Agentic DevOps 初探：GitHub Agentic Workflow 与 Continuous AI 的实践观察

Agentic DevOps 是微软在 2025 年的 Azure Build 大会上提出来的。最近，因为 GitHub 发布了 GitHub Agentic Workflow 和 Continuous AI 这个概念，让 Agentic DevOps 再次浮现到眼前。

之前在公众号分享过 AIOps 的基本概念和部分落地场景，主要是围绕运维监控、异常检测和自动化响应等方向。结合 Agentic DevOps 这个概念，以及 GitHub Next 提出的 Continuous AI 相关实践，觉得值得整理出来和大家交流。

这些内容目前大多仍处于早期探索阶段。我自己也只是基于公开文档和示例做过一些简单尝试，还没有进行大规模生产环境验证。

本文仅基于公开信息和有限测试，尽量讲清核心原理、工具形态以及当前边界，避免过度解读。

Agentic DevOps 可以理解为 DevOps 的下一阶段演进：引入具备一定自主能力的 AI agents，让它们与开发者、以及其他 agents 协作，覆盖软件生命周期的各个环节。

具体来说：

Microsoft 和 GitHub 的表述中，强调 agents 是“开发者的队友”，而非替代者。核心是把人类从琐碎事务中解放出来，聚焦更高价值的决策。

与传统 AIOps 相比，Agentic DevOps 的范围更广，不再局限于运维层，而是贯穿从需求到生产的全链路。技术实现上通常依赖大型语言模型（LLM）的推理能力，结合工具调用（tool calling）机制以及多代理协作框架。

GitHub Next 把这类自动化称为 Continuous AI，类比 CI/CD 中“持续”的理念：AI 不只是单次辅助，而是持续、后台运行在仓库中，处理需要判断力的任务。

Agentic Workflow 是实现 Continuous AI 的具体形式（目前为技术预览/研究原型）：

编写方式：不再编写复杂的 YAML，而是使用 Markdown 文件，在 .github/workflows/ 目录下描述意图。比如写一段自然语言：“每天生成仓库健康报告，总结最近 issue、PR 变化，并提出改进建议。”
执行机制：通过 gh aw CLI 工具编译成标准 GitHub Actions 工作流，由支持的 coding agent（GitHub Copilot、Claude Code、OpenAI Codex 等）执行。
触发与运行：支持 schedule、push、issue 等事件触发，运行在 GitHub Actions 的沙箱环境中。
安全边界：默认只读权限；写操作（如创建 PR、评论）必须通过预定义的 safe outputs；工具调用有白名单；所有日志可见、可审计；不会自动合并 PR，始终保留人工审查环节。

这是官方关于 Agentic Workflow 的介绍。

实际能做的例子包括：

这些工作流可以与现有 CI/CD 流水线并行运行，作为补充，而非替代。

这里有一个 GitHub 官方示例仓库，展示了很多 Agentic Workflow 的用例，可以参考。

从公开信息看（截至 2026 年 2 月）：

大部分实现仍处于技术预览或研究原型阶段。
GitHub Agentic Workflow 需要安装 CLI 扩展，配置 agent token，成本方面每次运行会消耗对应模型的调用额度（例如 Copilot 的 premium 请求）。
适用场景主要是“需要判断但可描述清楚”的重复任务。纯确定性操作（如构建、单元测试）仍推荐传统 Actions。
边界很清晰：目前 agents 目前不具备完全自主决策能力，输出结果必须经过人工审核；不适合高安全敏感操作；效果依赖提示工程和仓库上下文质量。

我在个人仓库里测试过一个简单的每日报告 workflow，基本能按预期输出总结。