使用 AI 的最佳实践

本文涵盖了在 Visual Studio Code 中高效利用 AI 的最佳实践。每一部分都提供了可操作的指导，并附有深入文档的链接。

优化您的 AI 项目

通过在配置项目和代码库时考虑 AI 的需求，您可以提高 AI 响应的准确性，并确保 AI 遵循团队的编码标准和规范。

VS Code 支持多种机制来配置项目的 AI 行为。在聊天中输入 /init 即可生成入门配置文件。

有效项目配置的建议

• 保持指令文件简洁。它们会在每次聊天交互时加载。重点关注 AI 无法从代码中推断出的信息，例如非默认规范、架构决策或环境设置。
• 使用 applyTo 模式来限定指令范围。输入 /instructions 来创建特定语言或文件夹的指令文件，而不是将所有内容塞进同一个文件中。
• 限制启用的工具。启用的工具越少，响应速度越快、相关性越高。仅在任务需要时才启用相应的工具。

有关完整设置详情，请参阅自定义概述。

为任务选择合适的工具

VS Code 中的 AI 提供多种交互模式。为手头任务选择最合适的一种，可以节省时间并获得更好的结果。

选择合适的智能体（Agent）类型

使用智能体时，请选择与您的任务和工作流相匹配的智能体类型。每种类型在交互性、速度和隔离性上都有不同的权衡。

• 使用本地智能体进行交互式工作。本地智能体在您的编辑器中运行，可完全访问您的工作区、工具和扩展。当您需要快速迭代、实时审查变更或使用 VS Code 特定工具（如集成浏览器或 MCP 服务器）时，请选择它们。

• 将明确定义的任务卸载给后台智能体。当任务足够清晰，不需要您实时监控每一步时，请使用 Copilot CLI 或云端智能体。

• 使用云端智能体进行团队协作。云端智能体在远程运行并创建拉取请求 (Pull Request)，非常适合需要团队审查的任务，或者当您希望将 GitHub Issue 直接分配给智能体时。

• 为独立任务运行并行会话。启动多个智能体会话（横跨本地、后台和云端环境），同时处理不相关的任务。通过会话列表监控它们。

• 在智能体类型之间切换。首先使用本地智能体以交互方式进行探索和规划，然后交接给后台或云端智能体进行实施。对话历史记录会随之传递。

更多信息，请参阅使用智能体和智能体教程。

编写有效的提示词

AI 响应的质量取决于您提示词的清晰度和具体程度。这些技巧有助于您获得更好的结果。

• 明确输入、输出和约束条件。说明您要使用的编程语言、框架和库。描述预期的行为，或包含示例输入和输出。

  Write a TypeScript function that validates email addresses.
  Return true for valid addresses, false otherwise. Don't use regex.
  Example: validateEmail("user@example.com") returns true
  Example: validateEmail("invalid") returns false
  

• 分解复杂任务。与其一次性要求完成整个功能，不如将其拆解为范围明确的小步骤。这种方法产生的结果更可靠，也更容易及早发现问题。

• 包含预期输出以进行验证。提供测试用例、预期结果或验收标准，以便 AI 可以验证其自身的工作。这是您可以采取的最有效的做法之一。

  Implement a rate limiter using the token bucket algorithm.
  Write unit tests that verify: 10 requests/second allowed,
  11th request rejected, bucket refills after 1 second.
  Run the tests after implementing.
  

• 避免模糊的提示词。像“改进这段代码”这样的提示词无法为 AI 提供任何方向。请具体说明“改进”的含义：例如“降低时间复杂度”或“为 null 值添加输入验证”。

• 通过后续提示词进行迭代。通过在后续消息中添加约束或修正来精炼响应，而不是重写整个提示词。

• 尽早纠正方向。如果 AI 的方向不对，通过后续消息引导它，以重定向当前请求、排队后续请求，或者停止并发送新的提示词。

• 让 AI 提出澄清问题。如果任务含糊不清，请指示 AI 在继续之前向您提问。这比猜测需求更能得到准确的结果。

• 并行任务。如果您有多个独立的任务，让 AI 并行运行它们以节省时间。例如：“并行执行关于 X 和 Y 的独立研究并总结结果。”

更多信息，请在 GitHub Copilot 文档中查找实用的提示词示例。

提供正确的上下文

当 AI 拥有相关上下文时，响应会更准确。使用以下技巧为 AI 提供正确的信息。

• AI 会自动执行代码搜索以收集相关上下文。当您的提示词模棱两可时，可以通过在提示词中使用 #<file>、#<folder> 或 #<symbol> 引用特定文件、文件夹或符号来引导 AI。

• 要从网页或 GitHub 仓库拉取信息，请使用 #fetch 为 AI 提供超出您代码库的最新信息，或者使用 GitHub MCP 等 MCP 服务器提供的工具。

• 引用 VS Code 环境上下文（例如源代码管理变更、终端输出或测试失败），以帮助 AI 了解项目的当前状态并提供更相关的响应。

• 添加图像或屏幕截图，让 AI 分析视觉内容。

• 使用集成浏览器预览您的应用，并选择页面元素作为上下文。

更多信息，请参阅向聊天提示词添加上下文和配置工具。

选择合适的模型

每种 AI 模型都有不同的优势。有些擅长推理，有些擅长代码生成或快速响应。为您的任务选择合适的模型可提升效果。

• 将模型与任务复杂度匹配。对简单的补全和样板代码使用快速模型。对于规划、调试或架构决策，请切换到针对推理优化的模型。

• 使用最新模型。新模型通常具备更强的功能。VS Code 会持续增加对新模型和模型版本的支持。检查可用模型并使用最新的版本。

• 在提示词文件和智能体中固定模型。在您的提示词文件或自定义智能体定义中指定首选模型，以确保在特定任务中始终使用正确的模型。

• 尝试并对比。如果您对响应不满意，请尝试不同的模型。对于同一个提示词，不同模型可能会产生显著不同的结果。

• 调整推理模型的思考深度。使用模型选择器中的思考深度控制，为复杂任务增加思考量，或为简单任务减少思考量。

• 使用 BYOK（自带 API 密钥）以获得更多控制。使用您自己的 API 密钥以获得更多的模型选择和托管选项。

更多信息，请参阅选择 AI 模型和Copilot Chat 的可用模型。

先规划，后执行

对于涉及多个文件的复杂变更，请将规划与实施分开。这种方法可以防止 AI 解决错误的问题。

1. 探索。在使用 ask 模式或子智能体在进行更改之前读取相关代码并了解其工作原理。
2. 规划。使用规划智能体 (Plan agent) 创建结构化的实施方案。在执行前进行审查和完善。
3. 实施。切换到智能体模式并根据计划进行实施。包含测试或预期输出，以便智能体可以验证其自身的工作。对于较长的任务，请交接给后台智能体或云端智能体。
4. 审查。使用检查点 (checkpoints) 来查看进度、在智能体偏离轨道时回滚，或在生成的拉取请求上请求 Copilot 代码审查。

更多信息，请参阅上下文工程工作流。

审查并验证 AI 输出

AI 生成的代码可能包含 Bug、安全问题或细微的逻辑错误。请始终将 AI 输出视为需要审查的起点。

• 接受前先行审查。在接受更改之前通读生成的代码。注意 AI 可能做出的边缘情况、错误处理和假设。

• AI 更改后运行测试。在您的提示词中包含测试用例，以便 AI 可以验证其自身的工作。如果 AI 没有自动运行测试，请在继续之前自行运行。

• 使用检查点回滚。如果智能体偏离轨道，请使用检查点回滚到已知的良好状态，而不是试图修复连带错误。

• 检查安全问题。审查 AI 生成的代码是否存在常见漏洞，如注入缺陷、硬编码密钥或缺失输入验证。避免将凭据或敏感数据粘贴到提示词中。

更多信息，请参阅GitHub Copilot 安全性和GitHub Copilot 信任中心。

管理上下文和会话

当对话充斥着不相关的上下文时，AI 的响应可能会下降。请主动管理您的会话。

• 为不相关的任务开启新会话。不要将无关的问题堆积在同一个对话中。上下文污染会降低响应质量。

• 移除不相关的历史记录。删除不再相关的过去问题和响应，或者开启一个新会话。

• 压缩上下文。使用 /compact 并提供指令，有选择地压缩上下文并仅保留最相关的信息。

• 使用子智能体进行研究。通过使用子智能体，暗示 AI 在隔离状态下进行研究和探索，这样研究结果就不会干扰您的主要上下文。

• 选择正确的会话类型。使用本地会话处理当前代码中需要立即关注的快速任务；使用后台任务处理可以在本地运行且与主上下文隔离的任务；使用云端会话以利于团队协作。

• 通过并行会话进行扩展。为独立任务运行多个并行会话，以节省时间并保持上下文分离。您可以同时运行多个会话（横跨本地、后台和云端），并通过 VS Code 中的会话列表进行切换。

更多信息，请参阅会话管理和工作区索引。

处理大型代码库

Copilot 旨在高效处理大型、复杂且包含多个根文件夹的工作区。使用以下实践在大规模场景下获得最佳结果。

• 使用工作区索引。VS Code 使用语义搜索、语言智能和 GitHub 的代码搜索来自动为您的项目建立索引，从而实现深度的跨文件推理。这适用于小型项目和大型企业代码库。对于大型仓库，请使用远程索引，以便在整个仓库以及 GitHub 上的相关仓库中获取快速、全面的结果。

• 使用多根工作区 (multi-root workspaces) 限定工作范围。对于 Monorepo（单体仓库）或包含多个服务的项目，请使用多根工作区为 AI 提供明确的边界和专注的上下文。

• 提供项目级指令。使用自定义指令来描述项目的架构、模块边界和 AI 无法仅从代码中推断出的规范。这为 AI 提供了进行架构级变更所需的上下文。

• 为独立的变更运行并行会话。将大型任务分解为独立的子任务，并在并行会话中运行它们，每个会话专注于代码库的不同部分。

• 为跨领域的变更使用规划智能体。对于跨越许多文件或模块的变更，请先使用规划智能体，在执行前创建结构化的实施方案。

更多信息，请参阅工作区上下文和智能体。

相关资源

• 上下文工程指南
• 自定义概述
• 备忘清单 (Cheat sheet)
• GitHub Copilot 安全性
• GitHub Copilot 使用最佳实践（位于 GitHub Copilot 文档中）