GitHub Copilot 教程

优质文章学习记录

— 6 min read

文章来源：https://vscode.it-docs.cn/docs/copilot/overview.html

GitHub Copilot 为 Visual Studio Code 增加了多代理开发功能。规划好你的方法，然后让AI代理在项目中实现并验证代码变更。并行运行多个代理会话：本地、后台或云端。从一个中心视角管理所有角色。内联建议、内联聊天和智能行为会帮助你完成整个编码流程。

代理与代理会话

代理端到端地处理完整的编码任务。给代理一个高级任务，它会将工作拆分成步骤，编辑文件，运行终端命令，调用工具，并在遇到错误或测试失败时自我纠正。每个任务都运行在一个代理会话中，这是一个持续存在的对话，你可以跟踪、暂停、继续或交接给另一个代理。

重要

你们组织可能在VS Code中禁用了代理。请联系你的管理员以启用此功能。

从中央视图管理会话

并行运行多个代理会话，每个会话专注于不同的任务。聊天面板中的会话视图为你提供了一个统一的地方来监控所有活跃会话，无论是本地运行、后台还是云端运行。查看每次会话的状态，切换，查看文件变更，然后从中断处继续。

了解更多关于管理Agents课程的信息。

随时执行代理

代理可以在本地的VS Code中运行进行交互式工作，在机器后台运行以实现自主任务，或者在云端通过拉取请求实现团队协作。你也可以使用像Anthropic和OpenAI这样的第三方代理。任何时候，将任务从一个坐席类型交给另一个，完整的对话记录都会继续。

聊天视图中会话类型选择器的截图，包含本地、后台、云端和第三方代理选项。

了解更多关于代理类型和委托的信息，或遵循代理教程。

构建前先做好规划

在编写任何代码之前，使用内置的Plan代理将任务拆分成结构化的实施计划。计划代理会分析你的代码库，提出澄清问题，并制定逐步计划。当计划看起来合适时，交给实现代理执行，无论是本地、后台还是云端。

了解更多关于与Agent一起规划的信息。

你能做什么

  • 端到端构建一个功能。用自然语言描述一个特征，代理搭建项目架构，跨多个文件实现逻辑，并运行测试以验证结果。
  • 调试并修复失败的测试。把一个失败的测试指向一个代理，它会读取错误，追踪代码库的根本原因，应用修复，然后重新运行测试以确认。了解更多关于用AI调试的信息。
  • 重构或迁移代码库。比如让代理规划从一个框架迁移到另一个框架，它会在文件间协调地应用变更，同时验证构建。
  • 通过拉取请求进行协作。将任务委托给云代理，由其创建分支，实施变更，并向团队提交拉取请求。了解更多关于云代理的信息。

入门

步骤1：设置Copilot

  1. 将鼠标悬停在状态栏中的Copilot图标上，选择“设置Copilot”。
  2. 选择一种登录方式并按照提示作。如果您还没有Copilot订阅，您已注册Copilot免费套餐。

步骤2：开始你的第一次Agent会话

  1. 打开聊天视图（Ctrl+Alt+I）。
  2. 检查生成的代码。代理创建文件、安装依赖，并根据需要执行命令。
  3. 进来/init为你的项目配置 AI 配置。这会创建自定义指令，帮助代理理解你的代码库并生成更好的代码。

输入一个提示，描述你想构建的内容，例如：Prompt (Agent) Open in VS Code

Create a basic Node.js web app for sharing recipes. Make it look modern and responsive.

关于涵盖内联建议、代理、内联聊天和自定义的完整实践教程，请参见“在VS Code中开始使用GitHub Copilot”。

更多用AI编程的方法

内联建议

Copilot 在你输入时提供代码建议，从单行补全到完整函数实现。下一步编辑建议可以根据你当前的编辑情况预测下一个逻辑上的更改。

了解更多关于VS Code中的内联建议。

在线聊天

按Ctrl+I可直接在编辑器中打开聊天提示。描述一个变动，Copilot会建议原地编辑，这样你就能保持编码流程。用于针对性的重构、解释或快速修复，无需切换上下文。

了解更多关于VS Code中的内联聊天。

智能行动

VS Code 包含预定义的 AI 驱动作，用于常见任务：生成提交信息、重命名符号、修复错误以及在项目中运行语义搜索。

VS Code 中智能行为菜单的截图，显示修复测试失败的选项。

了解更多关于VS Code中的智能动作。

根据你的工作流程定制AI。

当代理了解你项目的惯例、拥有合适的工具并使用适合该任务的模型时，他们能发挥最佳作用。VS Code 提供了多种方法来定制 AI，使其从一开始就生成适合你代码库的代码，而不是事后手动修改。

  • 自定义说明：定义项目范围的编码规范，让AI生成符合你风格的代码。
  • 代理技能：教授跨 VS Code、GitHub Copilot CLI 和 GitHub Copilot 编码代理的专业能力。
  • 自定义代理：创建承担特定角色的代理，如代码审查员或文档编写者，配备自己的工具和指令。
  • MCP 服务器：通过 MCP 服务器或 Marketplace 扩展工具扩展代理。
  • 钩子：在特定事件执行自定义命令，实现自动化和策略执行。

支持

GitHub Copilot 聊天由 GitHub 提供支持，联系方式为 https://support.github.com。

想了解更多关于Copilot的安全性、隐私、合规性和透明度的信息，请参阅GitHub Copilot信任中心常见问题解答。

定价

你可以免费开始使用 GitHub Copilot，但每月对内嵌建议和聊天互动有限制。如果需要更长时间的使用，可以选择多种付费套餐。

查看详细的GitHub Copilot定价

下一步

Read more

FPGA 项目开发完整流程及常用工具梳理（工程向，收藏专用）

FPGA 项目开发完整流程及常用工具梳理（工程向，收藏专用）

很多刚接触 FPGA 的同学，会下意识把注意力放在“语法”“IP”“例程”上。 但真正做过项目之后就会发现： FPGA 工程从来不是“把代码写对”这么简单。 一个 FPGA 项目能不能顺利交付，往往取决于你是否具备完整的工程视角，而不是会不会某几条 always 块。 从需求理解，到代码实现，再到板级调试，FPGA 工程师的工作，本质上是一条不断自证、不断修正的工程闭环。 下面就从工程实践角度，梳理一套FPGA 项目中常见、且真正有用的开发流程与工具。 一、理解需求与系统背景（不是一上来就写代码） FPGA 项目的第一步，永远不是打开 Vivado / Quartus。 而是把下面几件事搞清楚： * 这个 FPGA 在系统中扮演什么角色 * 数据从哪里来，到哪里去 * 上下游是谁（CPU / ADC / PHY / 传感器
飞书机器人与Claude Code交互：从手机指令到AI处理的全自动流程

飞书机器人与Claude Code交互：从手机指令到AI处理的全自动流程

飞书机器人与Claude Code交互：从手机指令到AI处理的全自动流程 * 一、背景 * 二、实现方案概览 * 三、操作步骤 * 前置准备 * 第一步：创建并进入Claude Code容器 * 配置Claude Code使用本地模型 * 测试Claude Code是否正常工作 * 第二步：安装Python依赖 * 第三步：获取飞书应用的凭证 * 第四步：编写并运行中间件脚本 * 脚本解释 * 运行脚本 * 第五步：在飞书中与机器人对话 * 常见问题 * 总结 一、背景 在日常开发中，我们经常需要快速查询代码问题、生成文档或执行简单的编程任务。如果有一款AI助手能随时响应，就像在电脑终端前一样，那该多方便！本教程将演示如何搭建一个飞书机器人，当你在手机飞书App上发送消息时，该消息会传递给运行在电脑上的Claude Code（一个智能编码助手），Claude Code处理后将结果回复到你的飞书会话中。 通过这个方案，你可以： * 在手机上随时向AI提问编程问题。 * 让AI帮你调试

基于目标偏置与双向APF-RRT*的无人机动态避障轨迹优化

1. 无人机轨迹规划：为什么传统方法在动态环境里“不够看”？ 大家好，我是老张，在无人机和机器人路径规划这个领域摸爬滚打了十几年。今天想和大家聊聊一个非常实际的问题：无人机在复杂、动态的环境里，怎么才能规划出一条既安全又高效的飞行路线？ 这听起来像是个科幻电影里的场景，但其实是当下无人机物流、巡检、应急救援等领域必须啃下的硬骨头。 想象一下，你操控一架无人机在布满高楼、树木，甚至还有其他飞行器的城市峡谷里穿梭。传统的路径规划方法，比如经典的 RRT（快速探索随机树） 算法，就像是一个蒙着眼睛的探险家。它会在整个空间里随机“扔飞镖”（采样点），然后尝试把飞镖落点连起来形成路径。这种方法虽然能保证最终找到一条路，但效率实在太低了，规划出的路径往往歪歪扭扭，像喝醉了酒一样，而且对动态障碍物反应迟钝。我在早期项目里没少吃这个亏，无人机要么撞上突然出现的飞鸟，要么规划的路径绕了十万八千里，电量耗尽都飞不到目的地。 后来有了 RRT* 算法，它在RRT的基础上增加了“重布线”和“父节点重选”的优化步骤，能让路径长度逐渐逼近最优，算是很大的进步。但它在面对动态环境时，依然有个核心问题：
LazyLLM 测评 | 低代码颠覆 AI 开发！代码专家智能体进阶模块实战

LazyLLM 测评 | 低代码颠覆 AI 开发！代码专家智能体进阶模块实战

摘要： LazyLLM 是商汤大装置推出的开源低代码框架，作为构建和优化多 Agent 应用的一站式开发框架，覆盖应用搭建、数据准备、模型部署、微调、评测等全流程开发环节，提供丰富的工具支持。其以模块化设计打破传统开发壁垒，通过数据流驱动重构开发逻辑，能让开发者用极简代码实现工业级复杂 AI 应用，摆脱冗余编码束缚，聚焦核心业务场景，降低 AI 应用构建成本并支持持续迭代优化。堪称 AI 开发者的 “效率神器”，其技术普惠理念为 AI 开发领域带来新的实践范式，推动了更高效的开发模式。本文将以Python编程为切入点，带你深入了解LazyLLM框架。 LazyLLM 是构建和优化多 Agent 应用的一站式开发工具，为应用开发过程中的全部环节（包括应用搭建、数据准备、模型部署、模型微调、评测等）提供了大量的工具，协助开发者用极低的成本构建 AI 应用，并可以持续地迭代优化效果。 LazyLLM作为商汤大装置推出的开源低代码框架，简直是AI开发者的“效率神器”