GitHub Copilot app 入门:如何让 Copilot 理解你的代码库
GitHub Copilot app 可通过自定义指令、Agent 技能、自定义智能体和 MCP 服务器四种方式适配项目代码库。自定义指令定义项目规范,Agent 技能封装可重复流程,自定义智能体处理更大任务,MCP 服务器接入外部工具和数据。社区 Awesome Copilot 提供现成配置,可以从最小配置开始。
GitHub Copilot app 可通过自定义指令、Agent 技能、自定义智能体和 MCP 服务器四种方式适配项目代码库。自定义指令定义项目规范,Agent 技能封装可重复流程,自定义智能体处理更大任务,MCP 服务器接入外部工具和数据。社区 Awesome Copilot 提供现成配置,可以从最小配置开始。
actions/python-versions 已新增 Python 3.15.0,现在可以在 GitHub Actions 测试矩阵中添加 "3.15",对新的 Python 3.15.0 版本运行测试。
作者在 Hugging Chat 的 ML Intern 模式下,以约 103 美元总计算成本构建了六个自定义模型,覆盖柑橘病害识别、角色 LoRA、相机视角 LoRA、局部编辑 LoRA、0.8B 提示词重写器和 4 步扩散模型。
推荐理由:它给出从零预算、基线和冒烟测试到交付限价的提示词结构,并列出六个模型的成本,可作为小规模微调的成本参考。
GitHub 推出基于 ModernBERT 的秘密检测分类器,用于推送保护,可在不到 2 毫秒内评估候选秘密批次,有望将可阻止的泄露数量翻倍以上。
推荐理由:把九个季度的公开推送数据与 ModernBERT 分类器结合,GitHub 给出秘密防护在 2 毫秒内扩展拦截能力的路径和预览接入条件。
GitHub 发布 AI 代码评审开放基准 ReviewBench,其语料来自 1.039 亿个 GitHub PR 的分布,包含 19 种语言、187 个开源许可证仓库的 219 个 PR。
推荐理由:它基于 1.039 亿 GitHub PR 分布构建,公开数据集与裁判配置,并给出与 Copilot 线上实验方向一致的线下信号,便于团队用同一基准迭代评审智能体。
GitHub 列出 AI 改变开发者工作下需强化的三项技能:学会引导 AI、不轻信 AI 首个答案、用 AI 解决更大问题。GitHub Copilot 内置的 Rubber Duck agent 会用第二个模型在推进前审查计划、代码和测试。GitHub 建议开发者让 AI 承担更多实现工作,自己专注于技术判断、权衡与解决正确问题。
GitHub Copilot app 的 canvases 允许用户通过 /create-canvas 用自然语言描述工作流,生成可共享、可细化的自定义界面,如看板、清单或仪表盘。
推荐理由:原文给出用 /create-canvas 把工作流描述成共享可复用 canvas 的起步方法,读者可据此快速搭建看板或清单。
Burke Holland 认为聊天作为 LLM 的主要交互界面大多数时候并不合适,并提出 GitHub Copilot app 中的 canvas 作为替代。
推荐理由:原文用 Connect 4、Winget 和 SQLite 等实例给出 canvas 替代聊天 UI 的构建思路,读者可据此把一次性 agent 交互变成自己控制的工具流程。
GitHub Security Lab 发布了基于 Taskflow Agent 的 Fuzzing Taskflow,用户只需指定 GitHub 仓库,即可自动完成 C/C++ 项目的入口识别、harness 编写、覆盖率反馈、崩溃分类和漏洞报告。
GitHub Copilot app 重构了 pull request 视图,使其在包含 2200 个文件、超百万行变更和 400 多条内联评论的极端 PR 上也能流畅打开、滚动和交互。核心做法是分离确定性代码几何与动态评论块几何,并采用惰性测量和滚动锚定来保持稳定。文章还展示了无人值守的测量循环如何定位仅在高负载下出现的性能缺陷。