高效代码开发助手vscode+(Copilot/Cline+Copilot(让cline调用Copilot的模型))

高效代码开发助手vscode+(Copilot/Cline+Copilot(让cline调用Copilot的模型))

一、引言

随着AI智能体的出现,越来越多方便的工具也随之产生,作为一名开发者自然不能错过这波浪潮。本篇文章带来的是如何在vscode上使用插件Copilot/Cline+Copilot,两种方式实现自动化辅助编程。

二、在vscode上使用Copilot

安装 Copilot插件

在 VSCode 中安装 Copilot插件:

  1. 打开 VSCode 扩展市场
  2. 搜索 “Copilot”
  3. 点击安装
  4. 安装完成后,使用 GitHub 账号登录授权(在Copilot插件安装完成后,通过向导完成登录授权)
  5. 重启 VSCode
在这里插入图片描述

测试自动化编写代码功能

打开聊天框:

在这里插入图片描述

选择Agent模式;选择模型(想用Claude 4 sonnet可去某宝买copilot计划,价格挺便宜):

在这里插入图片描述

输入测试内容:

在这里插入图片描述

结果展示:

请添加图片描述

三、在vscode上使用Cline+Copilot

Cline也是一个受到众多好评的自动化编程的插件。可以单独使用API进行模型的调用,本文只介绍如何调用Copilot包含的模型,不介绍如何使用API调用。

安装 Cline 插件

在 VSCode 中安装 Cline 插件:

  1. 打开 VSCode 扩展市场
  2. 搜索 “Cline”
  3. 点击安装
在这里插入图片描述

配置 Cline

安装完成后需要简单的配置:点击小图标,点击右上角的设置:

在这里插入图片描述

API选择如下一项:

在这里插入图片描述

模型根据自己的需求选择,可选的模型是根据Copilot可选的模型决定,我仍然选择Claude 4 sonnet(如果没有出现可选模型,记得重启vscode):

在这里插入图片描述

点击设置,选择中文:

在这里插入图片描述

选择Act模式,plan模式不会编辑代码:

在这里插入图片描述

下方可以快速切换模型:

在这里插入图片描述

输入框上面的一栏的配置嘛,嗯……都是字面意思,不用过多解释(如果需要在终端运行命令,可以勾选Execute safe commands):

在这里插入图片描述

测试结果

请添加图片描述


在这里插入图片描述

Read more

InstructPix2Pix效果实测:结构保留能力 vs Stable Diffusion 图生图对比

InstructPix2Pix效果实测:结构保留能力 vs Stable Diffusion 图生图对比 1. 为什么说InstructPix2Pix是真正的“魔法修图师” 你有没有过这样的经历:想把一张照片里的白天改成夜晚,或者给朋友P一副墨镜,又或者让一张普通街景变成雨天氛围——但打开PS,面对层层叠叠的图层和蒙版,最后只留下满屏困惑?传统图像编辑工具需要你懂色彩曲线、图层混合模式、甚至手绘遮罩;而Stable Diffusion这类图生图模型,又常常让人陷入“写对Prompt像解谜”的困境:多加一个词,画面就崩掉;少写一个细节,AI就自由发挥到千里之外。 InstructPix2Pix不一样。它不把你当设计师,也不把你当咒语学徒,而是直接把你当“导演”——你只需要用日常英语说出想法,它就照着执行,而且几乎不会跑偏。 这不是滤镜,不是风格迁移,更不是粗暴重绘。它像一位经验丰富的修图老手,先仔仔细细看清原图里每一条轮廓线、每一个人物姿态、每一处光影关系,再只动你点名要改的那一小块。你让它“add sunglasses”,它不会顺手把人脸拉长、把背景重画一遍;你让它“

企微群机器人发markdown消息支持表格

企微群机器人发markdown消息支持表格

结论 1.V1接口可以圈人,但是无法正确展示表格的markdown语法 2.V2接口可以展示表格的markdown语法,但是无法圈人 3.企微消息有长度限制 前言 今天是日本投降日,写篇技术文档。 企业微信机器人发markdown表格信息+如何艾特人 企微机器人发消息通知,目标是生成数据对比表格,然后艾特到具体的人来跟进事物的变化 1、成果收益 发表格数据,圈人 2、背景 目前机器人通知的内容太单调了,无法满足告警提醒的作用,需要罗列表格进行对比,需要艾特到具体人 3、解决方案 如何支持markdown表格类型 1.企业微信从4.1.38开始支持markdown表格的语法了。可以参看官方文档4.1.38版本新功能介绍 所以企业客户端要升级 2.我们历史使用的是msgtype:markdown,这个还是不支持的 { "msgtype": "markdown", "markdown&

混合知识库搭建:本地Docker部署Neo4j图数据库与Milvus向量库

混合知识库搭建:本地Docker部署Neo4j图数据库与Milvus向量库

混合知识库搭建:本地Docker部署Neo4j图数据库与Milvus向量库 前言 在多代理混合RAG系统中,知识库是“知识储备核心”,直接决定了代理检索的精准度与响应质量。上一篇我们解析了5个子代理的执行逻辑,而这些代理能高效完成知识检索任务,背后依赖“Neo4j图知识库+Milvus向量库”的混合支撑——图知识库擅长挖掘实体关系,向量库精准匹配语义细节,二者互补形成全场景知识覆盖。 本文作为系列博客的第三篇,将聚焦混合知识库的落地实现:从本地Docker部署、数据建模、索引构建,到双库协同逻辑,手把手带你搭建高可用的混合知识库,让你掌握“关系型知识+语义型知识”的全链路管理技巧。 1 混合知识库的设计逻辑:为什么需要“图+向量”双引擎? 1.1 单一知识库的局限性 * 纯图数据库:擅长实体关系查询(如“小米的合作品牌”),但无法高效处理细粒度文本检索(如“苹果的环保目标细节”); * 纯向量数据库:擅长语义相似性检索(如“查找与5G技术相关的内容”),但难以挖掘实体间的复杂关联(如“华为-开发-鸿蒙-适配-智能设备”