GitHub publicó el 18 de junio de 2026 una mejora pequeña en apariencia, pero muy relevante para equipos que ya usan agentes en pull requests: Copilot code review ahora lee AGENTS.md desde la raíz del repositorio y usa esas instrucciones como parte de su workflow.

La noticia no es que Copilot tenga otro archivo de configuración. La noticia es que AGENTS.md deja de servir solo para chat, CLI o coding agents y empieza a influir en un punto crítico del ciclo de entrega: la revisión automática antes de mezclar código.

Panel editorial con un archivo AGENTS.md, diff de pull request y reglas de revisión aplicadas por Copilot

Por qué esto importa

Hasta ahora muchos equipos trataban las instrucciones de agentes como documentación blanda. Un AGENTS.md decía cómo correr tests, qué estilo seguir o qué no tocar, pero el valor real dependía de si el agente lo leía en esa superficie específica.

Con este cambio, GitHub dice que Copilot code review:

lee AGENTS.md en la raíz del repo;
usa instrucciones relevantes para generar feedback;
lo aplica de forma general, no como experimento escondido.

Eso empuja a escribir instrucciones más concretas. Si el archivo dice "mantén alta calidad", no ayuda. Si dice "cuando cambie src/lib/posts.ts, verifica rutas canónicas /noticias/<slug> y no enlaces /course", Copilot tiene algo revisable.

El riesgo: convertir AGENTS.md en un basurero

El error común será meter demasiadas reglas en un solo archivo. Una review automática no mejora porque el agente reciba tres páginas de preferencias vagas. Mejora cuando las reglas tienen prioridad, ejemplos y comandos verificables.

Para un equipo builder, el patrón más sano sería separar:

reglas duras de seguridad y publicación;
comandos de validación;
convenciones de estructura;
límites explícitos de lo que el agente no debe cambiar.

Si Copilot code review empieza a leer ese contrato, el archivo se vuelve parte de la infraestructura de calidad. Debe revisarse como código, no como nota informal.

Vista editorial de una revisión sobre draft PR con controles de solicitud, eventos agrupados y señales de contexto del repositorio

También cambia la ergonomía de draft PRs

GitHub agregó mejoras de UI para pedir revisión de Copilot en pull requests en borrador y para reducir ruido en la conversación del PR. No es el centro técnico de la noticia, pero sí cambia el uso diario: pedir una primera revisión antes de publicar el PR se vuelve menos friccionante.

La combinación correcta no es "Copilot aprueba mi PR". Es usarlo como primera pasada con reglas explícitas, luego dejar que humanos revisen criterio de producto, arquitectura y riesgo. En repos con muchas convenciones, esa primera pasada puede encontrar desviaciones repetibles antes de gastar atención humana.

Cómo lo aterrizaría hoy

Si tu repo ya tiene AGENTS.md, haría una revisión rápida con estas preguntas:

¿incluye comandos reales de test, build y lint?
¿nombra rutas, carpetas y contratos que suelen romperse?
¿distingue reglas obligatorias de preferencias?
¿evita instrucciones imposibles de verificar?
¿tiene menos de lo necesario para que una review sea accionable?

Después probaría Copilot code review en un draft PR deliberadamente pequeño. Si los comentarios no reflejan el contrato, ajusta el archivo con reglas más específicas antes de escalarlo a todo el equipo.

Demanda e intención de búsqueda

No hay tooling SEO conectado en esta corrida. La demanda se infiere por señales actuales: changelog oficial de GitHub del 18 de junio, discusiones previas sobre si code review respetaba instrucciones de repo y adopción creciente de AGENTS.md como contrato entre equipos y coding agents.

Las búsquedas probables son Copilot code review AGENTS.md, AGENTS.md GitHub Copilot, Copilot review repo instructions y como configurar AGENTS.md. Agente IA puede competir porque la cobertura genérica dirá "ya lo soporta"; el ángulo útil es cómo escribir reglas que una revisión automática pueda aplicar sin inventar criterio.

Si todavía estás armando tu primer contrato de trabajo con agentes, empieza por el curso gratis. La lectura práctica: un AGENTS.md mediocre ahora puede producir reviews mediocres a escala; uno concreto puede ahorrar fricción real en cada PR.