如何在VS Code中安装GitHub Copilot进行AI编程

优质文章学习记录

— 4 min read
如何在VS Code中安装GitHub Copilot进行AI编程

本文教您轻松在VS Code中玩转GitHub Copilot：从安装认证到实战网页开发，5分钟解锁AI编程神器，还能自由切换模型、实时调试代码！

在Visual Studio Code中搭建GitHub Copilot编程环境需要经过几个关键步骤，以下是详细指南：

环境准备阶段

  1. 安装最新版VS Code（当前版本≥1.85）官网下载地址：https://code.visualstudio.com/

2. 拥有有效的GitHub账户（建议启用双重验证）

注册地址：https://github.com/

3. 稳定的网络连接（Copilot需实时云端交互）

安装流程

1、安装VS Code后，选择”Use All features with Copilot for free”。如果已经安装VS Code，可以打开VS Code扩展市场（Ctrl+Shift+X） 搜索"GitHub Copilot" 后， 点击安装按钮（约15MB大小） ，安装完成后右下角会出现Copilot图标。

2、账户认证环节 点击活动栏Copilot图标，选择"Sign in to GitHub"，授权后返回VS Code完成关联。下次打开VS Code后会自动登录。

出现CHAT对话框表示登录成功，可以进行编程对话。

3、编程交互

在CHAT右下角的“Add Context”中，可以输入提示词，跟Copilot进行交互。这里还可以在下面选择大模型，Copilot可以支持GPT-5mini、GPT-4.1、GPT-4o等多种模型，使用起来如果效果不好，可以更换试试。

编写网页测试

在“Add Context”中输入“请转换成中文”，回车后，可以看到Copilot已经切换到中文模式。再输入提示词“写一个祝福中国2026年春节档静态网页，使用JavaScript制作一个简单动画，不断在显示新年快乐，万事如意”，回车后，AI开始运行

运行过程中，每生成一个文件，都要选择一下下面蓝色字体的“Allow”，继续进行下一个文件生成。

文件全部生成后，在左边会打开并显示部分生成的文件，下面会提示如何运行生成的文件。

这里使用python，如果没有需要先安装一下python，直接按提示运行python -m http.server 8000

在浏览器中输入localhost:8000

同时，在cmd中，也会同时显示服务器端读取文件的过程

现在还在该对话中，对生成的文件进行修改，在“Add Context”中，输入“将背景颜色变成蓝色”，回车后Copilot进行工作，运行完成后，刷新网页，背景变成蓝色。

Read more

【模型手术室】第四篇：全流程实战 —— 使用 LLaMA-Factory 开启你的第一个微调任务

专栏进度：04 / 10 (微调实战专题) 很多初学者卡在环境配置和复杂的 torch.train 逻辑上。LLaMA-Factory 的核心优势在于它集成了几乎所有主流国产模型（DeepSeek, Qwen, Yi）和海外模型（Llama 3, Mistral），并且原生支持 Gradio 可视化面板，让你在网页上点点鼠标就能“炼丹”。 一、 环境搭建：打造你的“炼丹炉” 为了保证训练不因版本冲突而崩溃，建议使用 Conda 进行物理隔离。 Bash 1. 克隆项目 git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory 2. 安装核心依赖 (针对 CUDA 12.
【教程】如何在WSL2:Ubuntu上部署llama.cpp

【教程】如何在WSL2:Ubuntu上部署llama.cpp

WSL2:Ubuntu部署llama.cpp llama.cpp 是一个完全由 C 与 C++ 编写的轻量级推理框架，支持在 CPU 或 GPU 上高效运行 Meta 的 LLaMA 等大语言模型（LLM），设计上尽可能减少外部依赖，能够轻松在多种后端与平台上运行。 安装llama.cpp 下面我们采用本地编译的方法在设备上安装llama.cpp 克隆llama.cpp仓库 在wsl中打开终端： git clone https://github.com/ggml-org/llama.cpp cd llama.cpp 编译项目 编译项目前，先安装所需依赖项： sudoapt update sudoaptinstall -y build-essential cmake git#

2026 AI大模型实战：零基础玩转当下最火的AIGC

哈喽宝子们，2026年的AI大模型赛道简直卷出了新高度，中关村论坛上昆仑万维发布的Matrix-Game 3.0、SkyReels V4、Mureka V9三大世界级模型直接把全模态AIGC推上了新风口，而且昆仑天工旗下的SkyText、SkyCode等多款模型还开放了开源API，普通人也能轻松玩转AI大模型开发了。 一、当下 AI 大模型核心热点：人人都能做 AI 开发 1.全模态成主流：昆仑万维的 SkyReels V4 视频大模型实现音画一体生成、Mureka V9 音乐大模型支持创作意图精准落地，AI 从单一文本生成进入文本 / 图像 / 音频 / 视频全模态创作时代； 2.开源 API 全面开放：昆仑天工的 SkyText（文本生成）、SkyCode（代码生成）等模型开源，无需自建大模型，通过简单 API 就能实现商用级 AI 功能； 3.

如何在Llama-Factory中自定义损失函数？高级用法指南

如何在 Llama-Factory 中自定义损失函数？高级用法指南 在大模型微调日益普及的今天，越来越多的实际任务开始暴露出标准训练流程的局限性。比如，你在训练一个金融客服机器人时发现，尽管整体准确率不错，但模型总是“忽略”那些关键却少见的问题——像“账户被冻结怎么办”这类高风险咨询，出现频率低、样本少，结果在交叉熵损失主导下被梯度淹没。这时候，你真正需要的不是更多数据，而是一种能表达业务优先级的损失函数。 这正是 Llama-Factory 作为现代微调框架的价值所在：它不仅让你“跑得起来”，更允许你深入到底层训练逻辑，把领域知识、工程经验甚至产品目标，编码进模型的学习过程中。其中最关键的入口之一，就是自定义损失函数。 Llama-Factory 基于 Hugging Face Transformers 构建，底层使用 PyTorch，其训练流程遵循典型的因果语言建模范式。默认情况下，Trainer 类会调用内置的 CrossEntropyLoss 来计算 token 级别的预测误差。这个过程看似固定，实则留出了清晰的扩展点—