PyCharm hat die Fähigkeit Agent Environment Coordinator hinzugefügt, um KI-Agenten dabei zu unterstützen, den richtigen, mit dem Projekt verbundenen Python-Interpreter und die passende 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 von Entwicklern manuell repariert werden mussten.
JetBrains testete sechs KI-Modelle anhand von 28 unterschiedlichen Programmieraufgaben. Die durchschnittliche Erfolgsquote lag bei 68 %, wenn die Agenten keinen Zugriff auf die tatsächliche Projektumgebung hatten. Nachdem ihnen diese Informationen über die Fähigkeit in PyCharm bereitgestellt wurden, stieg der Durchschnitt auf 98 %, ohne das systemeigene Python zu verändern.
Das Problem, das die Fähigkeit behebt
Agenten großer Sprachmodelle ignorieren häufig die für das Projekt vorgesehene 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 dem 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 seine Verwaltung zuständige Werkzeug bereits. Deshalb 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 gerade bearbeitete Datei oder das entsprechende 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 .venv-Verzeichnisses vorschlägt. Dadurch wird der neue Interpreter auch innerhalb der integrierten Entwicklungsumgebung sichtbar.
JetBrains betont, dass die Fähigkeit Befehle weder blockiert noch umschreibt. Sie gibt ausschließlich umgebungsspezifische Informationen 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 PyCharm-Mechanismen, ohne dass die Fähigkeit die Befehle an seiner Stelle ausführt.
Testergebnisse
Die Testreihe umfasste alltägliche Aufgaben im Zusammenhang mit Python-Umgebungen, etwa das Ausführen von Tests, die Installation einer Bibliothek, die Anzeige von Abhängigkeiten und die Behebung 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. Daher spiegelt die hohe Erfolgsquote nicht nur das Bestehen der Aufgabe wider, sondern deutet auch auf eine sauberere Ausführung hin.
JetBrains führte die vollständige Aufgabensammlung mit jedem Modell dreimal mit und ohne die Fähigkeit aus, wobei Harbor verwendet wurde, und berechnete anschließend die Durchschnittsergebnisse. Zu den gemeldeten Verbesserungen gehörten 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 Hauptproblem im fehlenden Kontext und nicht in der Unfähigkeit der Modelle lag, die Aufgaben abzuschließen. Die Modelle selbst wurden nicht verändert; sie hörten jedoch auf, den erforderlichen Interpreter zu erraten. Das erklärt, warum das Modell mit dem schwächsten Ausgangsergebnis am meisten profitierte. Da der Test auch die Verunreinigung der Systemumgebung bestrafte, bedeutet der Anstieg der Punktzahlen, dass weniger Rückstände durch die Ausführung entstanden, und 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 außerdem über externe Quellen wie öffentliche GitHub-Repositories erweitern, oder es können zuvor für Claude Code oder Codex erstellte Fähigkeiten importiert werden.