PyCharm hat die Fähigkeit Agent Environment Coordinator hinzugefügt, um KI-Agenten dabei zu unterstützen, den richtigen Python-Interpreter und die richtige, mit dem Projekt verbundene Laufzeitumgebung zu verwenden, anstatt automatisch auf den Systeminterpreter zurückzugreifen oder Pakete am falschen Ort zu installieren. JetBrains zufolge führte dieses Problem zu fehlerhaften Konfigurationen und verunreinigten Umgebungen, die manuell von Entwicklern repariert werden mussten.
JetBrains testete sechs KI-Modelle anhand von 28 verschiedenen Programmieraufgaben. Dabei lag die durchschnittliche Erfolgsquote bei 68 %, wenn die Agenten keinen Zugriff auf die tatsächliche Projektumgebung hatten. Nachdem ihnen diese Informationen über die Fähigkeit in PyCharm zur Verfügung gestellt wurden, stieg der Durchschnitt auf 98 %, ohne dass das systemweite Python verändert wurde.
Das Problem, das die Fähigkeit löst
Large-Language-Model-Agenten ignorieren häufig die für ein Projekt eingerichtete virtuelle Umgebung und verwenden stattdessen den Systeminterpreter. Ein einzelnes Gerät kann mehrere Interpreter enthalten, während Projekte unterschiedliche Werkzeuge zur Verwaltung ihrer Umgebungen verwenden, etwa uv, Poetry, pip mit venv oder conda. Der Agent hat normalerweise keine direkte Möglichkeit, diese in PyCharm vorhandenen Einstellungen einzusehen.
In einem typischen Szenario könnte der Agent den Befehl pip install httpx mit einem falschen Interpreter ausführen. Dadurch würde das Paket global installiert, anschließend das Programm fehlschlagen und die auf dem System verwendete Umgebung verunreinigt werden. PyCharm kennt den mit dem Projekt verbundenen Interpreter und das für die Verwaltung der Umgebung zuständige Werkzeug bereits. Daher entwickelte JetBrains eine Möglichkeit, über die der Agent diese Informationen anfordern kann.
So funktioniert Agent Environment Coordinator
Die Fähigkeit ermöglicht es dem Agenten, zwei Funktionen von PyCharm aufzurufen. get_python_environment gibt den richtigen Interpreter für die bearbeitete Datei oder das bearbeitete Modul zurück, einschließlich seines Pfads und des für seine Verwaltung zuständigen Werkzeugs – unabhängig davon, ob es sich um uv, Poetry, pip mit venv oder conda handelt.
Wenn noch keine Umgebung eingerichtet ist, verwendet configure_python_interpreter den in PyCharm vorhandenen Einrichtungsmechanismus, um einen geeigneten Interpreter zu erstellen, einschließlich desselben Mechanismus, der die Erstellung eines Ordners .venv vorschlägt. Dadurch wird der neue Interpreter auch innerhalb der integrierten Entwicklungsumgebung sichtbar.
JetBrains betont, dass die Fähigkeit Befehle weder abfängt noch umschreibt. Sie gibt lediglich Informationen zur Umgebung zurück; anschließend entscheidet der Agent selbst, ob und wie er sie in den Befehl einbindet. Auf diese Weise erhält der Agent den fehlenden Kontext über die vorhandenen Mechanismen von PyCharm, ohne dass die Fähigkeit die Befehle an seiner Stelle ausführt.
Testergebnisse
Die Testgruppe umfasste alltägliche Aufgaben im Zusammenhang mit Python-Umgebungen, etwa das Ausführen von Tests, die Installation einer Bibliothek, die Anzeige von Abhängigkeiten und die Lösung eines Versionskonflikts. Jede Aufgabe erforderte vom Agenten, den richtigen Interpreter für die Ausführung eines Befehls auszuwählen. Die Belohnung wurde außerdem reduziert, wenn der Agent die Systemumgebung verunreinigte. Die hohe Erfolgsquote spiegelt daher nicht nur das Bestehen der Aufgabe wider, sondern weist auch auf eine sauberere Ausführung hin.
JetBrains führte die vollständige Aufgabengruppe mit jedem Modell dreimal mit und ohne die Fähigkeit aus und verwendete dabei Harbor. Anschließend berechnete das Unternehmen den Durchschnitt der Ergebnisse. Die gemeldeten Verbesserungen umfassten die folgenden Modelle:
- Sonnet 5: von 73 % auf 100 %.
- Opus 5: von 94 % auf 100 %.
- Codex/GPT-5.6: von 80 % auf 100 %.
JetBrains ist der Ansicht, dass die Ergebnisse darauf hindeuten, dass das grundlegende Problem im fehlenden Kontext lag, nicht in der Unfähigkeit der Modelle, die Aufgaben zu erledigen. Die Modelle wurden nicht verändert, hörten jedoch auf, den erforderlichen Interpreter zu erraten. Dies erklärt, warum das Modell mit dem schwächsten Ausgangsergebnis am stärksten profitierte. Da der Test auch die Verunreinigung der Systemumgebung bestrafte, bedeutet der Anstieg der Punktzahlen, dass weniger Rückstände durch die Ausführung entstanden – nicht nur, dass mehr Aufgaben erfolgreich abgeschlossen wurden.
Verfügbarkeit
Die Fähigkeit kann in PyCharm 2026.2.1 ausprobiert werden, indem man einen KI-Chat öffnet und darum bittet, ein Paket zu installieren oder einen Befehl innerhalb des Projekts auszuführen. Agent Environment Coordinator gehört zu den in PyCharm integrierten Fähigkeiten. Fähigkeiten können innerhalb der Entwicklungsumgebung angezeigt und verwaltet werden. Die Bibliothek lässt sich über externe Quellen wie öffentliche GitHub-Repositories erweitern; außerdem können Fähigkeiten importiert werden, die zuvor für Claude Code oder Codex erstellt wurden.