Einführung in GitHub Agentic Workflows
„Die Flexibilität und die integrierten Kontrollen haben unserem Engineering-Team das Vertrauen gegeben, Agentic Workflows in wirklich komplexen Systemen zu nutzen“, erklärte ein Vertreter von Carvana. Diese Aussage verdeutlicht, wie wichtig die neuen Funktionen für die Entwicklergemeinschaft sind.
Am 11. Juni 2026 hat GitHub die Agentic Workflows in die öffentliche Vorschau überführt. Diese Funktion ermöglicht es, Coding-Agenten innerhalb von GitHub Actions zu betreiben, um sich wiederholende und reasoning-intensive Aufgaben zu automatisieren. Anstatt sich mit der Behebung von Bugs oder der Bearbeitung von Feature-Anfragen zu beschäftigen, können Entwickler nun Agenten einsetzen, die diese Aufgaben eigenständig erledigen.
In diesem Artikel wird erläutert, was Agentic Workflows sind, warum das Sicherheitsmodell von Bedeutung ist und wie man seinen ersten Workflow erstellt und ausführt. Am Ende werden die Leser in der Lage sein, einen funktionierenden Triage-Workflow zu erstellen und die noch vorhandenen Herausforderungen zu erkennen.
Was sind GitHub Agentic Workflows?
Im Kern handelt es sich um eine einfache Idee: Man erstellt eine Markdown-Datei, die im Verzeichnis .github/workflows/ abgelegt wird. An oberster Stelle dieser Datei befindet sich ein kleiner Block mit YAML-Frontmatter, der beschreibt, wann der Workflow ausgeführt wird, auf welche Ressourcen er zugreifen darf und welche KI-Engine ihn antreibt. Unterhalb des Frontmatters werden die Anweisungen in einfacher Sprache verfasst, die beschreiben, was der Agent tun soll.
Ein Kommandozeilenwerkzeug (CLI) namens gh-aw liest diese Markdown-Datei und kompiliert sie in eine .lock.yml-Datei, die ein ganz gewöhnlicher GitHub Actions-Workflow ist. Es ist wichtig zu betonen, dass es keine separate Agentenlaufzeit gibt, die an das Repository angehängt wird. Stattdessen werden die vorhandenen Runner, die bestehenden Branch-Schutzregeln und die bestehenden Richtlinien verwendet, da es sich unter der Oberfläche um GitHub Actions handelt.
Das Projekt wird von GitHub Next und Microsoft Research entwickelt und unterstützt derzeit vier KI-Engines: GitHub Copilot, Anthropic’s Claude, OpenAI Codex und Google Gemini. Es besteht auch die Möglichkeit, einen benutzerdefinierten Prozessor anzuschließen, falls keine der vorhandenen Engines geeignet ist. Copilot ist die Standard-Engine, und wenn eine Organisation bereits für einen Copilot-Plan bezahlt, können die Workflow-Ausführungen direkt dieser Organisation in Rechnung gestellt werden, ohne dass ein separater API-Schlüssel verwaltet werden muss.
Warum ist das wichtig?
GitHub veröffentlicht normalerweise keine Nutzungszahlen in dieser frühen Phase einer Vorschau, daher ist die Tatsache, dass sie namentliche Kundenreferenzen an den Start angehängt haben, ein Indiz dafür, wie weit die interne Testphase bereits fortgeschritten war.
- Carvana berichtete, dass die Flexibilität und die integrierten Kontrollen ihrem Engineering-Team das Vertrauen gaben, Agentic Workflows in komplexen Systemen zu nutzen.
- Marks & Spencer erklärte, dass ihre Entwickler durch langweilige Aufgaben wie die Triage von Problemen und die Wartung von Abhängigkeiten wertvolle Sprintstunden verloren.
- Hud.io wies darauf hin, dass das Vertrauen in die Ergebnisse entscheidend ist, um die Ausgaben tatsächlich zu genehmigen.
Hier sind einige aktuelle Kennzahlen zu den Agentic Workflows:
- Unterstützte KI-Engines: 4 (Copilot, Claude, Codex, Gemini), plus Unterstützung für benutzerdefinierte Engines.
- Sicherheitsebenen: 5 (read-only token, zero secrets, Netzwerkfirewall, sichere Ausgaben, Bedrohungserkennung).
- Dokumentierte Designmuster: 18+ (IssueOps, ChatOps, DailyOps, BatchOps und mehr).
- Unterstützte GitHub-Ereignis-Trigger: 10+ (Issues, pull_request, push, schedule, discussion, label und andere).
- Sichere Ausgabetypen: 8+ (create-issue, create-pull-request, add-comment, add-label und andere).
- Installation: Ein Befehl: gh extension install github/gh-aw.
Das Sicherheitsmodell im Fokus
Die meisten Präsentationen, die behaupten, „KI erledigt jetzt Ihre DevOps“, überspringen die offensichtliche Frage: Was passiert, wenn der Agent einen Fehler macht oder schlimmer noch, von etwas Bösartigem manipuliert wird? GitHub hat fünf Schichten entwickelt, um diese Risiken zu minimieren.
- Read-only Tokens: Der Token des Agenten hat standardmäßig nur Lesezugriff.
- Zero Secrets: Der Prozess, der das KI-Modell ausführt, erhält keine Schreib-Tokens oder API-Schlüssel.
- Sandboxed Container: Der Agent wird in einem isolierten Container ausgeführt, und der gesamte ausgehende Datenverkehr wird über die Agent Workflow Firewall geleitet.
- Sichere Ausgaben: Der Agent kann nicht direkt in Ihr Repository schreiben, sondern gibt eine strukturierte Beschreibung dessen ab, was er tun möchte.
- Bedrohungserkennung: Vor der Ausführung wird eine KI-gestützte Überprüfung der vorgeschlagenen Änderungen durchgeführt.
Insgesamt kann der Agent fast alles in Ihrem Repository lesen, aber er kann nur über einen engen, überprüfbaren Vertrag handeln, den Sie selbst definieren.
Was Sie benötigen, um zu starten
Um loszulegen, benötigen Sie Folgendes:
- Ein Konto bei einer der unterstützten KI-Engines: GitHub Copilot, Anthropic Claude, OpenAI Codex oder Google Gemini.
- Ein GitHub-Repository, auf das Sie Schreibzugriff haben.
- GitHub Actions müssen in diesem Repository aktiviert sein.
- Die GitHub CLI, Version 2.0.0 oder höher, muss auf Ihrem Rechner authentifiziert sein.
Überprüfen Sie Ihre CLI-Version mit gh –version. Wenn Sie sich authentifizieren müssen, führen Sie den folgenden Befehl aus:
gh auth login --scopes repo,workflow
Nachdem dies erledigt ist, installieren Sie die Erweiterung, die die Markdown-zu-YAML-Kompilierung durchführt:
gh extension install github/gh-aw
Erstellen Ihres ersten Workflows
Um einen Agenten zu erstellen, der neue Probleme sofort triagiert, klassifiziert, etikettiert und eine kurze, nützliche Antwort postet, können Sie die Datei manuell schreiben oder einen Coding-Agenten zur Unterstützung nutzen. Führen Sie einmal pro Repository den folgenden Befehl aus:
gh aw init
Von dort aus können Sie in Ihrem bevorzugten Coding-Agenten eine Aufforderung eingeben, um einen neuen Workflow zu erstellen, der neu eröffnete Probleme triagiert.
Hier ist ein handgeschriebener Beispiel-Workflow, den Sie direkt in .github/workflows/issue-triage.md einfügen können:
---
description: Klassifizieren neuer Probleme, Etiketten anwenden und eine kurze Antwort posten
on:
issues:
types: [opened]
permissions:
contents: read
issues: read
network: defaults
safe-outputs:
add-label:
max: 3
add-comment:
max: 1
---
# Issue Triage Agent
Wenn ein neues Problem eröffnet wird, lesen Sie den Titel, den Text und etwaige enthaltene Code-Snippets.
Klassifizieren Sie das Problem als Bug, Feature-Anfrage, Frage oder Dokumentationslücke.
Bewerten Sie die Priorität als kritisch, hoch, mittel oder niedrig.
Wenden Sie Etiketten an, die sowohl den Typ als auch die Priorität widerspiegeln.
Posten Sie einen kurzen Kommentar, in dem Sie den Berichterstatter danken und Ihre Klassifizierung in einfacher Sprache wiedergeben.
Nachdem die Datei gespeichert wurde, kompilieren Sie sie mit:
gh aw compile
Committen Sie sowohl die .md-Datei als auch die generierte .lock.yml-Datei zusammen. Beide Dateien gehören in die Versionskontrolle.
Häufige Muster, die es wert sind, bekannt zu sein
GitHub dokumentiert mehr als achtzehn wiederkehrende Designmuster für diese Workflows. Die meisten realen Anwendungen konzentrieren sich auf einige wenige davon:
- IssueOps: Ein Agent, der auf Ereignisse reagiert und den Lebenszyklus einzelner Probleme verwaltet.
- DailyOps oder WeeklyOps: Muster, die nach einem Zeitplan ausgeführt werden und Berichte oder Gesundheitschecks erstellen.
- ChatOps: Muster, die auf Kommentare oder Erwähnungen reagieren.
- BatchOps: Muster, die viele Elemente auf einmal verarbeiten.
Sie müssen nicht das gesamte Taxonomie-Muster auswendig lernen. Wichtig ist, dass fast alles, was Sie automatisieren möchten, in eines dieser Muster passt.
Fazit
Die nützlichste Art, über GitHub Agentic Workflows nachzudenken, ist nicht „KI schreibt jetzt mein YAML“. Es geht darum, dass Sie endlich Urteilsentscheidungen in die Automatisierung einbetten können, anstatt nur Regeln zu befolgen. Wenn Sie dies zum ersten Mal ausprobieren, beginnen Sie mit der Triage von Problemen. Es ist das einfachste Muster, und Sie werden innerhalb weniger Minuten sehen, ob es funktioniert oder nicht.
Lesen Sie die offizielle Schnellstartanleitung für die aktuellsten Einrichtungsschritte und teilen Sie Ihre Erfahrungen in der Community-Diskussion. Wenn Sie mehr über nützliche Tools erfahren möchten, schauen Sie sich einige kostenlose KI-Tools an oder entdecken Sie die Top AI Agent Orchestration Frameworks.
„`
Quellen: kdnuggets
Bildquelle: KI generiert
Dieser Text wurde mit Hilfe von künstlicher Intelligenz in Zusammenarbeit mit unserer Redaktion erstellt.
🚀