软件开发正从静态代码演进为编排实时系统，其中开发者与 AI 协同实时共创。GitHub Copilot App Canvas 通过 Agent Runtime 画布扩展演示了这一软件开发范式的转变。Canvas 并非面向最终用户，而是供开发者与 AI 在系统运行时进行观察与塑造；它作为人类与 AI 代理交互的共享表面，用于操作系统的实时模型。Agent Runtime 画布为多代理系统在设计与演进过程中提供可观测性与控制能力。它可视化单个 SystemModel，供人类与 AI 代理同时编辑。该画布展示需求、活跃代理、任务流、中间产物、验证结果、实时系统状态以及变更时间线。这些面板旨在服务于开发可观测性，而非面向最终用户的生产界面。AI 代理通过调用五个特定动作与系统交互：分解（decompose）、执行（execute）、验证（validate）、更新设计（update design）和跟踪状态（track state）。人类控制与这些 AI 动作均通过同一共享存储（store）进行漏斗式处理，从而形成统一的交互模型。演示的核心是 SystemStore，它向所有连接的面板广播每一次突变，确保单一事实来源。人类控制与 AI 动作映射到相同的底层存储方法，意味着人类与 AI 均不享有特权。系统执行会直观地推进任务图，展示每个任务的生命周期及其活跃代理。失败传播同样可观测：若依赖项失败，下游任务将被标记为阻塞。验证是一级功能，测试断言的是实时系统模型的特性，而非静态代码。这构建了一个连续的、可视化的反馈循环：分解、执行、验证、重新设计、再验证。运行演示需要配备 Canvas 支持的 GitHub Copilot CLI，并克隆提供的仓库。扩展会自动从本地工作区发现，也可通过请求 Copilot 打开具有特定需求的 Agent Runtime 画布来启动。Canvas 的主要用例是在代理系统中提供可观测性，而此类系统 notoriously 难以调试。Canvas 揭示了生产 UI 通常隐藏的中间状态、协调顺序以及失败级联效应。这重新定义了 Canvas 作为团队采用代理工具时，理解与引导 AI 行动的关键工具。该演示的架构采用共享且版本化的存储，支持多用户协作，这也为未来的开发提出了一个开放的研究问题。