Anstatt jeden einzelnen Schritt selbst programmieren zu müssen, können Entwickler die gewünschte Aufgabe in natürlicher Sprache innerhalb einer Markdown-Datei beschreiben.
Beispielsweise lassen sich KI-Agenten für folgende Tätigkeiten einsetzen:
Analyse fehlgeschlagener Tests in CI-Pipelines.
Identifizierung möglicher Fehlerursachen.
Vorschläge für zusätzliche Unit-Tests.
Unterstützung bei der Überprüfung von Pull Requests.
Aktualisierung technischer Dokumentationen.
Analyse und Kategorisierung von Bug-Reports.
Erstellung von Berichten über Aktivitäten in Repositories.
Der KI-Agent führt seine Aufgaben innerhalb der GitHub-Actions-Infrastruktur aus und verwendet dabei die verfügbaren Werkzeuge und Berechtigungen.
Besonders interessant ist, dass die Technologie nicht ausschließlich auf GitHub Copilot beschränkt ist. Auch andere KI-Engines wie OpenAI Codex, Claude Code und Google Gemini können unterstützt werden.
Wie funktioniert GitHub Agentic Workflows?
Das grundlegende Funktionsprinzip ist relativ einfach, auch wenn im Hintergrund mehrere fortschrittliche Technologien zusammenarbeiten.
Zunächst erstellt der Entwickler eine Markdown-Datei, in der die auszuführende Aufgabe und die Konfiguration der Automatisierung beschrieben werden.
Die Datei besteht aus zwei wesentlichen Bereichen.
Im ersten Bereich befindet sich die YAML-Konfiguration. Sie legt unter anderem fest, wann der Workflow ausgeführt werden soll, welche Berechtigungen erforderlich sind und welche Werkzeuge zur Verfügung stehen.
Der zweite Bereich enthält die eigentlichen Anweisungen für den KI-Agenten in natürlicher Sprache.
Anschließend wird die Definition mithilfe des Befehls gh aw compile in einen regulären GitHub-Actions-Workflow umgewandelt.
Nach dem Start erhält der KI-Agent den notwendigen Kontext und beginnt mit der Bearbeitung der Aufgabe.
Betrachten wir dazu ein praktisches Beispiel.
Ein Entwickler verändert den Quellcode einer Webanwendung und überträgt die Änderungen in ein GitHub-Repository.
Daraufhin startet automatisch eine CI-Pipeline, die verschiedene Softwaretests ausführt.
Leider schlägt einer der Tests fehl.
Im klassischen Entwicklungsprozess müsste ein Entwickler oder Tester nun die Protokolle untersuchen, die Fehlerursache identifizieren und geeignete Maßnahmen festlegen.
Mit GitHub Agentic Workflows kann stattdessen ein KI-Agent zur Unterstützung dieser Analyse eingesetzt werden.
Der Agent kann die Testergebnisse untersuchen, relevante Codeabschnitte berücksichtigen und eine mögliche Erklärung für das Problem erstellen.
Abhängig von der Konfiguration kann er auch Änderungen vorschlagen, die anschließend von einem Menschen überprüft werden.
Dabei handelt es sich um ein mögliches Anwendungsszenario und nicht um eine Garantie, dass jeder Fehler automatisch korrekt erkannt oder behoben wird.
GitHub Agentic Workflows und die Automatisierung von Softwaretests
Eines der interessantesten Einsatzgebiete der neuen Technologie ist die Qualitätssicherung von Software.
Automatisierte Tests sind seit vielen Jahren ein wesentlicher Bestandteil moderner Softwareentwicklung.
Werkzeuge wie Playwright, Cypress oder Selenium ermöglichen es, Anwendungen systematisch zu überprüfen, ohne jeden Testfall manuell ausführen zu müssen.
Allerdings ist die eigentliche Testausführung nur ein Teil der Arbeit.
Softwaretester müssen zusätzlich Testergebnisse analysieren, Testszenarien pflegen, instabile Tests identifizieren und eine angemessene Testabdeckung sicherstellen.
Genau in diesen Bereichen eröffnen KI-Agenten interessante Möglichkeiten.
1. Automatische Analyse fehlgeschlagener Tests
Ein KI-Agent kann Protokolle und Testergebnisse aus GitHub Actions analysieren.
Anstatt lediglich eine Fehlermeldung zu erhalten, können Entwickler und Tester zusätzliche Informationen über mögliche Ursachen bekommen.
Beispielsweise könnte der Agent feststellen, dass ein Test nach einer Änderung des Benutzerinterfaces fehlschlägt oder dass ein Testskript auf ein Element zugreift, das nicht mehr existiert.
Dadurch lässt sich möglicherweise der Zeitaufwand für die erste Fehleranalyse reduzieren.
2. Unterstützung bei der Erstellung neuer Tests
Ein weiterer Anwendungsfall ist die Analyse von Codeänderungen und die Empfehlung zusätzlicher Testfälle.
Stellen wir uns vor, ein Entwickler implementiert eine neue Funktion zur Berechnung von Rabatten in einem Onlineshop.
Ein KI-Agent könnte den geänderten Code und die vorhandenen Tests untersuchen und zusätzliche Testszenarien vorschlagen.
Dabei könnten beispielsweise Grenzwerte, ungültige Eingaben oder ungewöhnliche Kombinationen von Rabatten berücksichtigt werden.
Je nach Konfiguration kann der Agent auch konkrete Testimplementierungen vorbereiten.
Allerdings müssen solche Vorschläge weiterhin auf fachliche Korrektheit und Übereinstimmung mit den tatsächlichen Geschäftsanforderungen überprüft werden.
3. Identifizierung potenzieller Lücken in der Testabdeckung
KI-Agenten können auch dabei helfen, Bereiche einer Anwendung zu identifizieren, die möglicherweise nicht ausreichend getestet wurden.
Auf Grundlage vorhandener Tests, Änderungen am Quellcode und verfügbarer Testberichte können sie Vorschläge machen, welche Szenarien erweitert werden sollten.
Gerade in größeren Softwareprojekten kann diese Unterstützung interessant sein.
Es ist jedoch wichtig zu verstehen, dass ein KI-Agent spezialisierte Werkzeuge zur Messung der Codeabdeckung nicht ersetzt und keine vollständige Testabdeckung garantiert.
Ersetzt GitHub Agentic Workflows die klassischen GitHub Actions?
Nein. Das ist ein besonders wichtiger Punkt.
GitHub Agentic Workflows ersetzt GitHub Actions nicht, sondern erweitert die vorhandene Automatisierungsplattform um KI-gestützte Aufgaben.
Klassische GitHub-Actions-Workflows eignen sich weiterhin hervorragend für das Kompilieren von Anwendungen, das Ausführen automatisierter Tests, statische Codeanalysen und die Bereitstellung neuer Softwareversionen.
Bei solchen Prozessen sind vorhersehbare und reproduzierbare Ergebnisse besonders wichtig.
KI-Agenten können dagegen Aufgaben unterstützen, die Interpretation und kontextabhängige Entscheidungen erfordern.
Ein gutes Beispiel ist der Unterschied zwischen der Ausführung eines Tests und der Analyse eines fehlgeschlagenen Tests.
GitHub Actions kann automatisch eine Playwright-Testsuite starten.
Ein KI-Agent kann anschließend die Ergebnisse analysieren und mögliche Ursachen für fehlgeschlagene Tests identifizieren.
Beide Technologien ergänzen sich und ermöglichen dadurch komplexere Automatisierungsprozesse.
Sicherheit von KI-Agenten: Wie zuverlässig ist die neue Technologie?
Eine der größten Herausforderungen bei KI-Agenten ist die Sicherheit.
Der Zugriff auf ein Software-Repository kann bedeuten, dass ein Agent Quellcode, Konfigurationsdateien und weitere technische Informationen analysieren darf.
Deshalb setzt GitHub bei Agentic Workflows auf mehrere Sicherheitsmechanismen.
KI-Agenten arbeiten standardmäßig mit schreibgeschützten Berechtigungen. Ihre Ausführung erfolgt zudem in einer isolierten Umgebung.
Über den Mechanismus Safe Outputs lassen sich bestimmte Aktionen kontrollieren, beispielsweise das Erstellen von Issues oder Pull Requests.
Darüber hinaus werden Sicherheitsmaßnahmen eingesetzt, um potenzielle Bedrohungen zu erkennen und zu begrenzen.
Trotzdem bleibt ein gewisses Risiko bestehen.
KI-Modelle können Fehler machen, Anweisungen falsch interpretieren oder durch manipulierte Inhalte beeinflusst werden.
Besonders in produktiven Umgebungen sollten Unternehmen daher das Prinzip der minimal erforderlichen Berechtigungen anwenden.
Außerdem empfiehlt es sich, die Ausführungskosten zu überwachen und Änderungen am Quellcode weiterhin durch Menschen überprüfen zu lassen.
Wie kann man GitHub Agentic Workflows ausprobieren?
GitHub Agentic Workflows steht auf GitHub.com für Nutzer der Tarife Free, Team und Enterprise zur Verfügung.
Für den Einstieg benötigt man ein GitHub-Repository mit aktivierten GitHub Actions, die GitHub CLI und Zugriff auf eine unterstützte KI-Engine.
Zunächst kann die entsprechende Erweiterung installiert werden:
gh extension install github/gh-aw
Anschließend lässt sich die Konfiguration im Repository initialisieren:
gh aw init
Im nächsten Schritt erstellt man eine Markdown-Datei mit der Beschreibung der gewünschten Aufgabe oder verwendet eine vorhandene Vorlage.
Der Workflow wird anschließend mit folgendem Befehl kompiliert:
gh aw compile
Die erzeugte .lock.yml-Datei wird zusammen mit der Markdown-Quelldatei im Repository gespeichert.
Nach der Konfiguration der Authentifizierung, der Berechtigungen und der gewünschten Auslöser kann die Automatisierung über GitHub Actions ausgeführt werden.
Dabei sollte man beachten, dass die allgemeine Verfügbarkeit von GitHub Agentic Workflows nicht bedeutet, dass sämtliche KI-Ausführungen kostenlos sind.
Bei Verwendung von GitHub Copilot als KI-Engine ist eine entsprechende Lizenz erforderlich. Je nach Konfiguration können außerdem zusätzliche Kosten für KI-Modelle und Infrastruktur entstehen.
Eine ausführliche Anleitung bietet die offizielle Dokumentation von GitHub Agentic Workflows.
Werden KI-Agenten die Arbeit von Entwicklern und Softwaretestern verändern?
Meiner Meinung nach zeigt GitHub Agentic Workflows sehr deutlich, in welche Richtung sich moderne Entwicklungswerkzeuge bewegen.
Noch vor wenigen Jahren wurde künstliche Intelligenz in der Softwareentwicklung hauptsächlich zur Vervollständigung von Code, zur Erklärung von Fehlermeldungen und zur Generierung einzelner Funktionen eingesetzt.
Heute gewinnen KI-Systeme zunehmend an Bedeutung, die komplette Arbeitsabläufe unterstützen, verschiedene Werkzeuge verwenden und die Ergebnisse ihrer Aktionen analysieren können.
Für Softwareentwickler entsteht dadurch die Möglichkeit, einen Teil wiederkehrender Aufgaben zu automatisieren.
Für Softwaretester können insbesondere die Analyse von Testergebnissen, die Vorbereitung zusätzlicher Testfälle und die Wartung automatisierter Tests interessanter werden.
Ich glaube allerdings nicht, dass Technologien wie GitHub Agentic Workflows automatisch das Ende klassischer Entwickler- oder Testerberufe bedeuten.
Vielmehr könnten sich die Anforderungen an diese Rollen verändern.
Fähigkeiten wie das Entwerfen sinnvoller Automatisierungsprozesse, das Überprüfen KI-generierter Ergebnisse und das Verständnis komplexer Geschäftsanforderungen werden vermutlich weiter an Bedeutung gewinnen.
Künstliche Intelligenz kann immer mehr technische Aufgaben übernehmen. Die Verantwortung für Qualität, Sicherheit und die korrekte Funktionsweise einer Anwendung bleibt jedoch beim Entwicklungsteam.
Fazit
GitHub Agentic Workflows ist ein weiteres Beispiel dafür, wie schnell sich künstliche Intelligenz in der Softwareentwicklung weiterentwickelt.
Die Möglichkeit, Automatisierungen in natürlicher Sprache zu definieren, die Integration mit GitHub Actions und die Unterstützung verschiedener KI-Engines eröffnen neue Möglichkeiten für Entwickler und Softwaretester.
Besonders interessant sind die automatische Analyse fehlgeschlagener CI-Tests, die Unterstützung bei der Erstellung zusätzlicher Testfälle und die Vorbereitung von Änderungen auf Grundlage des aktuellen Repository-Zustands.
Natürlich bedeutet dies nicht, dass solche Prozesse bereits vollständig autonom und fehlerfrei funktionieren.
Dennoch ist die Richtung eindeutig: Künstliche Intelligenz entwickelt sich von einem reinen Antwort- und Assistenzsystem zunehmend zu einem aktiven Bestandteil moderner Entwicklungsprozesse.
Es lohnt sich daher, die weitere Entwicklung von GitHub Agentic Workflows zu verfolgen.
Solche Technologien könnten in den kommenden Jahren erheblichen Einfluss darauf haben, wie Softwareteams ihre tägliche Arbeit organisieren.
Was denkst du darüber? Würdest du einen KI-Agenten einsetzen, um Fehler zu analysieren oder automatisierte Tests in deinem Projekt vorzubereiten?
Quellen
