Visual Studio 使用 GitHub Copilot 与 IntelliCode 辅助编码 【AI辅助开发系列】

优质文章学习记录

— 6 min read
Visual Studio 使用 GitHub Copilot 与 IntelliCode 辅助编码 【AI辅助开发系列】

🎀🎀🎀【AI辅助编程系列】🎀🎀🎀

  1. Visual Studio 使用 GitHub Copilot 与 IntelliCode 辅助编码
  2. Visual Studio 安装和管理 GitHub Copilot
  3. Visual Studio 使用 GitHub Copilot 扩展
  4. Visual Studio 使用 GitHub Copilot 聊天
  5. Visual Studio 使用 GitHub Copilot 协助调试
  6. Visual Studio 使用 IntelliCode AI 辅助代码开发
  7. Visual Studio 玩转 IntelliCode AI辅助开发

文章目录

在这里插入图片描述

前言📋

今天介绍两款 Visusal Studio AI辅助开发工具 ，后续还会介绍一些其他的好用的工具，比如阿里的 通义灵码 等。借助这些工具可以大大提高我们的工作效率和开发效率。

一、AI 辅助开发如何提供帮助❓

1.1 让 AI 帮助你更快地编写代码

  • 可以帮助你生成代码 和整个 函数建议（例如，如何通过用自然语言进行描述来编写代码以执行任务）
  • 根据编程模式 预测 接下来要编码的内容（补全）。
  • 通过 AI 驱动型上下文 感知建议 进行 代码重构 。

1.2 询问 AI 助手更好地了解代码

  • 代码部分的说明（例如，在你尝试理解别人的代码时）。
  • 编程问题的解答 。

1.3 更快速地进行分析和调试

  • 根据 AI 建议 优化性能。
  • AI 标识的 bug 和解决方法。

二、GitHub Copilot 与 IntelliCode🤖

GitHub Copilot 和 IntelliCode 可帮助你更快、更准确地编写代码，帮助更深入地了解代码库，并帮助执行其他开发任务，例如编写 单元测试、调试 和 分析。

2.1 Visual Studio 中的 GitHub Copilot

Visual Studio IDE 中的 GitHub Copilot 充当 AI 结对程序员，帮助你在编写代码时提高工作生产力和效率。

Visual Studio 中的 GitHub Copilot 完成通过基于你提供的 上下文生成 整行或代码块，为开发过程添加了增强的 AI 协助。 它利用在数十亿行开源代码中训练出来的 AI 模型，在你编写代码时，直接在编辑器中实时提供自动完成式的代码建议。 它可帮助你更快地编写代码，且工作量更少。

可以在 IDE 中从 GitHub Copilot 获取建议，方法是开始编写想要使用的代码，或者在代码文件中编写 函数签名 或 自然语言注释 来描述希望代码执行的功能。 可以选择通过接受建议的代码来使用它。

下图显示了 Visual Studio 中 GitHub Copilot 的代码生成功能。 在此示例中，你在代码文件中添加自然语言注释，GitHub Copilot 会为你生成灰色文本的代码建议。 如果选择使用代码，则可以选择 Tab 以将其插入代码文件中：

在这里插入图片描述

开始使用 Visual Studio 中的 GitHub Copilot 完成。 请注意，它需要 Visual Studio 2022 17.8 或更高版本。

Visual Studio 中的 GitHub Copilot 聊天是 Visual Studio IDE 中 GitHub Copilot 所提供完全集成的 AI 支持的聊天体验。 它使你能够使用 IDE 中的聊天界面与 GitHub Copilot 交互。 通过以自然语言询问与编码相关的问题，你可以接收特定于上下文的代码建议，深入了解代码块的工作原理、生成单元测试、查找问题并获取建议的修补程序。 它使你能够在不离开 IDE 的情况下获取编码信息和支持，帮助你做出明智的决策并编写更好的代码。

下图显示了 Visual Studio 中 GitHub Copilot Chat 的聊天窗口和内联（交互式代码助手询问 Copilot）视图。 在此示例中，你询问 Copilot 使用聊天窗口或交互式代码助手生成测试函数。 如果 Copilot Chat 提供要使用的代码建议，则可以接受将代码插入代码文件中：

在这里插入图片描述


所有 GitHub Copilot for Individuals 用户都可以访问 GitHub Copilot Chat。 了解详细信息。 所有 GitHub Copilot for Business 都有权访问有限的 GitHub Copilot Chat beta 版本。 了解详细信息。

2.2 Visual Studio 中的 IntelliCode

IntelliCode 利用代码上下文，结合从成千上万个公共开源代码中学习到的模式，为 IntelliSense 提供 AI 驱动的增强功能，包括建议、上下文感知的代码完成、整行完成和 API 使用示例。 通过使用人工智能，IntelliCode 利用你当前的代码上下文和模式，动态地将建议排列在完成列表的顶部，并在其旁边标注星形图标，从而帮助你更快地编写出准确的代码。

下图显示了 Visual Studio 中的 IntelliCode 完成：

在这里插入图片描述

2.3 功能对比 🆚

下表比较了 GitHub Copilot（和 GitHub Copilot Chat）和 IntelliCode 的功能。

在这里插入图片描述


看了对比真的好难抉择啊，怎么办？

在这里插入图片描述

可以将 GitHub Copilot 和 IntelliCode 一起使用。 无需在它们之间进行选择。

三、总结🎯

这只是 AI 辅助开发系列的开篇文章，后续会更具体的介绍如何使用。请点赞关注持续留意后续文章。💕

🎀🎀🎀【AI辅助编程系列】🎀🎀🎀

  1. Visual Studio 使用 GitHub Copilot 与 IntelliCode 辅助编码
  2. Visual Studio 安装和管理 GitHub Copilot
  3. Visual Studio 使用 GitHub Copilot 扩展
  4. Visual Studio 使用 GitHub Copilot 聊天
  5. Visual Studio 使用 GitHub Copilot 协助调试
  6. Visual Studio 使用 IntelliCode AI 辅助代码开发
  7. Visual Studio 玩转 IntelliCode AI辅助开发

Read more

用AIGC生成测试周报：从Jira、Git、CI日志中自动提炼关键指标

用AIGC生成测试周报：从Jira、Git、CI日志中自动提炼关键指标

测试周报自动化转型的迫切性‌ 每周一，对于许多测试工程师而言，可能都是从整理上周的“数据残骸”开始：打开不同的浏览器标签页，登录Jira查看新增缺陷和待关闭的BUG，翻阅Git提交记录寻找与测试关联的代码变更，再到CI/CD平台（如Jenkins、GitLab CI）的日志海洋中，搜寻失败的构建和测试用例执行报告。这个过程耗时耗力，且容易出错。更重要的是，这种碎片化的数据罗列，难以直观呈现测试工作的核心价值与项目风险的动态变化。 AIGC的引入，为破解这一困境提供了全新范式。它并非简单地“复制粘贴”数据，而是通过自然语言处理（NLP）、数据挖掘与智能分析，理解数据背后的上下文，自动汇总、关联、解读并生成一份内容丰富、重点突出、具备可读性和行动指引的测试周报。 核心：构建自动化数据管道与指标提炼模型‌ 一个有效的AIGC测试周报生成系统的核心在于‌数据源整合‌与‌智能指标提炼‌。 1. 数据源的接入与结构化‌ 首先，需要建立与三个核心系统的自动化数据连接： Jira连接‌：通过Jira REST API，定期拉取指定项目、

快速上手指南：5分钟掌握whisper.cpp语音识别

快速上手指南：5分钟掌握whisper.cpp语音识别 【免费下载链接】whisper.cpp 项目地址: https://ai.gitcode.com/hf_mirrors/ai-gitcode/whisper.cpp 想要体验离线语音识别的强大功能吗？whisper.cpp就是你的最佳选择！这个基于OpenAI Whisper模型的开源工具，能够在没有网络连接的情况下将语音转换为文字，支持多种语言和输出格式。无论你是想为视频添加字幕，还是需要整理会议记录，whisper.cpp都能轻松胜任。 🎯 项目亮点速览 whisper.cpp作为语音识别领域的明星项目，具备以下核心优势： * 完全离线运行：无需网络连接，保护隐私安全 * 多语言支持：中文、英文、日文等主流语言一网打尽 * 多种模型选择：从轻量级到高精度，满足不同场景需求 * 跨平台兼容：Windows、macOS、Linux全支持 🚀 快速入门指南 第一步：获取项目代码 首先需要下载项目源码到本地： git
多模态大模型垂直微调实战：基于Qwen3-VL-4B-Thinking与 Llama Factory的完整指南

多模态大模型垂直微调实战：基于Qwen3-VL-4B-Thinking与 Llama Factory的完整指南

文章目录 * 一 多模态大模型 * 1.1 多模态垂直微调 * 1.2 微调的意义 * 二 多模态基座模型选择 * 2.1 多模态模型对比表 * 2.2 选型建议矩阵 * 2.3 微调与部署视角选择 * 三 Qwen3-VL-4B-Thinking理解微调（Llama Factory） * 3.1 数据集制作 * 3.2 实验平台租用和基本环境配置 * 3.3 数据集上传和注册 * 3.4 启动llama factory和网页访问 * 3.5 关键训练参数可视化配置 * 3.6 模型效果使用体验 * 3.7 模型导出 一 多模态大模型 * 多模态大模型（Multimodal
从敏捷到生成式：AIGC如何改变软件测试的全流程

从敏捷到生成式：AIGC如何改变软件测试的全流程

过去二十年，软件测试经历了两次重要范式变迁。 第一次是 瀑布式测试 → 敏捷测试。 第二次是 人工驱动测试 → 自动化测试。 而今天，随着生成式人工智能（AIGC）的兴起，软件测试正在经历第三次重大转型： 从“敏捷测试”走向“生成式测试（Generative Testing）”。 这种变化不仅仅是工具升级，而是测试方法论、测试流程和测试角色的全面重构。 本文将从工程实践的角度，系统分析 AIGC 如何重塑软件测试全流程，并给出可以落地的技术路径。 一、软件测试范式的三次演进 软件测试的发展基本可以分为三个阶段。 阶段核心特点主要问题瀑布测试测试在开发后期进行反馈周期长敏捷测试测试融入开发迭代人工成本高生成式测试AI参与测试设计与执行方法论正在形成 敏捷测试思想来自 Agile Testing: A Practical Guide for Testers and Agile Teams 以及 Continuous Delivery 提出的持续交付理念。 其核心思想包括： * 测试左移（Shift Left）