三位 Java Champion 分享用 GitHub Copilot 提效的实践
GitHub 博客采访三位有十余年 Java 经验的 Java Champion,介绍他们在生产项目和开源项目中使用 GitHub Copilot 的具体做法。
GitHub 博客采访三位有十余年 Java 经验的 Java Champion,介绍他们在生产项目和开源项目中使用 GitHub Copilot 的具体做法。
GitHub 官方教程介绍如何把 GitHub Copilot 应用中的会话直接打开到 VS Code 继续处理,会话的任务、计划和对话记录、代码差异以及独立工作树都会一并保留。读者可以在 VS Code 中逐行审阅智能体的改动、手动编辑、在集成终端运行测试,再把改动推送到该会话关联的拉取请求。前提是已安装并登录 GitHub Copilot 应用和 VS Code,且对会话所在仓库有推送权限。
GitHub 为密钥扫描训练了专用分类器,采用正则筛选加 ModernBERT 上下文分类的两阶段流程,替代此前的 大语言模型(LLM,Large Language Model) 流水线。相比旧方案,用户告警接受率提升 11.5%,推送后扫描中位执行时间缩短 86%,服务成本降低 98% 以上。该效率使通用密钥检测得以扩展到推送保护,在代码推送前就返回结果。
GitHub 发布 Copilot 入门教程,介绍四种让 Copilot 了解代码库的方式:自定义指令、智能体技能、自定义智能体和模型上下文协议(MCP,Model Context Protocol)服务器。
GitHub 发布与 Microsoft Applied Sciences 合作微调的 ModernBERT 分类器,把推送保护扩展到无固定格式的密钥,可在两毫秒内评估一批候选密钥,并称可让可拦截的密钥数量翻倍以上。
推荐理由:GitHub 用九个季度的数据说明密钥泄露与代码量同步增长,并给出把防护成本从人工转移到模型推理的思路。
GitHub 发布 人工智能(AI,Artificial Intelligence) 代码评审开放基准 ReviewBench,包含 219 个公开拉取请求、覆盖 19 种语言,并公开数据集、评分规则和评审模型。
推荐理由:GitHub 公开了基准数据集、评分规则和评审模型,读者可以据此复现评测,并了解离线结果与线上实验的对应关系。
GitHub 博客提出开发者应对 人工智能(AI,Artificial Intelligence) 工作方式变化的三项技能:学会指挥 AI 智能体(Agent)而非只使用它,用第二个模型审查 AI 输出,并借 AI 节省的时间处理更大问题。文中以 GitHub Copilot 内置的 Rubber Duck 智能体为例,说明第二个模型可审查计划、代码和测试,补上首个模型遗漏的问题。
GitHub Copilot 应用介绍用 canvases(画布扩展)搭建自定义工作流的方法:在智能体会话中输入 /create-canvas 技能,用自然语言描述工作流、界面操作和智能体可执行的动作,智能体就会生成界面并在右侧面板打开,无需手写代码或调整布局。