記事のポイント
- GitHubはAIエージェントを前提としたAgent Native Engineering Systemとして、ソフトウェア開発全体を支援するプラットフォームへの進化を進めている
- GitHub Copilot FusionやCopilot App、Projectsを通じて、複数のモデルやエージェントを組み合わせながら、品質とコストを考慮した開発を実現する
- Copilot Automations、Code Review、Agent Mergeにより、バグの検出から修正、検証、Pull Requestのマージまでを連携させるSoftware Factoryの構成が紹介された
はじめに
この記事ではMicrosoft Ignite 2026のBRK289セッション「GitHub, the agent native engineering system」の内容を整理しています。実際に現地でセッションを視聴した内容をもとに、個人の見解を交えて紹介します。
本セッションではAIエージェントを前提とした新しいソフトウェアエンジニアリングの考え方やGitHubを活用した開発プロセスの変化について紹介されました。
特に注目したいのはAIエージェントによるコード生成の先にある開発プロセスの変化です。これまでGitHub Copilotは、コードの補完や生成、リファクタリングなどを支援するツールとして活用されてきました。しかし、AIエージェントの能力が向上するにつれて、ソフトウェア開発のさまざまな工程をエージェントへ委任できるようになっています。
例えばIssueを起点とした実装やPull Requestの作成、コードレビュー、テストの実行などです。今回のセッションでは、こうした個々の作業を連携させることで、開発者が毎回指示を出さなくても作業が進む仕組みが紹介されました。
また、GitHub Copilot Fusionによるモデルの使い分けや、AIエージェントの実行コストについても具体的なデモが行われています。
なお、セッション内に登場するサービスには一般公開されていないものやプレビュー段階のものが含まれる場合があります。本番環境で利用する際には最新の公式ドキュメントで提供状況や制約を確認してください。
セッション概要
- セッション名:BRK289 GitHub, the agent native engineering system
- 時間:14:00〜14:45
- 会場:Moscone West / Level 2 / Room 2014
BRK289:GitHub, the agent native engineering system
AIエージェントを前提とした新しいソフトウェアエンジニアリングのあり方を紹介するセッションです。GitHubをソースコード管理やコード生成のためのプラットフォームとして捉えるのではなく、人間とAIエージェントが協調してソフトウェアを設計、開発、評価するためのシステムとして位置付けています。
セッションではGitHub Universe 2026で発表された機能を振り返りながら、GitHub Copilot Fusion、Copilot App、Projects、Automations、Code Review、Agent Mergeなどのデモが行われました。
このセッションを知るための前提知識
GitHub
GitHubはGitを利用したソースコード管理やPull Requestによるレビュー、Issuesによるタスク管理など、ソフトウェア開発のさまざまな工程を支援するプラットフォームです。
GitHub ActionsによるCI/CDやGitHub CopilotによるAIを活用した開発支援など、ソースコードの管理にとどまらない機能を提供しています。2026年10月28日から29日にはGitHub Universe 2026が開催され、AIエージェントを中心とした新しい開発環境や機能が数多く発表されました。
今回のセッションではそれらの機能をソフトウェア開発全体でどのように利用するのかが紹介されています。
Agentic Development Environment
Agentic Development Environmentは、AIエージェントがソフトウェア開発に必要な作業を実行することを前提とした開発環境です。
従来のIDEでは開発者がエディターを操作し、コードを記述したり、テストやデバッグを実行したりしていました。
Agentic Development Environmentでは、開発者がエージェントへタスクを委任し、その実行状況や成果物を確認しながら作業を進めます。
複数のエージェントを並列実行できることも特徴です。そのため、開発者自身が一つずつ作業を実行するのではなく、複数の作業をエージェントへ委任し、実行結果を確認するという開発方法が考えられます。
Software Factory
Software Factoryは、ソフトウェアを継続的に生成、検証、改善するための仕組みです。AIエージェントの文脈では、開発者が個々の実装を依頼するだけでなく、Issueの作成や実装、テスト、レビューなどの工程を自動的に実行する仕組みとして使われています。
例えば、本番環境でエラーが発生した際に、監視サービスから問題を検出し、エージェントが原因の調査や修正案の作成を行い、最終的に人間が確認してマージするという流れが考えられます。
セッション本編
GitHubが目指すAgent Native Engineering System
セッションの冒頭では、GitHubが目指すAgent Native Engineering Systemについて説明がありました。
この構想では、AIエージェントを利用してコードを生成する機能に加えて、企業向けのガバナンスやセキュリティ、実行基盤などを含むプラットフォーム全体の進化が必要になります。
特にGitHub Universe 2026以降、AIエージェントによるソフトウェア開発の利用が急速に増加していることが紹介されました。
GitHub自身もこの変化に対応するため、リポジトリのストレージを含むインフラストラクチャの再設計を進めています。
セッションでは新しいアーキテクチャを利用した負荷試験の結果として、以下の数値が示されました。
- 5,000の同時実行エージェントセッション
- 毎秒7,200回の書き込み
- 従来構成に対して約180倍のスループット
これらはGitHubが説明した試験結果であり、すべてのリポジトリで同じ性能が得られることを示すものではありません。また、24時間分のGitHubへの負荷を1分間に圧縮して再現するデモも紹介されました。
従来のアーキテクチャではタイムアウトが発生していたのに対し、新しいアーキテクチャでは処理を継続できることが示されました。AIエージェントが大量のPull RequestやGit操作を生成するようになれば、人間による開発を前提とした利用規模を超える可能性があります。
GitHubはこうしたMachine Speedでの操作に対応するため、プラットフォームの基盤から再設計していると説明しています。
GitHub Copilot Fusionによるマルチモデルの活用
続いて紹介されたのがGitHub Copilot Fusionです。Copilot Fusionは、複数のAIモデルを組み合わせてタスクを実行する仕組みです。
登壇者はCopilot Fusionを単一のAIモデルではなく、モデルのルーティングやオーケストレーションを含むシステムとして説明していました。
まずタスクの意図を把握し、処理内容に適したモデルを選択します。その後、オーケストレーションによって適切なタイミングでモデルへタスクを割り当てます。
これにより、すべての処理を高額なモデルで実行するのではなく、タスクの性質に応じたモデルの組み合わせを利用できるようになります。
Terminal-Benchでの評価
セッションではTerminal-Bench 4.1のベンチマーク結果が紹介されました。Terminal-Benchは、AIエージェントがターミナル環境で実際のタスクをどの程度実行できるかを評価するベンチマークです。
登壇者によると、Copilot Fusionは当日の公開リーダーボードで高いスコアを記録し、複数のFrontierモデルを上回る結果を示しました。さらに、比較対象となる高性能モデルに対して、約半分のコストで結果を得られることが強調されていました。
ここで注目したいのは、モデルそのものの性能だけでなく、Agent Harnessや実行時のオーケストレーションが結果に影響するという説明です。同じモデルを利用していても、タスクの分割方法やツールの実行、コンテキストの管理などによって、エージェント全体の性能は変わります。
Copilot Fusionは、こうした実行システム全体を調整することで性能とコストの両方を改善するアプローチです。
Coffeeアプリケーションを使ったデモ
Copilot Fusionのデモでは、Fourth Coffeeという架空のコーヒーショップのWebアプリケーションが使用されました。最初のデモでは、アプリケーションにギフトカードを購入する機能を追加するというタスクが与えられました。
同じプロンプトを複数のモデルへ入力し、それぞれが生成した画面や必要となったクレジット数を比較しています。各モデルで生成されるUIには違いがあり、ギフトカードの見た目や金額の選択方法などに差が見られました。
その中でCopilot Fusionは、必要な機能を実装しながら消費するクレジット数を抑えられることが紹介されています。続いて、Rubyのスクリプトを使ったタスクでも比較が行われました。
このデモでは、Copilot Fusionが52クレジットでタスクを完了したのに対し、比較対象のモデルではより多くのクレジットが必要だったと説明しています。どちらのデモも限られたタスクによる比較であるため、すべての開発タスクで同様の結果になるとは限りません。
ただし、実際のタスクに対して、達成した結果と消費したクレジットを並べて評価するという考え方が示されていました。
GitHub Copilot Appによるエージェントの並列実行
次に紹介されたのがGitHub Copilot Appです。GitHub Copilot Appは、AIエージェントと共同作業するためのデスクトップアプリケーションです。登壇者はこのアプリケーションをエージェントのCommand Centerとして紹介していました。
従来の開発ではIDEやCLIが中心でしたが、複数のエージェントを同時に利用する場合、それぞれの実行状況を確認しながら作業を進める必要があります。Copilot Appでは複数のリポジトリやセッションを管理し、それぞれのエージェントへ異なるタスクを依頼できます。
例えばFourth Coffeeのデモでは、店舗一覧に経路案内ボタンを追加するタスクと、営業中の店舗だけを表示するフィルターを追加するタスクが並列で実行されました。
ユーザーはエージェントの実行を開始した後、セッションを切り替えながら進捗や実行結果を確認できます。
Copilot Fusionによるコスト比較
営業中の店舗を表示するフィルターを追加するデモでは、同じタスクを異なるモデルで実行した結果が紹介されました。
| モデル | デモでの消費クレジット |
|---|---|
| Claude Opus 5.5 | 132クレジット |
| Copilot Fusion | 42クレジット |
Copilot Fusionは比較対象の約3分の1のコストで、同様の機能を実装できたと説明されています。画面の見た目には多少の違いがありましたが、どちらも要求されたフィルター機能を実装していました。このデモは、同じタスクを達成する場合でも、モデルの選択によって必要なコストが変わることを示しています。
Connectorsによる外部システムとの連携
Copilot AppにはCustomizeという設定画面があり、エージェントが利用する知識や外部サービスとの接続を管理できます。セッションではWork IQ Connectorの利用方法が紹介されました。
Work IQはMicrosoft 365に存在するメール、予定表、会議、文書などの業務コンテキストを扱う仕組みです。デモではCopilot AppのMarketplaceからWork IQ Connectorを検索し、Microsoftアカウントによる認証を行って接続していました。
登壇者は、MCPサーバーの設定ファイルを手動で編集したり、パッケージをダウンロードしたりする必要がなく、数回の操作で接続できることを強調しています。接続後はCopilotに対して、以前のプロジェクト会議で何が決まったのかを質問するデモが行われました。
CopilotはTeamsの会議記録を参照し、会議で合意された内容を回答していました。
このように、開発中のエージェントがリポジトリの情報に加えて、組織内の業務コンテキストを利用できることが示されました。ただし、企業で利用する場合には、どの情報源へアクセスできるのかを適切に制御する必要があります。
Copilot Projectsによる複数エージェントの管理
Copilot Appのもう一つの特徴として紹介されたのがProjectsです。通常、AIエージェントへ実装を依頼する場合は、タスクごとにセッションを作成して作業を進めます。
しかし、大規模な変更を実施する場合には複数のエージェントを利用することになり、それぞれのセッションを管理する必要が生じます。Copilot Projectsでは複数のエージェントセッションをまとめて管理し、共通の目標に向かって作業を進められます。
デモではFourth CoffeeのWebサイトを再設計するプロジェクトが紹介されました。最初に共通テンプレートを作成し、その後、各ページの移行作業を10個のセッションへ分割して並列実行しています。
それぞれのセッションでは個別のPull Requestが作成されました。この方法であれば、一つの巨大なPull Requestを作成するのではなく、変更をページ単位に分割できます。
レビューする側も、変更内容を確認しやすくなります。また、各ページの変更前後を比較するため、スクリーンショットを取得するようProjectへ依頼するデモもありました。
Projectは各エージェントからスクリーンショットを収集し、Libraryへ保存します。ユーザーはLibraryから画像を選択し、変更前後の画面を比較できます。ここでは開発者が10個のエージェントを個別に操作する必要はなく、Projectへ指示することで作業を進められることが示されました。
Microsoft TeamsとSlackからGitHub Copilotを利用
GitHub CopilotはIDEやCopilot Appの中だけで利用するものではありません。セッションではMicrosoft TeamsやSlackとの連携についても紹介されました。
デモではTeamsのチャットからGitHub Copilotを呼び出し、Issueの作成を依頼していました。さらにコードに関する質問や、機能の実装、バグの修正なども依頼できます。
特徴的なのは、チームでの会話からそのまま開発作業を開始できることです。例えばミーティング中に小さな改善案が出た場合、その場では話題になっても、後からIssueを作成することを忘れてしまうケースがあります。
Copilotを共同作業の場に組み込むことで、こうした改善案をその場でIssueや実装タスクへつなげられます。また、エージェントの実行状況を会話の参加者が確認でき、必要に応じて指示を追加することも紹介されました。
Copilot AutomationsによるSoftware Factory
今回のセッションで特に興味深かったのがCopilot Automationsです。Copilot Automationsは、定義したトリガーに応じてAIエージェントを自動的に実行する仕組みです。
通常のAIエージェントでは、ユーザーがプロンプトを入力してタスクを開始します。Copilot Automationsでは、あらかじめ実行条件を定義しておくことで、毎回人間が指示を出す必要がなくなります。
Automationsでは以下の項目を定義できます。
- Prompt:エージェントに実行させる処理
- Tools:エージェントが利用できるツール
- Triggers:実行を開始する条件
- Credits:実行時に消費できるクレジットの上限
例えば、毎朝6時に実行する処理や、Issueが作成されたときに実行する処理、Pull Requestがレビュー可能になったときに実行する処理などが考えられます。クラウド上で実行するAutomationsの場合、開発者のPCが起動していなくても処理を継続できます。
Pull Requestの動作確認を自動化するデモ
最初のデモでは、Pull Requestの動作確認を自動化する仕組みが紹介されました。通常、Pull Requestをレビューする際には、ソースコードの変更内容を確認するだけでなく、実際に期待した動作をするか検証する場合があります。
そのためにアプリケーションをステージング環境へデプロイしたり、ローカル環境で起動したりする必要があります。デモでは、Pull Requestが作成されたことをトリガーにCopilot Automationsを実行し、変更後のアプリケーションの動作を検証していました。
エージェントは画面を操作して動作を確認し、その結果を動画として記録します。さらに動画をPull Requestのコメントへ添付します。
これにより、レビュー担当者はコードの変更内容だけでなく、実際の動作を確認しながらレビューできます。重要なのは、Automationsに実行可能な操作を制限する仕組みがあることです。
このデモでは、エージェントがコードをPushしたりPull Requestを閉じたりできないように設定されていました。また、利用できるクレジットにも上限を設定しています。
Automationsを利用する際には、実行できる操作とコストの両方を制御する必要があることが分かります。
Automations自身の改善
もう一つ紹介されたのが、Automationsの改善を支援する仕組みです。デモではPull Requestの動作確認を行うAutomationに加え、その実行ログを定期的に分析する別のAutomationが用意されていました。
ログを調査した結果、動画のアップロードが失敗した場合にエージェントが適切に対応できない問題が見つかりました。今後同じ問題を発生させないためのPromptの改善案が生成されました。
開発者はその改善案を確認し、必要に応じて適用できます。AIエージェントを利用した自動化処理についても、実行結果をフィードバックとして利用し、改善するという考え方です。
Azure SRE AgentとGitHub Copilot Automationsを組み合わせたバグ修正
Azure MonitorとAzure SRE Agent、GitHub Copilot Automationsを組み合わせたバグ修正の自動化です。このデモでは、本番環境で発生したエラーを検知してから修正するまでの一連の作業を、複数のエージェントへ分担させていました。
登壇者は、エラー監視ツールに大量の例外が記録されていても、開発者がすべての問題を継続的に確認することは難しいと説明しています。その結果、ユーザーから問い合わせが届くまで問題が放置される場合があります。今回のデモでは、こうした状況を改善するために、監視から修正までのワークフローを自動化しています。
バグ検出から修正までの流れ
デモで紹介された構成は以下のとおりです。
- Azure Monitorでアプリケーションの例外を検出
- Azure SRE Agentが例外を調査し、GitHub Issueを作成
- Reproducer AutomationがIssueを受け取り、バグを再現
- 再現手順や動画をIssueへ投稿し、
bug reproducedラベルを付与 - Fixer Automationがラベルをトリガーに修正を実施し、Pull Requestを作成
- Validator Automationが修正後の動作を検証
- 最終的に開発者がPull Requestを確認してマージ
ここでのポイントは、各Automationが別のAutomationの実行結果を受け取って処理を進めることです。例えばReproducer AutomationがIssueにラベルを追加すると、それをきっかけにFixer Automationが実行されます。GitHubのIssueやPull Requestを介して、エージェント間で処理をつないでいます。
Fourth Coffeeでのバグ修正デモ
実際のデモでは、Fourth CoffeeのWebアプリケーションで注文に関する画面を操作すると、HTTP 500エラーが発生する問題が紹介されました。この問題は、Azure SRE Agentによって検出され、GitHub Issueとして登録されていました。
Issueが作成されるとReproducer Automationが実行され、エラーの再現手順と動画が追加されます。その後、Fixer Automationが修正用のPull Requestを作成します。
最後にValidator AutomationがPull Requestの変更を検証し、問題が解決されていることを確認します。開発者は作成されたPull Requestと検証結果を確認し、必要に応じてマージします。これまで開発者が手動で行っていた例外の調査、再現、修正、動作確認などの工程が、一連の自動化処理として構成されていました。
この仕組みはアプリケーションのバグ修正に限らず、セキュリティ上の問題や依存パッケージの更新、小さな機能改善などにも応用できると説明されています。
Copilot Code ReviewとAgent Merge
セッションの後半ではPull Requestのレビューとマージに関する機能が紹介されました。登壇者はAIエージェントによるコード生成が進むにつれて、コードレビューが新しいボトルネックになっていると説明しています。
AIエージェントが短時間で多くのPull Requestを作成できるようになってもそれらをレビューしてマージできなければ、開発全体の処理量は増えません。そのため、Pull Requestを完成させる工程への支援が必要になります。
Copilot Code Review
Copilot Code Reviewは、Pull Requestに対してAIを利用したレビューを実施する機能です。今回のデモでは、レビューの深さを選択できるEffort Levelや、複数のモデルを利用して詳細なレビューを行うMaxが紹介されました。
Fourth CoffeeのWebアプリケーションでは、店舗を地図上に表示する機能のPull Requestを対象にレビューが実行されました。その結果、フィルターを変更しても店舗の件数が更新されない問題や、ページをスクロールするとUIの操作部品が隠れてしまう問題などが検出されました。
単純なコードの書き方に関する指摘ではなく、実際のアプリケーションの動作に関わる問題を検出していたことが特徴的です。
Agent Merge
Agent Mergeは、Pull Requestをマージ可能な状態へ近づけるための機能です。デモではPull Requestの画面からAgent Mergeを有効化し、失敗したGitHub Actionsのワークフローやマージコンフリクトなどを修正するよう設定していました。
Agent Mergeを有効化すると、エージェントはPull Requestの状態を監視し、必要な修正を実行します。
例えばCIでテストが失敗した場合、Agent Mergeがその失敗を検出し、修正を行って再びテストを実行するという流れです。
さらに、個々のPull Requestだけでなく、ユーザー設定からAgent Mergeを自動的に有効化する方法も紹介されました。
これにより、Pull Requestが作成されてからマージできる状態になるまでの作業を継続的に支援できます。ただし、実際にどの操作まで自動実行できるかは、リポジトリの設定やポリシー、利用できる機能によって異なります。
登場サービス/製品に対する見解
コード生成からSoftware Factoryへ
今回のセッションで最も印象に残ったのは、AIエージェントによるコード生成から、Software Factoryの構築へと話題が移っていたことです。従来のGitHub Copilotでは、開発者がプロンプトを入力してコードの生成や修正を依頼する使い方が中心でした。
しかしCopilot Automationsでは、あらかじめ定義した条件に応じてAIエージェントがタスクを開始します。さらに複数のAutomationsを組み合わせることで、単一の作業ではなく、一連の開発プロセスを自動化できます。
Azure SRE Agentを組み合わせたデモは、その分かりやすい例でした。
本番環境でエラーが発生すると、監視サービスとエージェントが問題を検出してIssueを作成します。その後、別のエージェントがバグを再現し、さらに別のエージェントが修正と検証を担当します。人間は最終的なPull Requestの確認やマージを担当します。
ここではAIエージェントの役割を工程ごとに分離し、それぞれの実行結果を次の工程へ渡す構成になっていました。
個人的には、このような仕組みをどこまで汎用的に設計できるのかに興味があります。
例えば、バグの再現や修正が失敗した場合にどのように再試行するのか、同じエラーに対するIssueの重複をどのように防ぐのか、エージェントが作成した修正をどのような基準で評価するのかといった点です。
デモでは一連の処理が成功していましたが、実際のシステムで継続的に運用する場合には、失敗時の処理や状態管理も考える必要があります。
Copilot Fusionが示すAgent Harnessの影響
Copilot Fusionも技術的に興味深い内容でした。今回のセッションでは、AIモデルの性能だけでなく、Agent Harnessやオーケストレーションの設計が実行結果に影響することが説明されました。
特にTerminal-BenchのベンチマークやFourth Coffeeのデモでは、複数のモデルを使い分けることで、要求されたタスクをより低いコストで実行できることが示されています。
AIエージェントの性能を考える際、モデルのベンチマークスコアに注目することがあります。しかし、実際のエージェントではモデルがどのようなツールを呼び出し、どのタイミングで別のモデルへ処理を渡すのかといった要素も結果に影響します。
そのため、Agent Harnessやモデルルーティングを含むシステム全体で評価することが必要になります。一方で、複数のモデルを組み合わせた場合には、どのモデルがどの処理を担当し、どの程度のコストを消費したのかを確認したくなります。
Copilot Fusionを実際に利用する際には、タスク単位のコストに加えて、モデルの選択過程やツール実行のトレースをどこまで確認できるのかを検証してみたいところです。
Software Factoryにおける品質とガバナンス
Copilot Automationsのデモでは、エージェントへ許可するツールや実行できる操作を制限していました。例えばPull Requestの動作確認を実行するAutomationでは、コードのPushやPull Requestのクローズなどを禁止していました。
これはAIエージェントを継続的に動作させる場合に必要な設計だと考えています。エージェントが実行できる操作を増やせば、多くの作業を自動化できます。しかし、誤った判断による影響範囲も広がります。
そのため、実行するタスクに必要な権限だけを付与し、処理に応じて承認の境界を設ける必要があります。また、Automationsによる修正結果を別のAutomationが検証する仕組みも紹介されました。
ただし、同じ問題に対して修正担当と検証担当のエージェントが同じ誤った前提で判断する可能性もあります。本番環境で運用する場合には、テスト結果や再現手順などの検証可能な情報を残し、人間が最終的な判断を行えるようにすることが必要です。
コードレビューのボトルネックをどう解消するか
もう一つ興味深かったのが、コードレビューを新しいボトルネックとして捉えている点です。AIエージェントがコード生成を高速化しても、Pull Requestが大量に作成されるだけでは、ソフトウェアのリリース速度は向上しません。
レビューやテスト、マージなどの工程で処理が滞れば、開発全体のスループットは制限されます。今回紹介されたCopilot Code ReviewとAgent Mergeは、この問題に対応するための仕組みだと考えられます。
特にPull Requestの動作確認を自動化し、動画を証拠として添付するデモは興味深いものでした。これまでコードレビューでは変更差分から動作を推測することもありましたが、実際の画面や動作を証拠として確認できれば、レビューの判断材料が増えます。
ただし、動画による動作確認だけですべての品質を保証できるわけではありません。機能テストやセキュリティテスト、パフォーマンステストなど、対象に応じた検証方法を組み合わせる必要があります。
コストとOutcomeを考慮した開発プロセス
AIエージェントの実行コストに対してどのような成果が得られるのかという観点が繰り返し登場していました。
Copilot Fusionのデモでは、同じタスクを異なるモデルへ依頼した場合のクレジット数を比較していました。一方、Copilot Automationsではこれまで開発者が手動で実施していた作業を自動化し、人間が必要な判断に時間を使えるようにするという説明がありました。
これらは同じコストの話でも、評価している対象が異なります。
前者はAIエージェントがタスクを完了するために必要な推論コストです。後者は開発プロセス全体で人間が費やす作業時間や、ソフトウェアを完成させるまでの工程に関するものです。
例えばCopilot Fusionによって一回の実行コストが下がっても、修正が不十分で何度もやり直す必要があれば、最終的なコストは増えてしまいます。反対に、一回の実行コストが高くても、修正や検証まで正しく完了できるのであれば、開発プロセス全体では費用を抑えられる場合があります。
AIエージェントを利用したソフトウェア開発では、モデルの実行コストに加えて、タスクの成功率、再実行回数、レビュー時間、マージまでに必要な時間などを考慮して評価する必要があると感じました。
まとめ
本セッションではGitHubがAgent Native Engineering Systemとして進化する方向性が示されました。
GitHub Copilot Fusionによるマルチモデルの活用、Copilot AppとProjectsによるエージェントの管理、Copilot Automationsによる開発工程の自動化、Code ReviewやAgent Mergeによる品質評価とマージの支援など、ソフトウェア開発全体を対象とした取り組みが紹介されています。
その中でもAzure SRE AgentとGitHub Copilot Automationsを組み合わせたバグ修正のデモは、Software Factoryの考え方を理解するうえで印象に残りました。監視による問題の検出からIssueの作成、バグの再現、修正、検証までを複数のエージェントで実行し、最後に人間が確認するという構成です。
こうした仕組みを実際に運用する場合には、エージェントが失敗した場合の処理、各工程の実行状態、権限管理、コスト、品質評価などを設計する必要があります。また、AIエージェントが生成するコードの量が増えるほど、レビューや検証の工程が開発全体のボトルネックになるという問題もあります。
今後はGitHub Copilot Automationsを利用し、Azure MonitorやAzure SRE Agentを組み合わせた自動修正のワークフローについて検証してみたいと考えています。
感想
サービスの概要と名前は先月に開催されたGitHub Universe 2026で発表されたサービスが主役という印象でした。
Universeで発表されたサービスはAgentic Software Deliveryがテーマであり、AIエージェントを活用したソフトウェア開発の自動化や効率化が中心でしたので本セッションはUniverseで発表されたサービスがどのように使えるかを学べるものでした。
システム運用の面で書くと長年、システム運用をエージェントが担ういわゆるエージェント型のシステム運用について議論している筆者としてはAzure SRE AgentとGitHub Copilot Automationsの組み合わせは素直に良いと思いました。
※以前から連携できると聞いていましたが、実際にデモで確認できたのは非常に有益でした。