VSCode自定义Copilot Agent与Awesome Agent

优质文章学习记录

— 2 min read
VSCode自定义Copilot Agent与Awesome Agent

本文将介绍如何在VSCode中创建自定义的Agent，以及哪里可以获取到现有的Agent模板

当我们在VSCode中使用Copilot时，可以选择以下几种模式。

Ask, Edit, Agent, 以及在2025年末时我们可以使用的全新的Plan模式。

图片

不过除此之外，其实我们还有办法自定义属于自己的Agent。

图片

选择右下角Agent菜单，选择Configure Custom Agents...

图片

如选择.github\agents 则会在本工作区域中生成该路径并创建一个指定命名的agent.md文件

如果选择User Data则是会创建全局的Agent模板

图片

在vscode中，也可以直接在文件中通过Configure Tools轻松配置所需要使用的tools，非常方便。

然后我们便可以在copilot中使用自己的Agent了.

当然，自己编写一个相对复杂的agent模板比较耗时，而awesome-copilot项目为我们提供了许多的模板，当然不止是agent，也提供了丰富的提示词模板（prompt）和指导词模板（instructions）,以及最新支持的技能模板（Skill）等，非常方便。

图片

请务必一试！

https://github.com/github/awesome-copilot/

微信公众号: @scixing的炼丹房

Bilibili: @无聊的年

Read more

Qwen2.5-72B-GPTQ-Int4实战教程：vLLM批量推理+Chainlit结果可视化集成

Qwen2.5-72B-GPTQ-Int4实战教程：vLLM批量推理+Chainlit结果可视化集成 1. 开篇：从部署到交互，一站式搞定大模型应用 如果你手头有一个像Qwen2.5-72B这样强大的大语言模型，但还在为如何高效部署和便捷使用而发愁，那么你来对地方了。今天，我们不谈复杂的理论，只讲最实用的操作。我将带你一步步，把一个经过GPTQ-Int4量化、拥有720亿参数的“巨无霸”模型，变成一个随时可以调用、还能通过漂亮界面交互的智能助手。 这个方案的核心是vLLM和Chainlit。vLLM负责在后台高效、稳定地运行模型，处理你的批量请求；Chainlit则在前端为你提供一个类似ChatGPT的聊天界面，让你可以直观地与模型对话，并实时看到生成结果。整个过程，你不需要写复杂的网络代码，也不需要操心并发处理，跟着教程走，就能快速搭建起一套属于自己的大模型应用系统。 2. 认识我们的主角：Qwen2.5-72B-Instruct-GPTQ-Int4 在动手之前，我们先花几分钟了解一下即将部署的模型。这能帮你更好地理解后续的配置和可能遇到的问题。 2.1 模型简介：一
“AI痕迹太重怎么办？”15个提示词教你降低AIGC率，让写作更像人！

“AI痕迹太重怎么办？”15个提示词教你降低AIGC率，让写作更像人！

还在被AIGC率检测卡住？写得再好，也逃不过“AI痕迹”？别急，这篇文章教你15条最实用的“人类化”提示词，让你的写作摆脱机器人味，一键降重过检！ 🧠 为什么你写的AI文章“看起来就像AI写的”？ 在很多AIGC检测系统中，比如新版知网、Turnitin、Grammarly、GPTZero等，AI生成内容往往因为这些特征而中招： * 表达过于标准、学境思源，结构死板（比如“引言-三点论证-结尾”的模板） * 用词中性均衡，一键生成，缺乏语气变化 * 没有细节、论文初稿，acaids.com。比喻或非逻辑性插话 * 引用来源少或太“教科书式” * 缺乏真实感和主观思维 这就导致了一个问题：AI写得虽然通顺，但“太工整”，反而容易被机器识别成AI！ 🛠️ 如何让AI帮你“写得不像AI”？15个逆转提示词来了！ 别再单靠“降重工具”打补丁。更聪明的做法是——从源头开始用“降AIGC率提示词”来让AI写得更像人。
一文通透OpenVLA——在Prismatic VLM(SigLIP、DinoV2、Llama 2)的架构上：基于“下一个token预测技术”预测离散化动作

一文通透OpenVLA——在Prismatic VLM(SigLIP、DinoV2、Llama 2)的架构上：基于“下一个token预测技术”预测离散化动作

前言 当对机器人动作策略的预测越来越成熟稳定之后(比如ACT、比如扩散策略diffusion policy)，为了让机器人可以拥有更好的泛化能力，比较典型的途径之一便是基于预训练过的大语言模型中的广泛知识，然后加一个policy head(当然，一开始背后的模型比较简单，比如有用LSTM或MLP——RoboFlamingo) 再之后，便出来了越来越多成熟稳定的专门的VLA模型，比如OpenVLA，再比如近期介绍过过的π0——用于通用机器人控制的VLA模型：一套框架控制7种机械臂(基于PaliGemma和流匹配的3B模型) 1. π0的意义在于，首次用同一套策略/算法操作不同机器人/机械臂，这种基于机器人大模型的「预训练-微调」模式，很快会越来越多(犹如此前大模型革命NLP 其次CV等各模态，目前到了robot领域)，算是代表了通用机器人的核心发展方向 2. 且π0 比英伟达的HOVER早一点，当然，同时期的RDT GR2也有这个潜力的，期待这两 后续的更新 一个多月前(本文首发于25年1月)，有朋友曾说，一个月内，π0 会开源来着，当时虽然觉得不太可能，但还是抱着期待，可还

Claude部署（copilot反向代理）

一、教育邮箱认证 1、进行教育邮箱认证可免费使用claude pro 2年，有机会的话可以进行认证，无法教育认证的话只能花钱充claude的会员了，如何进行教育认证可观看该Up的视频 超简单一次通过Github学生认证，逐步详细视频教程_哔哩哔哩_bilibili 2、教育认证通过后在GitHub个人主页下的Copilot/Features中开启Copilot Pro 二、服务器上配置Copilot反向代理 1、配置nodejs环境 在官网https://nodejs.org/en/download/package-manager，下载nodejs安装包（Linux） 下载完成后将压缩包传到服务器上进行解压，目录如下 创建软连接，使得在任意目录下都可以试用直接使用node命令和npm命令 ln -s /root/node-v24.13.1-linux-x64/bin/node /usr/local/bin/node ln -s /root/node-v24.13.