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

07 Apr 2026 — 6 min read

🎀🎀🎀【AI辅助编程系列】🎀🎀🎀

文章目录

前言📋
一、AI 辅助开发如何提供帮助❓
二、GitHub Copilot 与 IntelliCode🤖
三、总结🎯

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：

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：

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：

2.3 功能对比 🆚

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

看了对比真的好难抉择啊，怎么办？

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】🎀🎀🎀

旧电脑秒变 AI 员工：OpenClaw 本地部署教程（含环境配置 + 插件开发 + 常见坑）

前言本文基于最新OpenClaw版本编写，适配电脑低配置场景（最低2vCPU+2GiB内存+40GiB SSD），兼容Windows 10/11（优先WSL2）、Ubuntu 20.04+系统，全程纯操作指令，覆盖环境配置、本地部署、插件开发、高频坑排查。核心解决部署卡顿、国内网络适配、插件开发无思路、报错无法排查四大痛点，全程适配国内网络（国内镜像源）、国内大模型（通义千问、阿里云百炼等），无需海外代理，可稳定运行实现自动化办公（文件处理、IM对接、任务调度等）。一、前置准备（适配优化） 1.1 硬件要求（最低适配） * CPU：Intel i3 4代+/AMD Ryzen 3 2000+（支持虚拟化，

人工智能：自然语言处理在医疗健康领域的应用与实战

人工智能：自然语言处理在医疗健康领域的应用与实战学习目标 💡 理解自然语言处理（NLP）在医疗健康领域的应用场景和重要性 💡 掌握医疗健康领域NLP应用的核心技术（如电子病历分析、医学文本分类、疾病预测） 💡 学会使用前沿模型（如BERT、GPT-3）进行医疗健康文本分析 💡 理解医疗健康领域的特殊挑战（如医学术语、数据隐私、数据质量） 💡 通过实战项目，开发一个电子病历分析应用重点内容 * 医疗健康领域NLP应用的主要场景 * 核心技术（电子病历分析、医学文本分类、疾病预测） * 前沿模型（BERT、GPT-3）在医疗健康领域的使用 * 医疗健康领域的特殊挑战 * 实战项目：电子病历分析应用开发一、医疗健康领域NLP应用的主要场景 1.1 电子病历分析 1.1.1 电子病历分析的基本概念电子病历分析是对电子病历文本进行分析和处理的过程。在医疗健康领域，电子病历分析的主要应用场景包括： * 病历结构化：将非结构化的电子病历文本转换为结构化数据 * 病历检索：检索相关的电子病历 * 病历质量评估：

AI 大模型落地系列｜Eino 组件核心篇：Embedding 到底解决了什么

Embedding 使用说明 * 有啥用？！ * 他能干嘛？ * 它不能直接干嘛？ * 总结： * 浅用之法 * 食用之法 * 一、最基本用法：直接调用 `EmbedStrings` * 1. 创建 embedder * 2. 调用 `EmbedStrings` * 3. 向量拿来干嘛 * 二、完整demo * 三、带 Option 怎么用 * 四、在编排中怎么用 * 在 Chain 中使用 * 在 Graph 中使用 * 五、带 Callback 怎么用 * 六、真实场景 * 场景：做知识库问答 * 第一步：把知识库切块 * 第二步：给每个 chunk 生成向量 * 第三步：存起来

人工智能：深度学习模型的优化策略与实战调参

人工智能：深度学习模型的优化策略与实战调参 💡 学习目标：掌握深度学习模型的核心优化方法，理解调参的底层逻辑，能够独立完成模型从欠拟合到高性能的调优过程。 💡 学习重点：正则化技术的应用、优化器的选择与参数调整、批量大小与学习率的匹配策略。 48.1 模型优化的核心目标与常见问题在深度学习项目中，我们训练的模型往往会出现欠拟合或过拟合两种问题。优化的核心目标就是让模型在训练集和测试集上都能达到理想的性能，实现泛化能力的最大化。 ⚠️ 注意：模型优化不是一次性操作，而是一个“诊断-调整-验证”的循环过程，需要结合数据特性和任务需求逐步迭代。 48.1.1 欠拟合的识别与特征欠拟合是指模型无法捕捉数据中的潜在规律，表现为训练集和测试集的准确率都偏低。出现欠拟合的常见原因有以下3点： 1. 模型结构过于简单，无法拟合复杂的数据分布。 2. 训练数据量不足，或者数据特征维度太低。 3. 训练轮次不够，模型还未充分学习到数据的特征。 48.1.2 过拟合的识别与特征过拟合是指模型在训练集上表现极好，但在测试集上性能大幅下降。出现过拟合的常见原因有以下3点：