27 篇文章带有标签 “github-copilot”

AI 编程的演进逻辑非常清晰：GitHub Copilot 作为插件，在传统 IDE 里为大众提供辅助；Cursor 则打破束缚，通过 AI 原生 IDE 实现了深度的体验跃迁；而 Claude Code 这类 CLI 工具，则是为追求极致自由与自动化的极客准备的——它摆脱了图形界面的繁琐，让开发者在命令行中，就能以‘操作指令’驱动 AI 完成从编码到部署的全流程。

AI 编程三剑客：时间线与营收对比

维度	GitHub Copilot	Cursor	Claude Code
代表形态	IDE 插件 (Plugin)	AI 原生 IDE (Forked)	CLI 智能体 (Agent)
正式发布/爆发时间	2021年6月 (预览) / 2022年6月 (正式)	2023年 (起步) / 2024年底 (爆发)	2025年2月 (GA)
年营收 (ARR)	$20 亿+$ (2025年Q3数据)	20亿+∗∗(2025年Q3数据)∣∗∗10 亿+ (2025年底估算)	$10 亿+ (上线6个月即达成)
用户规模	2000万+ 开发者	100万+ 付费用户	爆发式增长中 (API驱动)
核心地位	行业标准与基建	效率工具的巅峰	自主编程的开端

1. GitHub Copilot：稳坐江山的“老牌霸主”

• 登基时间： 2021-2022年。它是 AI 编程的开创者，利用 GitHub 庞大的生态系统，迅速完成了从 0 到 1 的教育。
• 营收状况： 2025年 9月，微软在财报中确认 GitHub Copilot 的年经常性收入（ARR）已突破 20 亿美元。
• 现状： 虽然面临 Cursor 的挑战，但它依然是 90% 以上 500 强企业的标准配置。它的战略重心已转向 “代理化” (Agentic)，在 GitHub Universe 2025 上展示了全流程的 AI 协作能力。

本文档围绕着初学者如何分析并开发一个类似 Gemini CLI 的项目提供了详尽的指南。核心思想是将复杂的项目分解为可管理的部分，并提供分步学习路径。指南强调了理解项目架构（如前端CLI和后端Core的职责）、熟悉代码结构、掌握核心功能（如API交互和工具系统）、以及通过实践进行学习的重要性。通过阅读文档、运行和调试代码、并尝试进行小修改，学习者能够逐步掌握此类项目的开发技能。在 VSCode 中，使用 GitHub Copilot 的 Ask 模式分别对大模型（如 GPT-4.1、GPT-4o、Gemini 2.5 Pro 和 Claude Sonnet 系列）进行提问并总结。

问题

#codebase 我作为初学者，如何开始分析这个项目，以达到学习的目的，可以手动开发这种类型的项目。

下面是不同大模型给出的回答：

GPT-4.1

作为初学者，分析并学习 Gemini CLI 这样的大型项目，可以按照以下步骤进行，帮助你理解架构、掌握开发流程，并为将来手动开发类似项目打下基础：

1. 阅读架构文档，理解整体结构

你可以从 architecture.md 开始，重点关注以下内容：

• 核心组件：项目分为 CLI 前端（cli）、Core 后端（core）和工具模块（tools）。
• 交互流程：用户输入 → CLI 处理 → Core 构建请求并与 Gemini API 通信 → 工具调用（如有）→ 返回结果 → CLI 展示。
• 设计原则：模块化、可扩展性、良好的用户体验。

类别	列表
操作系统	【macOS】
Terminal	【Terminal】 【Tmux&Screen】
IDE	【VSCode】 【Vim】
GitHub Copilot	【GitHub Copilot】

常用命令 +--------------------------------------------------------------------------------------------------------------------------+ | 🔥🔥🔥 COMMON COMMANDS (sudo nvim /etc/motd) 📝 | |==========================================================================================================================| | 🏠 wjj.com(http://127.0.0.1:4000/) | mogrify [-resize 50%] [-path jpg_path] -format jpg png_path/*.png | | ⬛️ ssh.cpu[1234] ssh.gpu1 ssh.

本文档介绍了 Copilot 的三种主要模式——询问 (Ask)、编辑 (Edit) 和 代理 (Agent)，并列举了 Copilot 可访问的各种工具，例如 搜索用法 (#usages)、获取网页信息 (#fetch)、搜索 Marketplace 扩展 (#extensions) 和 搜索 GitHub 仓库代码 (#githubRepo)，以增强模型上下文。还详细描述了 提示文件 (Prompt files) 和 指令文件 (Instructions files) 的目的和使用，并展示了如何通过这些文件管理和定制 AI 模型的行为。

• 提问：这与之前的“聊天”视图相同。您可以就您的工作区或一般编码问题向任何模型提问。使用 @ 符号可以调用内置的聊天参与者或已安装的扩展。使用 # 符号可以手动附加任何类型的上下文。
• 代理：启动一个代理编码流程，其中包含一套工具，使其能够自主收集上下文、运行终端命令或执行其他操作来完成任务。代理模式已为所有 VS Code Insiders 用户启用，并且我们正在向更多 VS Code Stable 用户推出。
• 编辑：在编辑模式下，模型可以对多个文件进行定向编辑。附加 #codebase 可以让它自动查找要编辑的文件。但它不会运行终端命令或自动执行任何其他操作。

• VSCode - April 2025 (version 1.100)
• VSCode - March 2025 (version 1.99)

鲁软慧码 - 提示工程实战手册

欢迎开启智能编码新纪元！

鲁软慧码旨在成为您编程旅程中的得力伙伴，加速开发、提升代码质量、激发创新灵感。

要充分释放鲁软慧码的潜力，关键在于掌握有效的提示（Prompting）。这份手册将为您揭示编写高效提示的秘诀和实用技巧，并通过丰富的示例，助您快速从入门到精通。

为什么精通提示如此重要？

• 精准结果： 清晰的提示 = 更符合预期的代码或解决方案。
  • 效率提升： 减少反复沟通和修改的时间，直达目标。
  • 解锁潜能： 探索助手的更多高级功能，应对复杂挑战。

一、编写高效提示的核心原则

掌握以下原则，让您与鲁软慧码的沟通事半功倍：

1. 🎯 目标明确，意图清晰 (Be Clear & Specific)

• 要做什么？ 直接说明您想实现的功能、解决的问题或获得的信息。避免模糊不清的指令。 * 坏例子： 帮我处理下数据。 * 好例子： 帮我用 Python Pandas 读取名为 'sales_data.csv' 的文件，并计算 'amount' 列的总和。

2. 🧩 提供充足上下文 (Provide Context)

• 背景信息： 告知助手您正在使用的编程语言、框架、库、项目目标或特定约束。 * 坏例子： 修复这个 bug。 (未提供代码和错误信息) * 好例子： 我在使用 React 和 Ant Design 开发一个表单。提交时，控制台报 'TypeError: Cannot read properties of undefined (reading 'validateFields')' 错误。这是相关的代码片段：[代码片段]。请分析原因并提供修复建议。

开发

这是第一次开发 MCP Server，想着使用智能编码工具（GitHub Copilot、Cursor、Trae）进行氛围编程，发现真不容易，Claude 3.7 sonnet 效果不错，在 GitHub Copilot 没用多长时间超限制了；Cursor 没有达到之前那种随心的效果；Trae 要排长队，太有挫败感了。于是，开始了以人编码为主，大模型辅助的开发过程。

MCP Server 的工作流程

1. 初始化：加载环境变量，初始化 RAGFlow 客户端。
2. 工具注册：定义工具列表，描述工具的输入/输出。
3. 工具逻辑：实现工具的具体调用逻辑。
4. 服务器启动：通过 stdio 启动 MCP Server 并监听请求。

创建 RAGFlow MCP Server 项目

uvx create-mcp-server \
    --path ragflow-mcp-server \
    --name ragflow-mcp-server \
    --version 0.1.0 \
    --description "RAGFlow MCP Server" \
    --no-claudeapp
cd ragflow-mcp-server
uv sync --dev --all-extras
uv add ragflow-sdk

下载 MCP 开发文档和 RAGFlow Python API 文档

欢迎使用Visual Studio Code 2025年3月版本。此版本包含许多更新，我们希望您会喜欢，一些主要亮点包括：

• 代理模式
  • 代理模式现已在VS Code稳定版中可用。通过设置setting(chat.agent.enabled:true)启用（更多...）。
  • 通过模型上下文协议(MCP)服务器工具扩展代理模式（更多...）。
  • 尝试代理模式中的新内置工具，用于获取网页内容、查找符号引用和深度思考（更多...）。

• 代码编辑
  • 下一步编辑建议现已正式发布（更多...）。
  • 在编辑器中应用AI编辑时减少诊断事件等干扰（更多...）。

• 聊天
  • 在聊天中使用自己的API密钥访问更多语言模型（预览版）（更多...）。
  • 从统一的聊天体验中轻松切换问答、编辑和代理模式（更多...）。
  • 通过即时远程工作区索引体验提高工作区搜索速度和准确性（更多...）。

• 笔记本编辑
  • 借助编辑和代理模式的支持，像编辑代码文件一样轻松创建和编辑笔记本（更多...）。

如果您想在线阅读这些发布说明，请前往code.visualstudio.com上的更新页面。 Insiders版本： 想尽快尝试新功能吗？您可以下载每晚构建的Insiders版本，并在功能可用后立即尝试最新更新。

聊天

代理模式在 VS Code 稳定版中可用

设置：setting(chat.agent.enabled:true)

什么是生成式AI？

生成式AI是指能够根据提示或指令创建新内容的AI系统。这些系统被训练于大量数据，学习识别模式并生成类似于训练数据的新输出。现代生成式AI多为基于神经网络架构的深度学习系统。

目前主导生成式AI讨论的是大型语言模型（LLMs）。这些是经过大量文本训练的模型，可以生成连贯的文本，预测给定上下文中最可能的下一个词。尽管基础架构可能很复杂，但我们可以将其视为一个复杂的自动补全系统。

LLMs展现出的能力远超过以前的生成系统，它们能够：

• 以难以与人类创作区分的方式撰写文章、小说、诗歌或代码
• 回答问题、提供建议、编写报告、总结文档
• 理解上下文并保持对话连贯性
• 同时处理多种语言
• 理解代码并生成新代码

关键应用领域

生成式AI已经在许多领域展示出其应用潜力：

代码生成和编程辅助

开发人员正在使用生成式AI工具（如GitHub Copilot、Amazon CodeWhisperer和Google Duet AI）来加速编码过程。这些工具可以：

• 生成样板代码
• 提出完整函数和算法
• 帮助编写测试
• 解释现有代码
• 重构代码以提高质量
• 生成文档

内容创建和营销

生成式AI可以产生各种形式的内容：

• 博客文章、社交媒体更新和营销文案
• 个性化电子邮件和通信
• 产品描述和目录
• 视频脚本和广告文案

客户服务和支持

生成式AI正在改变企业与客户的互动方式： 聊天机器人和虚拟助手 智能响应建议 自动票务分类和路由 知识库生成和

sh ./scripts/install-dependencies.sh

• Contributing to Continue

❌ File out/node_modules/@esbuild/darwin-arm64/bin/esbuild does not exist

运行 Chat Sample

克隆仓库

git clone https://github.com/microsoft/vscode-extension-samples

安装依赖

cd vscode-extension-samples/chat-sample
npm install

调试

在 Debug View 中运行 Run Extension。

Chat Sample 源码分析

扩展入口

文件：src/extension.ts

export function activate(context: vscode.ExtensionContext) {
    registerSimpleParticipant(context);
    registerToolUserChatParticipant(context);
    registerChatLibChatParticipant(context);

    registerChatTools(context);
}

注册参与者

文件：src/simple.ts

export function registerSimpleParticipant(context: vscode.ExtensionContext) {

}

The Language Model API enables you to use the Language Model and integrate AI-powered features and natural language processing in your Visual Studio Code extension.

语言模型 API 可以让您使用语言模型，并在您的 Visual Studio Code 扩展中集成 AI 功能和自然语言处理。

You can use the Language Model API in different types of extensions. A typical use for this API is in chat extensions, where you use a language model to interpret the user's request and help provide an answer. However, the use of the Language Model API is not limited to this scenario.

• Chat extensions

聊天用户体验的组成部分

下面的截图显示了示例扩展中 Visual Studio Code 聊天体验中的不同聊天概念。

1. 使用 @ 语法调用 @cat 聊天参与者
2. 使用 / 语法调用 /teach 命令
3. 用户提供的查询，也称为用户提示
4. 图标和参与者的 fullName，表示 Copilot 正在使用 @cat 聊天参与者
5. 由 @cat 提供的 Markdown 响应
6. 包含在 Markdown 响应中的代码片段
7. 包含在 @cat 响应中的按钮，按钮调用 VS Code 命令
8. 聊天参与者提供的建议后续问题
9. 聊天输入字段，其中的占位文本由聊天参与者的 description 属性提供

开发聊天扩展（chat extension）

聊天扩展是一种扩展，它向 Chat 视图提供了一个聊天参与者。

实现聊天扩展所需的最小功能是：

• 注册聊天参与者，让用户可以在 VS Code Chat 视图中使用 @ 符号调用它。
• 定义一个请求处理程序，解释用户的问题，并在 Chat 视图中返回响应。

您可以使用以下可选功能进一步扩展聊天扩展的功能：

• 注册聊天命令，为用户提供常见问题的简写符号
• 定义建议的后续问题，帮助用户继续对话

作为开发聊天扩展的起点，您可以参考我们的 chat extension sample。此示例实现了一个简单的猫导师，可以使用猫隐喻解释计算机科学主题。

GitHub Copilot

GitHub Copilot 你的 AI 编程伙伴，助你更快、更智能地编写代码。

UI 设计

Command Center

Inline Chat

Chat View

• Conversation History

Quick Chat

Copilot Edits

Terminal Inline Chat

支持的 IDE

• Visual Studio
• Visual Studio Code
• JetBrains IDEs
• Xcode
• Vim/Neovim
• Azure Data Studio
• Web browser(GitHub website)
• Windows Terminal
• GitHub Mobile

交互方式

Code Completions（代码完成）

Copilot 会在你输入时建议代码行，并为函数签名提供多行建议。注释中的提示会根据你期望的结果、逻辑和步骤提供具体的建议。

1. 代码行建议
2. 函数签名建议
3. 注释中的提示

您可能不想接受 GitHub Copilot 的整个建议。您可以使用 ⌘→ 键盘快捷键来接受建议的下一个单词或下一行。

Inline Chat

Inline Chat 使您能够直接从编辑器与 Copilot 进行聊天对话，而无需离开您的工作上下文。使用 Inline Chat，您可以在代码中就地预览代码建议，这对于快速迭代代码更改非常有用。

Chat View

Tab Completion

输入

向量数据库存储位置

生成规则

LanceDB 存储位置：~/.continue/index/lancedb

• UsersjunjianGitHubcontinuedevcontinue-0.9.191-vscodeextensionsvscodeNONEvectordb_OpenAIEmbeddingsProviderbge-base-zh-v1.5.lance
• UsersjunjianGitHubcontinuedevcontinue-0.9.191-vscodeextensionsvscodeNONEvectordb_TransformersJsEmbeddingsProviderall-MiniLM-L6-v2.lance
• UsersjunjianGitHubcontinuedevcontinue-0.9.191-vscodeextensionsvscodeNONEvectordb_TransformersJsEmbeddingsProviderbge-small-zh-v1.5.lance

向量数据库存储目录名字的组成部分： IndexTag.directory: /Users/junjian/GitHub/continuedev/continue-0.9.191-vscode/extensions/vscode IndexTag.branch: NONE IndexTag.

bloop

bloop 是用 Rust 编写的快速代码搜索引擎

• bloop GitHub

克隆代码

git clone https://github.com/BloopAI/bloop
cd bloop

bloop Server

指定依赖库版本

cargo update -p qdrant-client --precise 1.5.0
cargo update -p reqwest --precise 0.11.20

编译

cargo build -p bleep --release

部署 Qdrant 服务

docker run -p 6333:6333 -p 6334:6334 \
    -v $(pwd)/qdrant_storage_1_5_0:/qdrant/storage:z \
    qdrant/qdrant:v1.5.0

运行

mkdir codes
RUST_BACKTRACE=1 cargo run -p bleep --release -- --source-dir /Users/junjian/GitHub/BloopAI/bloop/codes

bloop App

安装依赖

• ONNX Runtime

brew install onnxruntime
brew install tauri
brew install vips

安装与配置

安装

访问 Cursor 官网，下载并安装 Cursor。

配置

运行 Cursor，打开 Cursor 设置。

General > Rules for AI

让模型使用中文回复。

Features > Cursor Tab

功能

使用

使用 Codebase

Final Codebase Context 使用了 100 个 代码块。

对于 大主题 （多维度）的问题，使用更多的 代码块 会更有帮助。

代码聊天与编辑器互动

调试

Thoughtworks 技术雷达

Thoughtworks 技术雷达 (Tech Radar) 是一份每半年发布一次的技术报告，涵盖了工具、技术、平台、语言和框架等方面的内容。这一知识成果来自于我们全球团队的经验，重点介绍了您可能想要在项目中探索的内容。

环的含义如下：

• 1️⃣ 采纳 (Adopt)。我们认为您应该认真考虑使用的点。
• 2️⃣ 试验 (Trial)。我们认为可以放心使用的点，但还没有达到“采纳”环中那么成熟的程度。
• 3️⃣ 评估 (Assess)。值得关注的点，但除非非常适合您的需求，否则目前可能不需要试用。
• 4️⃣ 暂缓 (Hold)。需要谨慎对待的点。

参考：

• Thoughtworks 技术雷达
• Thoughtworks 技术雷达 频繁被提及的问题
• Thoughtworks 技术雷达 第30期 2024年4月30日
• Exploring Generative AI - 探索生成式人工智能
• An example of LLM prompting for programming - LLM 提示编程的例子

技术 1️⃣ 将 CI/CD 基础设施作为一种服务 - 2023年4月 将 CI/CD 基础设施作为一种服务已经是很多元化以及成熟的方案，以至于需要自己管理整个 CI 基础设施的情况变得非常少见。

主要功能

• 代码完成（Code completion）：根据提示中输入的代码上下文建议接下来的几行。
• 代码生成（Code generation）：根据开发人员的自然语言提示生成代码。
• 代码聊天（Code chat）：允许开发人员与机器人对话，以获得调试、文档、学习新概念和其他与代码相关问题的帮助。

参考资料

• JetBrains AI
• CodeFuse 让研发变得更简单
• 什么是 CodeFuse
• CodeFuse 常见问题
• Cody
• Sourcegraph
• Foundation Models - Codey
• 构建企业级大语言模型应用的秘诀：GitHub Copilot 的实践之路
• Redis之父亲自上手用大模型撸代码：通晓古今的白痴队友，将来可以取代99%程序员
• 13 Best AI Coding Assistant Tools in 2024
• 【2024.01】目前好用的大语言模型以及部署情况
• 【LLM 10大觀念-1】Scaling Law
• 【LLM 10大觀念-2】Good Data is All You Need
• Awesome Chinese LLM
• How to use the AI SP Inference Server

使用的模型

• 代码生成 Tabby 使用的是 Deepseek Coder 6.7B 模型。

部署服务器端

• 基于 PyCharm 使用 Tabby 和 CodeGPT 插件搭建免费的 GitHub Copilot

安装 Visual Studio Code

Tabby 安装

Tabby 配置

单击状态栏中的 Tabby 图标，打开 Tabby 配置页面。

参数

• EndPoint: http://172.16.33.66:8080

使用 Tabby

代码生成