TL;DR
GitHub Copilot non è solo autocompletamento. Configurato come agente, diventa uno strumento per automatizzare task ripetitivi, generare contenuti strutturati e mantenere la knowledge base aggiornata senza effort manuale.
Il problema
Lavorare in un team piccolo significa ogni ora spesa su task ripetitivi è un’ora tolta a lavoro ad alto valore. La documentazione si accumula in ritardo, i contenuti vengono rimandati e le decisioni rimangono nella memoria delle persone anziché nel repository.
Il rischio concreto per un’agenzia di due persone:
- knowledge base che invecchia senza aggiornamenti;
- articoli mai pubblicati perché “manca tempo per scriverli”;
- decisioni prese oralmente e non documentate;
- overhead elevato per ogni nuovo cliente o progetto.
La soluzione
Invece di usare Copilot come strumento di completamento passivo, lo configuriamo come agente attivo con:
- Istruzioni contestuali (
copilot-instructions.md) che definiscono template, convenzioni e comandi operativi; - Workflow predefiniti per i task più comuni (articoli, tool evaluation, ADR, prototipi);
- Integrazione con il repository come unica fonte di verità per tutto il lavoro dell’agenzia.
Il risultato: un ciclo di lavoro dove l’agente conosce la struttura del progetto, segue le convenzioni stabilite e produce output immediatamente utilizzabili.
Walkthrough pratico
1) Definisci le istruzioni base
Il file .github/copilot-instructions.md è il punto di partenza. Struttura le istruzioni in tre blocchi:
- Contesto dell’organizzazione: chi siete, cosa fate, quali sono le directory chiave;
- Comandi operativi: mapping tra richiesta in linguaggio naturale e azione concreta;
- Principi trasversali: lingua, tono, convenzioni di naming.
Regola chiave: sii specifico sui template, non sui risultati. L’agente è bravo a rispettare strutture, non a indovinare intenzioni vaghe.
2) Configura i template per ogni tipo di contenuto
Per ogni tipo di contenuto nel repository definisci:
- percorso file (
content/articles/YYYY-MM-DD-slug.md); - struttura del front matter (per blog, valutazioni tool, ADR);
- sezioni obbligatorie e sezioni facoltative;
- esempi di output atteso.
Questo riduce drasticamente il tempo di review dell’output generato.
3) Integra la generazione nel flusso quotidiano
L’agente è più efficace quando lo usi in modo routinario, non episodico. Alcuni pattern che funzionano:
- Fine sprint: chiedi all’agente una sintesi delle decisioni prese e crea ADR automaticamente;
- Dopo una demo: usa il template walkthrough per documentare lo step-by-step mentre è ancora fresco;
- Prima di una call cliente: chiedi lo stato dell’agenzia e usa il report come briefing.
4) Misura la riduzione del friction
Dopo 2-3 settimane misura:
- tempo medio per produrre un articolo (prima vs. dopo);
- numero di ADR create nel periodo;
- percentuale di template rispettati senza correzioni manuali.
Se il friction non scende, rivedere le istruzioni è più efficace che cambiare strumento.
5) Itera le istruzioni come codice
Le copilot-instructions.md vanno trattate come codice di produzione:
- versionamento con commit message descrittivi;
- review dopo ogni output non soddisfacente;
- test rapido: fai la stessa richiesta prima e dopo la modifica e confronta.
Conclusioni e prossimi passi
Un agente ben configurato non sostituisce il giudizio umano — lo amplifica. Il valore non è nell’automazione cieca, ma nel ridurre il costo operativo delle task note per liberare capacità cognitiva per quelle nuove.
Prossimi passi per implementare questo setup:
- creare o revisionare il file
copilot-instructions.mdcon i comandi operativi core; - definire i template per i 3-4 contenuti più frequenti;
- testare con un ciclo di lavoro reale (una settimana);
- misurare friction prima e dopo;
- documentare i pattern che funzionano in una pratica ingegneristica.