StreamSparkAI

概览/核心摘要 (Executive Summary)

本次分享深入探讨了GitHub Copilot的核心优势——可定制化，并详细阐述了其在DevOps全流程中的应用潜力。演讲者（Speaker 1）认为，Copilot不仅是代码补全工具，更可通过扩展（Visual Studio Code Chat Extension、GitHub Copilot Extension）与企业内部业务流程深度融合，支持连接各类AI模型（包括国内模型如千问、开源模型及GPT系列）。Copilot的价值体现在整个软件开发生命周期，从需求分析、项目规划、设计、编码、部署、测试到后期维护，均能提供AI辅助。重点介绍了Copilot Editors功能，能根据过往代码更精确地生成建议。演讲者强调，AI的采用率在企业中约30%-60%，AI不会淘汰开发者，但会淘汰不懂使用AI的开发者。核心亮点在于通过AI Agent（智能体）实现高级定制，介绍了微软的Azure AI Agent Service及其相较于OpenAI Assistant的优势（模型多样性、数据集成、安全、存储），以及Semantic Kernel、AutoGen等框架在构建和编排多智能体工作流中的应用。最后，通过一个实际演示，展示了如何基于.NET Aspire和Semantic Kernel构建一个自定义的GitHub Copilot Agent，该Agent能根据用户需求（如创建一个购物啤酒场景的Web应用）自动生成项目结构和代码，并提供下载。

GitHub Copilot的核心价值与定制化

Speaker 1开篇指出，相较于第三方AI编程工具，GitHub Copilot的核心优势之一在于其可定制化能力。

• 对比第三方工具：虽然市面上许多IDE可以连接AI模型，但企业开发者更希望AI工具能与内部业务流程和研发体系相结合。
• Copilot的可扩展性：
  • Visual Studio Code Chat Extension：主要针对VS Code生态，支持多语言、跨平台开发（Java, Python, C++, Rust等）。企业可自行开发扩展，方便快捷。
  • GitHub Copilot Extension：更侧重于云端和企业级部署（Enterprise），可以针对企业账户进行部署，并支持在同一组织下的不同IDE（如Visual Studio Code）中使用。
• 模型连接的灵活性：
  • Copilot不仅限于海外模型，也支持连接国内模型（如“千问”）和开源模型（如“Llama 3.5”，原文为five 4 five 3.5，根据上下文推断可能指Llama或类似模型）。
  • 这种灵活性贯穿编程及更广泛的内容创作和研发阶段。
• 赋能企业与个人：
  • 目标是满足个人开发者和企业开发者的需求。
  • 鼓励客户围绕Copilot构建AI赋能的工具和使用方式。

Copilot在软件开发生命周期 (SDLC) 中的应用

Speaker 1强调，Copilot远不止代码补全工具，它能在整个软件迭代过程中发挥重要作用。

• 代码补全与智能提示：
  • Copilot能根据上下文智能提示和补全代码，可部署在不同IDE或云端（如GitHub Codespaces）。
  • 使用Copilot需要拥有账号。目前Copilot提供免费版本（“可能有5000次的一个代码补全”，有限次数聊天）和无限制的个人版、商业版、Professional版。
• Copilot Editors：
  • 针对用户反馈的“希望更精确”的需求，Copilot推出了“Copilot Editors”功能。
  • 它能更好地关联用户过往编写的代码，生成更贴合上下文的建议。
  • 在VS Code中，聊天界面除了传统聊天，新增了“Editors”选项卡，可以关联更多代码和文件进行辅助生成。
• AI的辅助角色与采用率：
  • AI并非百分百准确，仍需人工审查和修改。“AI不 不是百分百的……他可能更多的是在辅助编程”。
  • 企业对AI编码的采用率通常在“30%到60%之间去浮动”，前端和移动端应用场景接受度可能更高。30%-40%是基础接受率。
• 覆盖DevOps全流程：
  1. 规划 (Planning)：根据信息生成项目需求，进行需求分析。评估项目人力投入和模拟实际情况。
  2. 分析 (Analyzing)：例如，根据一张设计图生成项目。
  3. 设计 (Designing)：AI辅助完成项目大致框架和功能实现。
  4. 部署 (Deploying)：辅助云部署、App打包等。
  5. 测试 (Testing)：辅助生成单元测试代码。
  6. 维护 (Maintaining)：根据需求或日志辅助定位问题。
  7. Speaker 1认为，Copilot若能涵盖这些步骤，将非常强大，其价值在于“在你整个软件迭代过程当中能够完成多少的工作”，而不仅仅是生成多少代码。

通过大语言模型 (LLM) 模拟和增强SDLC

Speaker 1通过一个实例演示了如何利用大语言模型（此处使用了OpenAI的GPT-4-mini模型）来模拟和执行软件开发的各个阶段，以此说明Copilot背后类似的能力和潜力。

• 演示场景：基于一张谷歌搜索页面的截图。
• 步骤模拟：
  1. 需求规划：上传图片，要求LLM“根据该图片规划生成一个项目需求，请告诉我每一功能以及所需要的工作人员，明确每个功能的实现方式。”
     • LLM输出了前端、后端需求，包括UI Design、Technology等。
  2. 项目创建与架构设计：指令LLM“你是我的项目架构师，请使用Python加Flask创建一个项目，根据上面的需求创建一个项目，并且实现前后端分离。前端请使用HTML5加CSS3加jQuery。”
     • LLM生成了项目结构（前端、后端）和实现方式。
  3. 核心算法实现：指令LLM“能否帮我把该项目的搜索算法用Python生成。”
     • LLM生成了简单的搜索算法模拟。
  4. 项目打包与部署：指令LLM“能否帮我用Docker打包该项目生产？”
     • LLM生成了Dockerfile，包含Python版本（如3.9）、requirements.txt和启动方式。
  5. 测试用例生成：指令LLM“能否帮我用Node.js（原文为low js）针对上述代码的测试用例了。”
     • LLM尝试生成接口测试相关的模拟代码。
  6. 日志功能添加 (维护)：指令LLM“能否对上述项目添加日志功能，包括用户收集、用户行为收集、错误采集等信息。”
     • LLM在后端代码中添加了日志相关功能。
  7. 日志分析与可视化：指令LLM“能否帮我用图表生成的方式检索上述不同类别的日志？”
     • LLM使用Python代码模拟读取和分析不同类型日志（用户行为、错误、访问）。
• 结论：大模型在程序理解和整个软件迭代架构层面展现了强大能力，能够节省大量时间并实现较高精确度。这印证了“淘汰的是一些不懂使用AI的一些开发”的观点。

AI Agent (智能体)：Copilot 高级定制的核心

Speaker 1指出，要充分发挥Copilot的潜力，特别是企业级定制，关键在于利用AI Agent。

• 从提示词到单Agent到多Agent：
  • 提示词工程：简单直接，但效果依赖技巧和表达清晰度。
  • 单Agent：如Copilot本身，根据指令完成特定任务（代码补全、Debug、文档生成）。但单一Agent难以应对复杂工作流（如需连接数据库、处理多种文档等）。
  • 多Agent协作：通过添加不同的智能体，使其协同工作，满足企业复杂需求。
• 微软Azure AI Agent Service：
  • 这是微软最新推出的服务，用于构建和管理智能体。
  • 与OpenAI Assistant对比的四大维度优势：
    1. 模型 (Model)：Azure AI Agent Service支持第三方模型（如Llama, Mistral），而OpenAI Assistant主要针对OpenAI系列模型。
    2. 数据 (Data)：Azure AI Agent Service能更便捷地接入企业内部大量数据及微软服务、第三方服务（如Bing搜索）。
    3. 安全 (Security)：Azure AI Agent Service提供更强的验证机制。
    4. 存储 (Storage)：Azure AI Agent Service在数据存储和实现方式上限制更少。
• Agent的核心能力：
  • 工具 (Tools)：赋予Agent执行特定任务的能力，如搜索引擎、代码执行、计算、日志记录。
  • 记忆 (Memory)：使Agent能够记住上下文和历史信息。
  • 规划 (Planning)：Agent能够制定计划以达成目标。
  • 行动 (Action/Response)：Agent根据规划执行动作并作出响应。
• Azure AI Agent Service与Semantic Kernel (SK)：
  • Azure AI Agent Service直接支持Semantic Kernel。
  • 开发者可以使用Python或.NET版本的SDK快速接入。
  • Agent Service目前绑定了Bing服务，支持代码转换、文本搜索、Azure AI Search等。
• 多Agent编排：
  • 类似老板安排不同员工协同工作，需要编排任务流（谁先做，如何交互，如何保存结果）。
  • 可以使用AutoGen和Semantic Kernel进行多Agent编排。
  • 示例：写博客任务分解为信息搜索、内容撰写、部署等步骤，由不同Agent协作完成。

微软的Agent框架

Speaker 1介绍了微软在智能体领域的主要框架：

• Semantic Kernel (SK)：
  • 已集成AI Agent能力，借鉴或采用了AutoGen的许多功能。
  • 适配不同模型，包括小模型。
  • 优点：多语言支持，为生产服务，编排能力强。
  • 适合用于实现Copilot应用或不同Agent的搭配使用。
• AutoGen：
  • 一个较为成熟的基于大语言模型的多Agent互动框架。
  • 最初偏向研究层面，但已逐渐实现许多生产可用功能。
  • 简化了编排、自动化和复杂大语言模型工作流。

实战演示：构建自定义GitHub Copilot Agent

Speaker 1演示了如何创建一个自定义的Python项目生成Agent，并集成到GitHub Copilot的聊天界面中。

• 目标：创建一个Agent，接收用户需求，自动生成Python项目（基于.NET Aspire框架），并提供下载链接。
• 技术栈：
  • .NET Aspire：用于构建云原生应用的框架，此处用于捆绑API和项目分层。
  • Semantic Kernel：用于编排Agent的行为（代码生成、保存）。
  • OpenAI Service：提供底层的LLM能力。
  • Visual Studio Code Extension：将Agent功能集成到VS Code的Copilot聊天中。
• Agent实现步骤：
  1. 定义Agent行为：
     • 帮助指令 (/help)：使用Copilot自带的GPT-4o模型进行自我介绍。
     • 项目生成指令 (/project)：
       • 接收项目需求。
       • 第一阶段 (代码生成)：通过Semantic Kernel调用配置好的Agent（连接OpenAI Service）根据预设的架构模式（如CQRS pattern，前端使用Vue.js）生成代码。
       • 第二阶段 (代码保存与下载)：将生成的代码打包，并提供下载链接。
  2. 后端实现 (.NET Aspire)：
     • 创建REST API接口接收来自Copilot插件的请求。
     • 定义两个智能体：一个负责代码生成 (Code Generation Agent)，一个负责保存 (Save Agent)。
     • 使用Semantic Kernel的编排功能，确保代码生成后触发保存和提供下载链接的逻辑。
  3. VS Code插件配置 (package.json, extension.ts)：
     • 在package.json中定义Agent的名称（如pyagent）、命令（如help, project）、分类等。
     • 在extension.ts中实现命令处理逻辑：
       • /help命令直接调用Copilot内置模型。
       • /project命令将用户输入的需求发送到后端.NET Aspire实现的API接口。
       • 处理后端返回的下载链接并在聊天窗口显示。
• 演示效果：
  • 在VS Code的Copilot聊天窗口中输入@pyagent /project [项目需求描述，如创建一个购买啤酒的购物车场景]。
  • Agent调用后端服务，经过一段时间处理（因未使用PPU，速度较慢）。
  • 最终返回一个包含项目代码的zip文件下载链接。
  • 解压后可以看到生成的项目结构和代码文件。
• 项目开源：该演示项目代码已在Speaker 1的GitHub (book) 上发布，包含.NET Aspire后端和VS Code Extension两部分。

问答环节 (Q&A)

• 国内是否可用Copilot：Speaker 1回答“国内是可以用的，不要扣拍了啊”（此处“不要扣拍了”应为口误或强调，意指Copilot可用）。
• 初学者如何使用Copilot：建议初学者学会使用Copilot的组件，并清晰表达自己的需求。Copilot也希望非专业编程的业务人员能用它完成工作。
• 零代码基础能否完成网页开发：Speaker 1认为可以，并提及演示中已展示相关内容。

核心结论

Speaker 1总结，GitHub Copilot的强大之处在于其可扩展性和可定制性，特别是通过AI Agent的引入，使其能够深度融入企业DevOps流程，并根据具体需求进行定制。AI工具（如Copilot）并非取代开发者，而是赋能开发者，提升效率，未来不懂得利用AI的开发者可能会面临挑战。企业和个人都应积极探索和利用Copilot及其Agent能力，以适应AI时代软件开发的新范式。