aiclawhot
🇨🇳 ZH🇺🇸 EN🇯🇵 JA

How to use GitHub Copilot for coding

codingbeginner4 分钟阅读2026/6/4

如何用 GitHub Copilot 写代码（而不让它写出垃圾代码）

上周我花了整整三个小时调试一个 GitHub Copilot 替我写的函数。代码编译没问题，逻辑看起来也对，但就是存在一个只有在生产环境极端负载下才会暴露的微妙错误。这就是 Copilot 的问题所在：它擅长生成看起来合理的代码，但当你盲目信任它时，后果很可怕。

在 Python、TypeScript 和 Go 项目上每天使用 Copilot 六个月后，我总结出了如何让它真正有用而非成为累赘的经验。

真正有效的配置方案

首先，打好基础。我在 VS Code 中使用 Copilot，但这些方法同样适用于 JetBrains、Neovim 等其他编辑器。

安装和认证：

1. 安装 GitHub Copilot 扩展
2. 使用 GitHub 账号登录（需订阅，每月 10 美元，学生或开源项目免费）
3. 设置快捷键：Tab 接受建议，Ctrl+Enter 打开建议面板

大多数教程忽略的关键配置：我关闭了 Copilot 在注释和字符串中的自动建议。原因如下：当你输入 // TODO: implement sorting algorithm 时，Copilot 通常会直接填入一个冒泡排序，而不是等待更多上下文。这种噪音只会浪费时间。

在 VS Code 的 settings.json 中：

{
  "github.copilot.enable": {
    "*": true,
    "plaintext": false,
    "markdown": false
  }
}

80/20 法则：Copilot 的闪光点

经过数百次使用，我发现 Copilot 在以下三个方面表现最出色：

1. 遵循清晰模式的样板代码

编写 CRUD 端点？Copilot 能完美搞定，因为这些代码都是公式化的。以下是我通常输入的内容：

# app/routes/users.py
from fastapi import APIRouter, Depends, HTTPException
from sqlalchemy.orm import Session

router = APIRouter(prefix="/users", tags=["users"])

@router.get("/")
def list_users(

此时，Copilot 会建议整个函数体：数据库查询、分页、错误处理。我 90% 的情况下会接受，因为这个模式是可预测的。

陷阱：Copilot 会愉快地生成带有细微不一致的相同样板代码。我曾经遇到过两个端点，一个使用 offset 分页，另一个使用 cursor 分页，因为 Copilot 从代码库中不同的示例学习了。一定要检查参数名称是否一致。

2. 正则表达式和字符串处理

我无法凭记忆写出正则表达式。但 Copilot 可以，而且对于常见模式通常是正确的：

def extract_email_addresses(text: str) -> list[str]:

Copilot 生成：

    import re
    pattern = r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b'
    return re.findall(pattern, text)

这个正则表达式是标准的，可以正常工作。但当我让 Copilot 写"匹配有效 IPv6 地址的正则表达式"时，它生成了能通过基本测试但在处理 ::1 这种压缩格式时失败的内容。始终要测试边界情况。

3. 为现有代码编写测试

这是 Copilot 的杀手锏功能。写完一个函数后，我输入：

def calculate_discount(price: float, tier: str) -> float:
    if tier == "gold":
        return price * 0.8
    elif tier == "silver":
        return price * 0.9
    return price

# Test:

然后 Copilot 建议：

def test_calculate_discount():
    assert calculate_discount(100, "gold") == 80.0
    assert calculate_discount(100, "silver") == 90.0
    assert calculate_discount(100, "bronze") == 100.0
    assert calculate_discount(0, "gold") == 0.0

我接受这些，然后添加 Copilot 遗漏的边界情况：负数价格、未知等级、浮点数精度。

没人谈论的提示工程

Copilot 不是魔法——它是一个根据上下文做出反应的语言模型。以下是如何引导它的方法：

糟糕的提示：

# function to sort data
def sort_data(data):

Copilot 可能会生成冒泡排序，或者使用没有自定义键的 sorted()。

好的提示：

# Sort list of user dicts by last_name, then first_name, case-insensitive
def sort_users(users: list[dict]) -> list[dict]:

现在 Copilot 生成：

    return sorted(users, key=lambda u: (u['last_name'].lower(), u['first_name'].lower()))

区别在于具体性。我学会了像向一个热情但缺乏经验的初级开发者解释那样写注释。

当 Copilot 撒谎时（以及如何发现）

Copilot 最危险的行为是：它会编造不存在的 API。

上周的例子。我在使用 Python 的 pathlib：

from pathlib import Path

p = Path("/tmp/data")
p.

Copilot 建议了不存在的 p.listdir()。正确的方法是 p.iterdir()。但 listdir 看起来合理，因为它在 os.listdir 中存在。Copilot 混淆了这两者。

我的生存清单：

  1. 不阅读绝不接受——这听起来显而易见，但当你在心流状态时，很容易不停地按 Tab 接受建议。我强迫自己阅读每一行生成的代码。
  2. 立即用真实数据测试——接受建议后，在继续之前先用实际输入运行它。
  3. 警惕幻觉导入——Copilot 有时会导入不存在的模块或使用已弃用的函数。我现在首先检查导入。
  4. 对"巧妙"的代码保持怀疑——如果 Copilot 建议一个包含嵌套推导式和可变默认值的一行代码，它很可能是错的。我曾抓到过在应该使用简单字典的地方使用 defaultdict(lambda: [])，导致微妙的变异错误。

真实工作流：构建一个 CLI 工具

让我带你走一遍真实的会话。我正在构建一个处理 CSV 文件的 CLI 工具。

步骤 1：骨架

我输入：

import click
import csv
from pathlib import Path

@click.command()
@click.argument("input_file", type=click.Path(exists=True))
@click.option("--output", "-o", default="output.csv")
def process_csv(input_file, output):

Copilot 建议函数体：

    """Process CSV file and write results."""
    data = []
    with open(input_file, "r") as f:
        reader = csv.DictReader(f)
        for row in reader:
            data.append(row)
    
    # Process data
    processed = []
    for row in data:
        # Add processing logic
        processed.append(row)
    
    with open(output, "w") as f:
        writer = csv.DictWriter(f, fieldnames=processed[0].keys())
        writer.writeheader()
        writer.writerows(processed)

我接受这个骨架。它是正确的但为空。现在我来填充实际的处理逻辑。

步骤 2：具体逻辑

我添加一条注释：

    for row in data:
        # Convert 'price' column from string to float, handle missing values

Copilot 建议：

        try:
            row["price"] = float(row.get("price", "0.0"))
        except ValueError:
            row["price"] = 0.0

这在 90% 的情况下都有效。我手动添加了对 $ 前缀和欧洲小数点逗号的处理。

步骤 3：边界情况

我编写一个测试文件：

def test_process_csv():
    # Test with empty file
    # Test with missing columns
    # Test with malformed data

Copilot 生成基本测试。我添加了一个它遗漏的：

    # Test with BOM character in file
    with open("test_bom.csv", "w", encoding="utf-8-sig") as f:
        f.write("\ufeffname,price\nitem,10.0")

关于生产力的残酷真相

六个月后，我的实际生产力提升大约是样板代码的 30-40%，而新算法则是 0%。Copilot 在以下方面毫无用处：

  • 系统架构决策
  • 性能优化
  • 安全关键代码（如果不小心，它会产生 SQL 注入漏洞）
  • 任何需要深度领域知识的内容

我犯过的最严重的错误是让 Copilot 生成我不理解的代码。我有一个使用 itertools.groupby 的函数，但我无法解释其原理。它通过了测试，也能正常工作。但一年后，一个 bug 出现了，因为 groupby 需要排序后的输入，而数据并不总是排序的。

实用的下一步

与其一次性学习 Copilot 的所有功能，不如这样做：接下来一周，只使用 Copilot 编写测试和文档字符串。这是它风险最小、价值最大的地方。当你能够批判性地阅读它的输出后，再开始使用它编写实现代码。

还有，在提交之前，一定要运行你的测试。Copilot 会写出看起来正确但在第一个边界情况下就失败的代码。我是通过惨痛教训学到这一点的——那三个小时的调试时间再也回不来了。

相关 Agent

C

Codex CLI

OpenAI's terminal-based coding agent. Codex CLI brings AI-powered code generation, editing, and analysis directly to your terminal with a natural language interface. It supports multiple AI models, runs locally, and integrates seamlessly with git workflows.

了解更多 →