GitLab Secrets Manager flyttar CI/CD-uppgifter in i plattformen

En av de mest synliga nyheterna i GitLab 19.0 är GitLab Secrets Manager, som nu finns i publik beta för Premium- och Ultimate-nivåerna.

Tidigare förlitade sig många organisationer på externa verktyg som HashiCorp Vault eller molnleverantörernas egna hemlighetstjänster för att lagra CI/CD-uppgifter. GitLabs nya funktion låter team hantera dessa uppgifter direkt inom plattformen.

Viktiga möjligheter inkluderar:

• Lagring och hämtning av CI/CD-uppgifter i GitLab-projekt eller -grupper
• Begränsning av uppgifter till specifika jobb eller miljöer
• Styrning av åtkomst med samma behörighetskontroller som redan används för källkod

Genom att knyta hemlighetshanteringen direkt till pipelines och projektbehörigheter vill GitLab minska spridningen av uppgifter och upprätthålla least-privilege-åtkomst i CI/CD-arbetsflöden.

AI-baserad merge request-automation och agentiska arbetsflöden

GitLab 19.0 utökar också AI över hela merge request-livscykeln (MR) och förlänger företagets “Developer Flow”-automation.

Istället för att bara använda AI för kodsuggestioner kan GitLabs AI-agenter nu assistera med uppgifter genom hela granskningsprocessen, inklusive:

• Hantering av granskningsfeedback
• Lösning av merge-konflikter
• Automatiserad rebase
• Engrepps rebase-och-merge-operationer

Dessa möjligheter är en del av GitLab Duo Agent Platform, som introducerar agentdrivna arbetsflöden utformade för att effektivt flytta ändringar genom planering, granskning, säkerhetskontroller och driftsättning.

Det övergripande målet är att automatisera det manuella arbetet kring kodändringar, vilket ofta saktar ner leveransen även när själva kodningen blir snabbare.

Lokala AI-modeller för reglerade och nätverksisolerade miljöer

Många organisationer – särskilt inom finans, sjukvård eller offentlig sektor – kan inte skicka proprietär kod till molnbaserade AI-tjänster. GitLab 19.0 adresserar detta genom att låta team ansluta lokala AI-modeller med öppen källkod genom externa agenter i Duo Agent Platform.

Detta tillvägagångssätt gör det möjligt för organisationer att:

• Köra AI-modeller på sin egen infrastruktur
• Hålla prompts och kod inom kontrollerade miljöer
• Integrera dessa modeller i GitLabs automatiseringsarbetsflöden

Stödet för lokala modeller gör AI-assisterad utveckling möjlig även i nätverksisolerade eller regelefterlevnadskänsliga miljöer där molnbaserade AI-tjänster kanske inte är tillåtna.

Ny synlighet och säkerhetskontroller i leveranskedjan

Versionen stärker också GitLabs säkerhetsfunktioner för mjukvaruleveranskedjan, ett område som har blivit kritiskt i takt med att moderna applikationer är starkt beroende av tredjepartskomponenter.

Två stora tillägg inkluderar:

Komponentanalys för CI/CD

Denna funktion ger plattformsteknikteam insyn i vilka delade CI/CD-katalogkomponenter och versioner som används i olika projekt. Målet är att hjälpa organisationer att spåra pipelinestandarder, upptäcka föråldrade komponenter och hantera återanvändning i stora ingenjörsorganisationer.

SBOM-baserad beroendeskaming

GitLab 19.0 introducerar också förbättrad beroendeskaming som drivs av software bills of materials (SBOM:er), vilket ger bättre insyn i öppen källkodsberoenden och deras sårbarheter tidigare i utvecklingslivscykeln.

Tillsammans hjälper dessa verktyg team att upptäcka och hantera risker i leveranskedjan innan programvaran når produktion.

“AI-paradoxen” som driver GitLabs strategi

GitLab ramar in många av dessa förändringar som ett svar på AI-paradoxen – ett fenomen där AI dramatiskt snabbar upp kodskapandet men blottar flaskhalsar i resten av mjukvarulivscykeln.

Forskning och branschundersökningar som GitLab citerar visar att även om AI-verktyg accelererar kodning, så förblir nedströmsprocesser som säkerhetsgranskningar, testning och regelefterlevnad fragmenterade över många verktyg. Som ett resultat kan organisationer generera mer kod utan att förbättra den totala leveranshastigheten.

GitLabs svar i version 19.0 är vad företaget kallar “intelligent orchestration.” Tanken är att samla utveckling, säkerhet, regelefterlevnad och AI-automation i en enda DevSecOps-plattform så att arbetsflöden kan koordineras snarare än att sys ihop från separata verktyg.

Varför versionen är viktig för DevSecOps-team

GitLab 19.0 speglar en bredare förskjutning inom DevSecOps-verktyg mot plattformskonsolidering och AI-assisterad verksamhet. Istället för att lägga till fristående AI-kodningsverktyg fokuserar versionen på att automatisera omgivande arbetsflöden – hantering av uppgifter, säkerhetsskanning, CI/CD-styrning och merge-granskning.

För ingenjörsteam som hanterar stora kodbaser och strikta regelefterlevnadskrav representerar kombinationen av integrerad hemlighetshantering, AI-assisterade merge-arbetsflöden, lokala AI-modeller och leveranskedjeanalys ett försök att hålla säkerhet och styrning i samma takt som AI-accelererad utveckling.

Huruvida detta tillvägagångssätt fullt ut löser “AI-paradoxen” återstår att se, men GitLab 19.0 signalerar tydligt en satsning på heltäckande AI-aktiverade DevSecOps-plattformar snarare än isolerade utvecklarverktyg.

GitLab Secrets Manager flyttar CI/CD-uppgifter in i plattformen

En av de mest synliga nyheterna i GitLab 19.0 är GitLab Secrets Manager, som nu finns i publik beta för Premium- och Ultimate-nivåerna.

Tidigare förlitade sig många organisationer på externa verktyg som HashiCorp Vault eller molnleverantörernas egna hemlighetstjänster för att lagra CI/CD-uppgifter. GitLabs nya funktion låter team hantera dessa uppgifter direkt inom plattformen.

Viktiga möjligheter inkluderar:

• Lagring och hämtning av CI/CD-uppgifter i GitLab-projekt eller -grupper
• Begränsning av uppgifter till specifika jobb eller miljöer
• Styrning av åtkomst med samma behörighetskontroller som redan används för källkod

Genom att knyta hemlighetshanteringen direkt till pipelines och projektbehörigheter vill GitLab minska spridningen av uppgifter och upprätthålla least-privilege-åtkomst i CI/CD-arbetsflöden.

AI-baserad merge request-automation och agentiska arbetsflöden

GitLab 19.0 utökar också AI över hela merge request-livscykeln (MR) och förlänger företagets “Developer Flow”-automation.

Istället för att bara använda AI för kodsuggestioner kan GitLabs AI-agenter nu assistera med uppgifter genom hela granskningsprocessen, inklusive:

• Hantering av granskningsfeedback
• Lösning av merge-konflikter
• Automatiserad rebase
• Engrepps rebase-och-merge-operationer

Dessa möjligheter är en del av GitLab Duo Agent Platform, som introducerar agentdrivna arbetsflöden utformade för att effektivt flytta ändringar genom planering, granskning, säkerhetskontroller och driftsättning.

Det övergripande målet är att automatisera det manuella arbetet kring kodändringar, vilket ofta saktar ner leveransen även när själva kodningen blir snabbare.

Lokala AI-modeller för reglerade och nätverksisolerade miljöer

Många organisationer – särskilt inom finans, sjukvård eller offentlig sektor – kan inte skicka proprietär kod till molnbaserade AI-tjänster. GitLab 19.0 adresserar detta genom att låta team ansluta lokala AI-modeller med öppen källkod genom externa agenter i Duo Agent Platform.

Detta tillvägagångssätt gör det möjligt för organisationer att:

• Köra AI-modeller på sin egen infrastruktur
• Hålla prompts och kod inom kontrollerade miljöer
• Integrera dessa modeller i GitLabs automatiseringsarbetsflöden

Stödet för lokala modeller gör AI-assisterad utveckling möjlig även i nätverksisolerade eller regelefterlevnadskänsliga miljöer där molnbaserade AI-tjänster kanske inte är tillåtna.

Ny synlighet och säkerhetskontroller i leveranskedjan

Versionen stärker också GitLabs säkerhetsfunktioner för mjukvaruleveranskedjan, ett område som har blivit kritiskt i takt med att moderna applikationer är starkt beroende av tredjepartskomponenter.

Två stora tillägg inkluderar:

Komponentanalys för CI/CD

Denna funktion ger plattformsteknikteam insyn i vilka delade CI/CD-katalogkomponenter och versioner som används i olika projekt. Målet är att hjälpa organisationer att spåra pipelinestandarder, upptäcka föråldrade komponenter och hantera återanvändning i stora ingenjörsorganisationer.

SBOM-baserad beroendeskaming

GitLab 19.0 introducerar också förbättrad beroendeskaming som drivs av software bills of materials (SBOM:er), vilket ger bättre insyn i öppen källkodsberoenden och deras sårbarheter tidigare i utvecklingslivscykeln.

Tillsammans hjälper dessa verktyg team att upptäcka och hantera risker i leveranskedjan innan programvaran når produktion.

“AI-paradoxen” som driver GitLabs strategi

GitLab ramar in många av dessa förändringar som ett svar på AI-paradoxen – ett fenomen där AI dramatiskt snabbar upp kodskapandet men blottar flaskhalsar i resten av mjukvarulivscykeln.

Forskning och branschundersökningar som GitLab citerar visar att även om AI-verktyg accelererar kodning, så förblir nedströmsprocesser som säkerhetsgranskningar, testning och regelefterlevnad fragmenterade över många verktyg. Som ett resultat kan organisationer generera mer kod utan att förbättra den totala leveranshastigheten.

GitLabs svar i version 19.0 är vad företaget kallar “intelligent orchestration.” Tanken är att samla utveckling, säkerhet, regelefterlevnad och AI-automation i en enda DevSecOps-plattform så att arbetsflöden kan koordineras snarare än att sys ihop från separata verktyg.

Varför versionen är viktig för DevSecOps-team

GitLab 19.0 speglar en bredare förskjutning inom DevSecOps-verktyg mot plattformskonsolidering och AI-assisterad verksamhet. Istället för att lägga till fristående AI-kodningsverktyg fokuserar versionen på att automatisera omgivande arbetsflöden – hantering av uppgifter, säkerhetsskanning, CI/CD-styrning och merge-granskning.

För ingenjörsteam som hanterar stora kodbaser och strikta regelefterlevnadskrav representerar kombinationen av integrerad hemlighetshantering, AI-assisterade merge-arbetsflöden, lokala AI-modeller och leveranskedjeanalys ett försök att hålla säkerhet och styrning i samma takt som AI-accelererad utveckling.

Huruvida detta tillvägagångssätt fullt ut löser “AI-paradoxen” återstår att se, men GitLab 19.0 signalerar tydligt en satsning på heltäckande AI-aktiverade DevSecOps-plattformar snarare än isolerade utvecklarverktyg.