#GitHub

三位拥有十余年 Java 经验的 Java Champion 分享了在生产与开源项目中使用 GitHub Copilot 的具体做法。

Hypersistence 创始人 Vlad Mihalcea 用 Copilot 开发 Optimizer 事件历史 Web 应用，原本需数周的任务两天完成，并基于自己 65 篇已发表文章创建自定义技能，让生成文本贴近本人写作风格。42talents 的 Patrick Baumgartner 用 Copilot 将 15 份演示中约 900 张教学幻灯片从 Reveal.js 迁移到 Marp，通过截图对比和并排运行验证动画等细节。三人均强调开发者仍需提供上下文、审查生成代码并保障可维护性。

GitHub Copilot 应用中的会话可直接在 VS Code 中打开并继续，对话、代码改动和工作上下文均保持不变。

在会话中选择 Open in VS Code 后，VS Code 会用该会话关联的 worktree 打开项目，并在 Copilot 侧边栏显示原会话，任务、计划和对话记录一并保留。用户可在源代码管理视图中逐行审查 diff，直接手动修改文件，再用集成终端运行测试和本地验证。完成后可通过源代码管理视图或终端提交并推送改动到该会话对应的 pull request。前提是已安装并登录 Copilot 应用、VS Code 连接同一 GitHub 账号，且拥有该会话仓库的推送权限。

GitHub 公开其密钥检测新方案：用两阶段流水线替代此前基于 LLM 的流程，先用正则生成候选，再由微调后的 ModernBERT 结合文件路径、变量名和上下文判断是否为真实凭据。

相比旧 LLM 流水线，用户对告警的接受度提升 11.5%，推送后扫描中位执行时间降低 86%，服务成本降低逾 98%，并让通用密钥检测得以扩展到推送保护阶段。

GitHub Copilot 可通过四种方式定制对代码库的理解：仓库级自定义指令写入 .github/copilot-instructions.md，路径级指令放在 .github/instructions 并用 applyTo 字段匹配文件。

GitHub 发布与 Microsoft Applied Sciences 合作微调的 ModernBERT 分类器，用代码上下文识别无固定格式的密钥，可在 2 毫秒内评估一批候选密钥，官方称有望让可拦截的密钥数量翻倍以上。

GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。

GitHub 提出 AI 时代开发者需要强化三项技能：学会指挥 AI 智能体而非仅使用 AI，不轻信 AI 的首次回答，以及用 AI 节省的时间去解决更大的问题。

文中以 GitHub Copilot 内置的 Rubber Duck agent 为例，说明它用第二个模型对计划、代码和测试进行批判性审查，从而发现首个模型遗漏的问题。

GitHub Copilot 应用中的 canvas 是一种可自定义的双向界面，用户只需在 agent 会话中输入 /create-canvas 并用自然语言描述工作流，agent 即可生成看板、发布清单或仪表盘等界面。

canvas 会保存为扩展，可随项目共享或作为个人扩展复用，社区已在 Awesome Copilot 分享现成扩展。

GitHub Copilot 提出用 canvas 替代聊天框作为与 AI 协作的主要界面：canvas 是运行在 GitHub Copilot 应用内的全栈小应用，可与 agent 双向通信，也能调用第三方 API 或在本地执行代码。

GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，只需指向一个 GitHub 仓库，它就会识别入口点、分析构建系统、编写 harness、运行 AFL++、读取覆盖率报告并改进 harness，最后对每个崩溃做去重与漏洞报告。

GitHub Copilot 应用重建了 pull request 视图，以流畅渲染含 2,200 个文件、超百万行改动和 400 多条行内评论的超大 PR。

其做法是把文档高度拆成确定性的代码几何与动态评论块两套几何：代码行高提前精确计算，评论高度则惰性测量、按文件行号锚定，避免滚动跳变。