GitHub Copilot Agent 模式能极大提升编码效率，但也需要一些配置技巧。这里结合实际操作经验，梳理一下关键设置和避坑指南。
前置环境准备
首先确保使用 VSCode Insider 版本，并安装 GitHub Copilot（预览版）插件。在模型选择上，推荐尝试 Claude 3.7 Sonnet（预览版），它在代码编写方面表现优异；其他模型则在速度、多模态识别或推理能力上各有优势，可根据需求切换。工作模式务必设置为 Agent。
操作流程
进入 "Copilot Edits" 选项卡后，可以按需添加上下文附件，例如整个代码库（Codebase）、当前错误信息（Get Errors）或终端最近命令（Terminal Last Commands）。
接着指定 "Working Set" 文件集，默认包含当前打开的文件，你也可以手动勾选其他相关文件（如 Open Editors）。最后输入具体的 "Instructions"，明确告诉 Agent 需要注意的提示词，点击 Send 即可开始对话。
最佳实践与配置建议
VSCode 的语言插件提供的 lint 功能会生成 Error 或 Warning，Agent 能自动根据这些反馈修正代码，效果通常不错。
随着对话深入，生成的代码修改可能会逐渐偏离预期。建议每次会话聚焦一个明确的主题，避免对话过长。达到短期目标后结束当前会话，再启动新任务。
"Working Set" 下的 "Add Files" 提供 "Related Files" 选项，可智能推荐相关文件。同时注意控制单个代码文件的行数，以免 token 消耗过快。
建议先生成基础代码，再编写测试用例，便于 Agent 根据测试结果调试和自我校验。为限制修改范围，可在 settings.json 中添加如下配置，只修改指定目录下的文件：
{
"github.copilot.chat.codeGeneration.instructions": [
{"text": "只需修改 ./script/ 目录下的文件，不修改其他目录下的文件."},
{"text": "若目标代码文件行数超过 1000 行，建议将新增函数置于新文件中，通过引用调用；如产生的修改导致文件超长，可暂不严格遵守此规则."}
],
"github.copilot.chat.testGeneration.instructions": [
{"text": "在现有单元测试文件中生成测试用例."},
{"text": "代码修改后务必运行测试用例验证."}
]
}
常见问题与对策
输入需求得不到想要的业务代码
大任务容易导致注意力分散，需要将任务拆分成较小的子任务，每次会话只处理一个小点。喂给单次对话的上下文量需要自己揣摩，太多和太少都会影响理解。
虽然 DeepSeek 等模型在解决注意力分散问题上表现更好，但通常需要在 Cursor 等特定编辑器中集成 API，实际效果视情况而定。
响应缓慢问题
理解 Token 消耗机制很重要。Token 输入便宜且耗时短，输出则昂贵且慢。如果一个代码文件非常大，实际需要修改的行很少，但由于上下文过多，输出也会变多，导致 Token 消耗快且响应慢。
因此，必须考虑控制文件大小，及时拆分大文件和大函数，通过引用调用保持轻量。
业务理解问题
Agent 的理解或许依赖代码注释和测试文件。补充足够的注释和测试用例，有助于它更好地把握业务逻辑。检视 Agent 生成的注释，也能快速判断其是否理解了需求。
生成大量代码需 Debug 较久
可以在生成某个特性的基础代码后，先生成测试用例，再调整业务逻辑。这样 Agent 可以自行进行调试和自我验证。它会询问是否允许运行测试命令，完成后读取终端输出来判断代码是否正确。如果不正确，会根据报错信息修改，循环往复直到测试通过。
当然，这需要你对业务有更深入的理解。如果测试用例和业务代码都不正确，Agent 既不能写出正确用例，也不能写出正确业务代码，这种情况才会出现 Debug 较久的局面。
核心总结
理解大模型的 Token 消耗机制是关键。输入的上下文很便宜，输出的代码较贵，文件中未修改的代码部分也可能被计入输出成本——证据是许多无需修改的代码也会缓慢输出。
因此应尽量控制单文件的大小。在实际使用中感受 Agent 在处理大文件和小文件时的响应速度差异，这个区别是非常明显的。