архитектурыг танилцууллаа.

Чат яагаад AI Агентуудад тохирохоо больсон бэ?

Хөгжүүлэгчийн зорилго (intent)-ийг хүлээж авахад чат интерфэйс сайн ажилладаг ч олон шатлалт нарийн төвөгтэй даалгавар дээр дараах гурван том бэрхшээл үүсдэг:

Контекст гээгдэх (Context Fragmentation): Агент 500 мөр логик бодож, хэд хэдэн файл засварлах үед чатын түүх хэт уртсаж, хамгийн чухал төлөв (state) дээш гүйлгэгдэн харагдахгүй болдог.
Токены үргүй зардал (Token Explosion): Чат бүрийн араас бүх түүхийг LLM руу дахин дахин дамжуулснаар токен зарцуулалт болон хүлээлтийн хугацаа (latency) асар хурдацтай өсдөг.
Хяналтгүй бие даасан байдал (Lack of Steerability): Агент буруу чиглэлд алдаа засаад эхэлбэл хөгжүүлэгч тухайн алхмыг дундуур нь зогсоож, чиглүүлэхэд хүндрэлтэй.

"Canvases" гэж юу вэ? Архитектурын гол шинэчлэл

GitHub Copilot экосистемд нэвтэрч буй Canvases нь хөгжүүлэгч болон олон тооны AI агентууд нэгэн зэрэг ажиллах боломжтой, хадгалагддаг визуал ажлын талбар (Durable Shared Surface) юм.

1. Төлөвт суурилсан тогтвортой байдал (Durable State)

Чат шиг урсаад өнгөрөх биш, харин тухайн талбар дээр агентын хийж буй төлөвлөгөө, архитектурын схем, өөрчлөгдсөн файлууд, шалгалтын хуудас (checklist) шууд визуал байдлаар дүрслэгдэн шинэчлэгдэнэ. Хөгжүүлэгч өмнөх яриаг ухаж унших шаардлагагүйгээр одоогийн төслийн бодит статусыг хэдхэн секундэд харна.

2. Олон агентын зохион байгуулалт (Multi-Agent Coordination)

Орчин үеийн агент системүүд ихэвчлэн Planning Agent, Coding Agent, Reviewer Agent, Testing Agent гэж хуваагддаг. Эдгээр агент хоорондоо урт мессеж шидэлцэх бус, дундын нэг "Canvas" дээр төлөвөө бүртгэж ажилладаг болсноор контекстийн зөрчил арилна.

3. Токены зардлыг эрс бууруулах чадвар

Бүх чатын түүхийг контекст цонх руу чихэх шаардлагагүй болж, зөвхөн Canvas дээр шинэчлэгдсэн төлөв (State Diff) болон холбогдох объектуудыг л загварт илгээнэ. Энэ нь агентын ажлын урсгалын токен зардлыг үлэмж хэмжээгээр хэмнэж, ажиллах хурдыг нэмэгдүүлж байна.

Хөгжүүлэгчийн үүрэг: "Зааварлагч"-аас "Хянагч" руу

GitHub-ийн тайлбарласнаар энэхүү шилжилтийн хамгийн гол утга учир нь: "Чат нь агентуудад даалгавар өгөхөд тохиромжтой байсан бол Канвас нь тэднийг бүрэн хянаж, удирдах (Supervise) боломжийг олгож байна".

Агент ажиллаж байх хооронд хөгжүүлэгч Canvas дээрх архитектурын диаграмыг гараараа засах, шалгалтын хуудсан дахь нэг даалгаврыг хасах зэргээр агентын дараагийн алхмыг визуал түвшинд шууд чиглүүлэх боломжтой боллоо.

Дүгнэлт: SDLC-ийн ирээдүйн интерфейс

GitHub нь хөгжүүлэгчдийг олон зуун мөр консол лог эсвэл чат мессеж уншихаас чөлөөлж, визуал канвас, дэд агент удирдлагын цогц платформ болгон Copilot-ийг өргөжүүлж байна. Код бичих агентууд өдөр тутмын стандарт болсон өнөө үед бид тэдэнтэй зүгээр л текстээр харьцах бус, төлөвт суурилсан интерактив орчинд хамтран ажиллах шинэ эринд шилжиж байна.

Эх сурвалж: GitHub Engineering Blog