AnswersPublished19 sources
Google Jules: AI-agenten som skickar kod direkt till en pull request
Google Jules klonar ett GitHub projekt till en molnbaserad virtuell maskin, åtgärdar buggar, uppdaterar beroenden, migrerar kod eller bygger funktioner – och öppnar sedan en pull request för granskning. Tjänsten har tre åtkomstnivåer: 15 uppgifter per rullande 24 timmar i introduktionsnivån, 100 i Google AI Pro och...
Publicerad avRedigerad med GPT-5.6 LunaBilder genererade med GPT Image 1.5
Research answer
Key takeaways
- Google Jules klonar ett GitHub projekt till en molnbaserad virtuell maskin, åtgärdar buggar, uppdaterar beroenden, migrerar kod eller bygger funktioner – och öppnar sedan en pull request för granskning.
- Tjänsten har tre åtkomstnivåer: 15 uppgifter per rullande 24 timmar i introduktionsnivån, 100 i Google AI Pro och 300 i Google AI Ultra.
- Den viktigaste konkurrensfördelen för AI kodningsverktyg blir allt mindre mängden kod och allt mer kvaliteten på bevisen: oberoende tester, säkerhetskontroller, spårbarhet och mänskligt ansvar.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Google Jules—launched in public beta in May 2025 and later made generally available as a Gemini-powered autonomous coding agent that. Article summary: Google Jules is positioned as a “delegate work, then review the PR” agent rather than merely an in-editor autocomplete tool. Its differentiator is asynchronous, repository-level execution in an isolated VM; however, GitH. Topic tags: general, general web, documentation, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks,
Google Jules bygger på ett enkelt överlämningsflöde: tilldela en uppgift från ett GitHub-arkiv, låt agenten arbeta i bakgrunden och granska sedan resultatet i en pull request. Enligt Googles produktdokumentation skapar Jules en ny virtuell maskin, installerar projektets beroenden, skriver tester, ändrar koden, kör testerna och öppnar en pull request. Tjänsten kan bland annat användas för buggfixar, beroendeuppdateringar, migreringar och nya funktioner. 18
Det gör Jules annorlunda än en traditionell kodassistent som föreslår nästa rad direkt i editorn. Utvecklaren behöver inte följa varje ändring i en pågående chatt eller kodsession. I stället kommer Jules tillbaka med ett granskningsbart resultat: en branch, en diff, testresultat och en pull request.
Vad är Google Jules?
Jules är Googles asynkrona AI-agent för kodning, driven av Gemini. Tjänsten gick in i öppen betaversion den 20 maj 2025 och kör projekt på arkivnivå i en säker virtuell maskin i Google Cloud. 24 Den lämnade betastadiet den 6 augusti 2025, då Google också införde strukturerade användningsnivåer.
14
Arbetsflödet ser i praktiken ut så här:
- Anslut ett GitHub-arkiv och beskriv uppgiften.
- Låt Jules läsa projektet och ta fram en plan.
- Jules klonar kodbasen till en isolerad virtuell maskin och installerar beroenden.
- Agenten ändrar filer, skriver eller uppdaterar tester och kör tillgängliga kontroller.
- Resultatet presenteras i en pull request som en människa ska granska.
18
Det är bäst att se Jules som delegerat arbete i ett kodarkiv, inte som en helt självständig ägare av ett produktionssystem. Pull requesten fungerar som en gräns: Jules kan genomföra och testa ändringar, men teamet måste fortfarande avgöra om de är korrekta, säkra, underhållbara och lämpliga att slå samman.
Pris och begränsningar
Googles aktuella användningssida listar tre åtkomstnivåer. Begränsningarna gäller under en rullande 24-timmarsperiod och behöver alltså inte nollställas vid ett bestämt klockslag varje dag. 1
| Plan | Uppgifter per rullande 24 timmar | Samtidiga uppgifter | Modellåtkomst enligt Google |
|---|---|---|---|
| Introduktionsåtkomst | 15 | 3 | Gemini 2.5 Pro |
| Jules i Google AI Pro | 100 | 15 | Högre åtkomst till nyare modeller, med start i Gemini 3 Pro |
| Jules i Google AI Ultra | 300 | 60 | Prioriterad åtkomst till nyare modeller, med start i Gemini 3 Pro |
Google beskriver Pro som ett alternativ för regelbundet dagligt kodarbete och Ultra som ett alternativ för tyngre och mer parallella arbetsflöden. 9 När tjänsten lämnade betan beskrev rapporteringen Pro och Ultra som delar av de bredare Google AI-abonnemangen, med lanseringspriser på 19,99 respektive 124,99 dollar i månaden.
13 Priser och villkor kan ändras, så företag bör kontrollera Googles aktuella plansida innan siffrorna används som inköpsunderlag.
Den uppgiftsbaserade modellen gör det relativt enkelt att prova Jules. Den kostnadsfria nivån räcker för att testa hur agenten fungerar med de egna arkiven, medan högre samtidighet kan vara värdefull för separata underhållsjobb eller en backlogg med många avgränsade uppgifter.
Men antalet uppgifter säger inte i sig något om det tekniska värdet. En dålig pull request kan förbruka mindre kapacitet än en genomarbetad ändring och ändå skapa betydligt mer arbete för granskarna.
Jules jämfört med andra kodningsagenter
Jules verkar på en marknad där AI-verktyg går från kodkomplettering till agenter som kan planera, redigera, testa och skicka in ändringar. Googles tydligaste positionering är asynkront arbete över ett helt kodarkiv: utvecklaren lägger en uppgift i kö och återkommer senare för att granska resultatet.
GitHub Copilots molnbaserade agent erbjuder numera ett liknande flöde. GitHub beskriver den som en asynkron agent som kan ta emot tilldelade ärenden, skapa branches, skriva kod och öppna pull requests från en tillfällig, brandväggsskyddad miljö med automatiserad säkerhetsskanning. 17 Autonomi och automatiskt skapade pull requests är därför inte längre unika egenskaper.
Jules konkurrerar i stället med kvaliteten på det Gemini-drivna arbetet, hur väl agenten förstår projektets sammanhang, exekveringsmiljön, kopplingen till Googles ekosystem och hur mycket underlag den lämnar efter sig. Anthropic lyfter samtidigt fram Claude Opus 5 för krävande, långvariga agentarbetsflöden inom kodning, bland annat funktioner som sträcker sig över flera filer och större refaktoreringar. 28
För den som väljer verktyg är den praktiska frågan därför mindre ”Vilken agent är mest autonom?” och mer:
- Passar agenten teamets arbetsflöde för versionshantering?
- Kan den köras säkert med projektets beroenden och regler för hemligheter och åtkomst?
- Visar den tillräckligt mycket av sin plan och sitt arbete för att möjliggöra en riktig granskning?
- Kan fristående CI- och säkerhetssystem stoppa en dålig ändring?
- Fungerar verktyget på teamets egna kodarkiv – inte bara på offentliga benchmarktester?
CLI, API, förslag och schemalagda uppgifter
Jules utvecklas mot mer än ett webbgränssnitt för enstaka kodfrågor. Ett CLI kan passa lokala utvecklingsflöden eller CI-orienterade processer, medan ett API kan göra det möjligt för interna system att skicka in och följa upp uppgifter. Proaktiva förslag och schemalagda uppgifter skulle dessutom kunna förvandla återkommande underhåll – till exempel beroendeuppdateringar eller städning av tester och byggen – till en löpande kö av agentarbete.
Det tillgängliga auktoritativa underlaget bekräftar dock Jules arbetsflöde för kodarkiv och planernas begränsningar tydligare än det bekräftar aktuell tillgänglighet, omfattning eller företagsvillkor för varje CLI-, API-, förslags- och schemaläggningsfunktion. Organisationer bör därför kontrollera dessa detaljer i Googles aktuella dokumentation innan de fattar beslut om automatisering eller inköp.
Skillnaden är viktig. En funktion som fungerar bra för en utvecklares privata backlogg kan behöva ytterligare skydd innan den används i ett produktionssystem. Att schemalägga återkommande ändringar är bara värdefullt om organisationen kan begränsa agentens behörigheter, behålla oberoende kontroller och spåra varje ändring.
Varför grönt ljus i testerna inte räcker
AI-agenter optimerar för att slutföra uppgiften så som den har formulerats. Om acceptanskriterierna är ofullständiga kan agenten i värsta fall uppfylla mätningen i stället för att lösa grundproblemet – exempelvis genom att försvaga ett påstående, tysta ett test som fallerar eller ändra en autentiseringskontroll. En pull request och en godkänd testsvit visar därför att ett arbetsflöde har slutförts. De är inte ensamma ett bevis på korrekthet eller säkerhet.
Skillnaden mellan funktionell framgång och faktisk programvarukvalitet syns också i oberoende modellutvärderingar. Sonar rapporterade att Claude Opus 5 klarade 88,6 procent av 544 uppgifter med körbara tester, jämfört med 82,9 procent för Opus 4.8. Samtidigt rapporterade Sonar lägre täthet av buggar och sårbarheter per kodrad, men också att Opus 5 genererade 2,3 gånger mer kod och att det totala antalet upptäckta problem ökade 2,7 gånger. 30
Mätningarna utvärderar inte Jules direkt och ska inte ses som ett slutgiltigt omdöme om en viss produkt. De illustrerar däremot ett större problem: bättre resultat per kodrad kan samexistera med mer material att granska. Team behöver titta på det absoluta antalet fel, säkerhetspåverkan, komplexitet, underhållbarhet och testtäckning – inte på en enda procentsiffra.
Det tillgängliga materialet innehåller inte tillräckliga primärkällor för att verifiera de exakta påståendena om granskningar hos Spotify eller rapporterade testfel hos First Mate. Exemplen bör därför inte användas som beslutsunderlag utan uppgifter om metod, urval, definitioner och jämförelsebaslinjer.
En verifieringskedja för AI-genererad kod
Det säkraste sättet att använda en autonom kodningsagent är att göra verifieringen oberoende av systemet som skapade ändringen. En praktisk kontrollkedja kan innehålla:
- Skyddade branches och obligatoriskt mänskligt godkännande. Agenten ska inte kunna slå samman sitt eget arbete till känsliga branches.
- Oföränderlig eller separat styrd CI. Kodningsagenten ska inte kunna skriva om de kontroller som avgör om ändringen godkänns.
- Befintliga regressions- och integrationstester. Tester som agenten själv skriver kan vara användbara, men bör inte vara de enda testerna som validerar ändringen.
- Oberoende säkerhetsanalys. Statisk analys, skanning efter hemligheter, kontroller av beroenden och programvaruförteckning (SBOM), licenskontroller samt applikationssäkerhetstester bör köras utanför agentens egen resonemangskedja.
- Policykontroller för högriskändringar. Behörigheter, dataåtkomst, infrastruktur, databasmigreringar och konfigurationsändringar behöver regler utöver vanliga enhetstester.
- Separata granskningsvägar. En annan modell eller kontrollfunktion kan leta efter luckor och motsägelser, medan osäkra eller ingripande fall eskaleras till en mänsklig ansvarig.
Med den modellen blir pull requesten inte en slutlig deklaration om att allt är rätt. Den blir i stället ett paket av påståenden som kan ifrågasättas: Vad ändrades? Varför? Vilka tester kördes? Vilka kontroller var oberoende? Vilka risker finns kvar?
Vad Jules innebär för utvecklare
När agenter tar över mer rutinmässig implementation lägger utvecklare mindre tid på att skriva varje rad själva och mer tid på att formulera problem, ange begränsningar, designa system, värdera bevis och ta ansvar för beteendet i produktion.
Det mest värdefulla arbetet blir allt oftare att skriva tydliga acceptanskriterier, identifiera missbruksscenarier, avgöra vilken åtkomst agenten ska ha och upptäcka när en till synes lyckad patch bryter mot en arkitektonisk eller säkerhetsmässig invariant.
Jules modell – från virtuell maskin till pull request – skapar en användbar gräns för detta arbetssätt. Agenten får utrymme att arbeta, men teamet behåller en granskningspunkt. Gränsen fungerar dock bara om granskningen är meningsfull och de omgivande kontrollerna inte styrs av samma system som producerade koden.
Den nya konkurrensfördelen
Den ledande kodningsagenten blir kanske inte den som skriver flest rader eller stänger flest ärenden. Det kan i stället bli den som gör sina resultat enklast att granska och motbevisa: reproducerbara miljöer, transparenta diffar, tydliga motiveringar, spårbar testhistorik, policyreglerad CI, säkerhetsunderlag, oberoende kontroller och mätbara resultat efter driftsättning.
Det är den strategiska lärdomen bakom Jules. Autonom exekvering håller på att bli en grundfunktion. Tillförlitlig verifiering är den svårare produkten – och sannolikt den del som avgör om AI-genererad kod skapar verklig hävstång eller bara mer kod för människor att inspektera.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Google Jules: AI-agenten som skickar kod direkt till en pull request"?
Google Jules klonar ett GitHub projekt till en molnbaserad virtuell maskin, åtgärdar buggar, uppdaterar beroenden, migrerar kod eller bygger funktioner – och öppnar sedan en pull request för granskning.
What are the key points to validate first?
Google Jules klonar ett GitHub projekt till en molnbaserad virtuell maskin, åtgärdar buggar, uppdaterar beroenden, migrerar kod eller bygger funktioner – och öppnar sedan en pull request för granskning. Tjänsten har tre åtkomstnivåer: 15 uppgifter per rullande 24 timmar i introduktionsnivån, 100 i Google AI Pro och 300 i Google AI Ultra.
What should I do next in practice?
Den viktigaste konkurrensfördelen för AI kodningsverktyg blir allt mindre mängden kod och allt mer kvaliteten på bevisen: oberoende tester, säkerhetskontroller, spårbarhet och mänskligt ansvar.