離譜，我用 GitHub 倉庫養了個 AI 龍蝦！
整理版優先睇
將 GitHub 倉庫轉化為 AI 智能體「小龍蝦」，實現無需 IDE 的全自動化開發與運維流程。
這篇文章由程序員魚皮撰寫，源於他在微軟 AI Tour 大會上的演講分享。作者針對當前熱門的「一人公司」與 AI Agent 概念，提出了一個創新的視角：將 GitHub 倉庫視為 AI 智能體的「個人電腦」與持久化工作空間。他想解決的問題是如何擺脱傳統 IDE 的束縛，利用 GitHub 內置的 Copilot 能力，打造一個具備角色、記憶、技能與自動化能力的長期演化智能體。
作者在文中手把手演示瞭如何從零初始化一個名為「github-claw」的倉庫，並透過精心設計的提示詞（Prompt）為 AI 注入靈魂。整體結論是，GitHub 不再僅僅是代碼託管平台，透過 Copilot 與 GitHub Actions 的深度整合，它能成為一個 24 小時雲端運作的開發中心，涵蓋從需求分析、全棧開發、部署到 SEO 優化及 Issue 自動處理的全生命週期。
這是一篇典型的技術實踐與經驗總結文章。作者從自身作為開源作者的直覺出發，將複雜的 Agent 概念拆解為可落地的文件化管理方案，並分享了多個實戰場景中的避坑指南與優化技巧，旨在啟發開發者重新定義自己的開發工作流。
- 核心理念：將 AI 智能體本質拆解為角色、記憶、技能、工作空間，並以 GitHub 倉庫作為持久化載體。
- 初始化方法：透過 AGENTS.md 定義 AI 規則，並利用 GitHub MCP 工具實現自動化 PR 與記憶管理。
- 技能擴展：建立一套基於 .agents/skills/ 的規範，讓 AI 能自主發現、安裝並調用如 UI 優化、SEO 審計等外部技能。
- 自動化運維：利用 GitHub Actions 配合 Personal Access Token (PAT)，實現 Issue 自動回覆、Bug 自動分配修復及定時任務。
- 雲端優勢：所有任務在 GitHub 雲端環境執行，支持手機端操作，且具備多模型（如 Claude 3.5）靈活切換的能力。
GitHub Claw 項目倉庫
作者封裝好的 AI 智能體技能倉庫，包含角色定義、記憶機制與自動化工作流模板。
AI 編程零基礎入門教程
魚皮開源的 AI 知識庫，包含 GitHub Copilot 的實戰教學與 AI 開發指南。
為 AI 注入靈魂：初始化你的雲端 Agent
要讓 GitHub 倉庫變成智能體，首先要建立一個「大腦」配置文件。作者建議新建一個倉庫，並透過提示詞定義 AI 的行為準則，將倉庫視為持久化的記憶空間。
你是這個倉庫中長期駐留的個人 AI 助手，請創建並提交 AGENTS.md 定義：
- 你是誰以及如何工作
- 如何管理任務與記憶（區分長期與臨時記錄）
- 每次任務後的收尾動作（如自動創建 PR）
要求：把倉庫當作持久化空間，不把重要信息只留在對話裏。技能發現與安裝：讓 Agent 自我進化
單純的對話不足以應付複雜需求。作者提出了一套「技能規範」，讓 AI 能夠像安裝軟件一樣獲取新能力，例如 SEO 優化、AI 生圖或前端 UI 增強。
關鍵在於建立 .agents/skills/ 目錄規範，讓 AI 優先檢查本地技能，若無則自動到 GitHub 搜索並安裝。
透過這種方式，AI 不再是「隨機發揮」，而是根據預設的 SKILL.md 執行標準化動作，甚至能調用外部 API（如 Gemini）來完成圖文並茂的文檔生成。
全棧開發與自動化運維：從代碼到部署
利用 GitHub Codespaces 與 Actions，這隻「小龍蝦」可以完成從後端 Python 邏輯到前端 Vue 介面的全流程開發。即使關閉電腦，AI 依然在雲端環境中進行測試與部署。
此外，利用 Actions 的 schedule 觸發器，還能為智能體補上「定時任務」能力，例如每天定時抓取 AI 熱點並生成日報發送到 Issue 中。
大家好，我係程序員魚皮。
前兩日，我受邀參加咗微軟 AI Tour 大會，仲喺會上面做咗一場演講。
主題係「帶你睇 GitHub Copilot 嘅另一面：智能體裝機，唔止喺 IDE」。呢個名係大會方包裝嘅，老實講我自己睇到都一頭霧水。。。
簡單嚟講就係：手把手教大家點樣用 GitHub + Copilot，打造屬於自己嘅 AI 智能體。
真係估唔到有咁多人嚟聽分享，睇嚟大家對呢個選題確實好有興趣。
呢篇文章就係演講嘅完整文字版，希望可以帶畀大家一啲啓發同幫助。
背景同思考
最近「一人公司」同「龍蝦」嘅概念特別火，好多人喺度玩 AI 智能體，例如 OpenClaw 養蝦、Hermes Agent 養馬之類。
而家嘅 AI 智能體唔單止係傾偈，仲可以持續做嘢、越用越識你、隨處都用得。
但係，你有冇諗過，拆開晒所有花巧嘅包裝，一個 AI 智能體嘅本質到底係咩？
我覺得係四樣嘢：角色、記憶、技能、工作空間。
冇咗工作空間，角色就無從定義、記憶無處存放、技能亦都無得掛載。
除咗自己部電腦之外，仲有冇其他工作空間呢？
作為一個開源作者，我本能就諗到 GitHub 呢個全球最大嘅代碼託管平台，佢嘅倉庫天然就係 持久化嘅文件空間；而 GitHub Copilot 又提供咗強大嘅 AI 代理執行能力，仲支援網頁版使用。
咁乾脆將 GitHub 倉庫當成養 AI 智能體嘅「個人電腦」，唔係就得囉咩？
所以下面我會手把手教大家：點樣用 GitHub 打造一隻你自己嘅 AI 小龍蝦。
我將佢稱為「給蝦」：
跟住落嚟我會一步步示範，點樣利用 GitHub 搭建一個超級智能體，唔使打開 IDE，都可以完成由需求分析到全疊開發、測試、文檔生成、部署上線、SEO 優化、代碼審查、自動處理 Issues、定時任務嘅全流程。
1、初始化 Agent
打開 GitHub 網頁版，你會發現 GitHub Copilot 嘅對話入口周圍都係，已經融入咗 GitHub 嘅每個角落。
我哋先新開一個叫 github-claw 嘅倉庫，作為 AI 智能體嘅工作空間。
開 Repo（倉庫）嗰陣就可以填定初始化嘅 Prompt（提示詞），呢個其實就係我哋幫呢隻 AI 小龍蝦注入靈魂嘅過程。
喺開始之前，建議先喺右上角入 GitHub Copilot 嘅 Setting（設置），開咗個聯網搜索功能先，咁樣 AI 先可以攞到最新嘅資訊。
跟住我哋填入初始化 Agent 嘅 Prompt。呢段 Prompt 定義咗龍蝦嘅角色、行為守則同埋記憶機制：
你是這個倉庫中長期駐留的個人 AI 助手與主要代理，像 OpenClaw 一樣，不只是回答問題，還要持續做事、積累記憶、維護角色，並讓這個倉庫逐漸成為可長期演化的個人 AI 空間。
請先參考 OpenClaw 官方文檔，理解它作為 "能做事的個人 AI 助手" 的定位，以及角色、記憶、技能和工作空間的思路：https://docs.openclaw.ai
然後把這個倉庫初始化為適合 GitHub Copilot 網頁版長期使用的個人 AI 工作空間，讓我以後在新的 Copilot 對話裏，也能繼續沿用同一個角色、記憶和工作方式。
請先創建並提交一個簡潔、可長期複用的 AGENTS.md，在裏面定義：
- 你是誰
- 你如何在這個倉庫中工作
- 你如何管理任務與記憶
- 你每次完成任務後要做的收尾動作
要求：
- 把倉庫當作持久化的文件與記憶空間，可保存任何有用文件
- 用文件作為記憶的真實來源，不把重要信息只留在當前對話裏
- 將長期記憶與每日/臨時記錄區分開
- 規則簡潔、實用、可擴展，不要過度設計
如果確有必要，可以補充最少量的 MEMORY.md、memory/ 或 SOUL.md，但請保持輕量，並以 AGENTS.md 為核心。
可以見到，Copilot 自動初始化咗一個 Workspace（工作空間），仲自動整合埋 GitHub 嘅 MCP 工具：
搞掂晒之後，佢會自動開一個 PR。我哋人手 Check 一下，冇問題就 Merge（合併）咗佢。
係喇，如果你發現有「網絡連接失敗」嘅提示，係因為 Copilot coding agent 預設有 Firewall（防火牆）限制。要返去 Repo 嘅 Setting 度熄咗個 Firewall 佢：
Agent 初始化完之後，你可以同佢打個招呼，佢會透過文件攞返啲記憶出嚟：
2、開發兼上線網站
Agent 初始化好喇，跟住落嚟就叫佢開工。
叫佢幫我個開源 AI 知識庫項目 ai-guide 開發一個靚仔嘅導航官網，Prompt 如下：
請為我開源的 AI 知識庫項目（ai-guide）開發並部署一個高顏值的導航官網，突出項目介紹、精選內容、路線圖、更新日誌、增長趨勢等，吸引更多人關注我的開源倉庫。必須使用 UI-UX-PRO-MAX 技能全面優化前端界面，完成後直接給出可上線訪問的地址。必須自主完成任務
喺 Repo 嘅 Agents Panel（面板）入面，可以直接發起新嘅對話任務。
Copilot 會經由 GitHub MCP 攞到我個開源項目嘅資料，然後自動開始寫 Code 起網站：
Gen 完 Code 之後，佢仲會自動做 Code Review（代碼檢查），發現有問題就會自己 Fix 埋：
跟住佢會自動整埋 GitHub Actions Workflow，利用 GitHub Pages 嚟完成靜態網站嘅 Deployment（部署）：
Merge 咗 PR 之後，仲要入去倉庫設置入面嘅 GitHub Pages，揀返「從工作流部署」（留意返個倉庫一定要係公開嘅）：
跟住手動 trigger 一次 workflow，之後每次 push code 都會自動觸發部署：
記得 check 清楚 workflow 入面嘅 branch 名配置，要同你倉庫嘅 default branch 一致（例如係
master定係main）。
成功部署之後，個網頁就可以正常去到喇：
3、使用技能
不過你可能留意到，雖然我喺 prompt 入面提過要用 UI-UX-PRO-MAX 技能，但 AI 並無真正裝到佢。
當我叫佢用技能嗰陣，佢反而自己老作咗一個出嚟，咁就唔啱喇。
所以我哋需要開個新對話，透過 prompt 教識 AI 點樣正確去發現、安裝同埋使用技能：
請優化當前倉庫的工作流與 AGENTS.md，讓這個倉庫中的主要 AI 代理具備穩定的技能發現、安裝和使用機制。
明確約定如下：
- 項目級技能統一保存在 .agents/skills/
- 每個技能使用獨立目錄，例如 .agents/skills/<skill-name>/
- 技能的主入口文件為 SKILL.md
- 如果技能包含腳本、模板或資源文件，也與 SKILL.md 放在同一技能目錄下
請在 AGENTS.md 中加入簡潔、可執行的規則，使代理在後續工作中遵循以下流程：
1. 接到任務後，先檢查本地 .agents/skills/ 中是否已有可複用技能
2. 如果本地沒有合適技能，再自動到 GitHub 開源倉庫和 Skills.sh 搜索相關技能
3. 優先選擇來源清晰、結構規範、說明完整、風險較低的技能
4. 安裝技能時，將其保存到 .agents/skills/<skill-name>/
5. 安裝後更新必要說明，使後續對話能夠直接複用這些技能
6. 如果找不到合適技能，再自行完成任務，但優先沉澱成可複用技能
7. 避免重複安裝相同技能，並儘量保持技能目錄整潔、命名清晰、可維護
AI 順利完成咗任務，仲制定埋技能標準：
搞掂咗技能規範，跟住落嚟就係要等 AI 正確安裝並使用 UI-UX-PRO-MAX 技能嚟優化網站：
幫我廢棄掉原來錯誤的 UI-UX-PRO-MAX 技能，安裝正確的 UI-UX-PRO-MAX 技能，並利用這個技能優化之前的 ai-guide 導航網站
今次成功咗喇！AI 智能體喺 GitHub 上面正確咁複製咗技能目錄，仲用呢啲技能優化咗網站嘅 UI：
頁面拎走咗啲多餘嘅 Emoji，睇落專業好多：
更重要嘅係，佢仲更新埋 AGENTS.md 嘅工作流、記憶同埋每日任務文件，實現咗 AI 智能體嘅進化，之後佢就可以自己發現同埋使用技能喇：
4、文件生成
文件係開源項目嘅「門面」，我哋叫 AI 幫手整返份圖文並茂嘅項目介紹文件 README.md。
呢度有個小技巧，先人工揀一個靠譜嘅 AI 生圖技能，然後去「魚皮 AI 導航」搵一個你鍾意嘅繪圖風格提示詞（Prompt）模板，一齊俾 AI 參考。
俾 AI 嘅提示詞：
請先閲讀當前倉庫中的 ai-guide 導航網站，併為它生成一份高質量的 README.md 項目介紹文檔，同時配套生成幾張幫助理解和宣傳網站的動漫風格圖片，保存並在 README 中引用。
請先安裝並使用這個 AI 生圖技能：npx skills add https://github.com/inferen-sh/skills --skill ai-image-generation。我可以提供 Gemini NanoBanana 的 API Key，請安全使用，不要寫入倉庫。
AI 生圖的風格參考下面的提示詞模板：@已經複製的模板
AI 做完任務之後會要求一個生圖 API Key，我哋去 Google AI Studio 攞完之後發俾 AI 就得。佢會好注重安全性，只係會臨時使用呢個密鑰：
AI 智能體成功 call 咗技能，生成咗圖文並茂嘅文件：
不過今次佢唔小心改錯咗網站首頁個 file。唔緊要，透過 PR（Pull Request）我哋發現咗呢個問題，唔好 merge 就得，再叫 AI 自行修復返。
喺呢度都要提醒返大家：雖然 AI 寫 code 嘅能力已經好勁，但 code review（代碼審查）依然好重要。
5、SEO 優化
開源項目上線之後，如果想推廣出去，就要做好 SEO 搜尋引擎優化，等用戶可以喺搜尋引擎搵到你個網站。
我哋用一個專業嘅 SEO 技能嚟優化網站：
請先閲讀當前倉庫中的 ai-guide 導航網站，並對它進行一輪高質量的 SEO 優化，直接完善站點的標題、描述、結構化信息、頁面語義、連結結構和可索引性。
做法上，請先安裝並使用這個 SEO 技能：npx skills add https://github.com/coreyhaines31/marketingskills --skill seo-audit，然後把優化結果直接落實到項目代碼中。
GitHub Copilot 整合咗 Claude 等多個模型，可以直接喺雲端啟動唔同嘅 AI 嚟完成任務：
直接喺網頁端爽快咁用 Claude 模型：
好快 AI 就搞掂咗 SEO 優化，網站更加容易被搜尋引擎收錄：
效果好似張圖咁，網頁上面加咗一大堆搜尋關鍵字：
可以睇得出，我哋嘅 AI Agent（智能體）已經可以熟練運用各種技能。之後你再開新對話，就可以直接用返已經裝好嘅技能，將 GitHub 當成一個安全隔離嘅「電腦空間」嚟用。
6、開發前後端 Full-stack（全棧）項目
既然 GitHub 提供咗完整嘅工作空間，咁亦都可以用嚟開發包含 backend 嘅 full-stack 項目。
例如輸入下面呢段 prompt，叫 AI 幫我開發個《多媒體處理平台》：
在當前倉庫內新開發一個完整可運行的《多媒體處理平台》前後端項目：
- 前端使用 Vue 實現多頁面，支持圖片、音頻和視頻的壓縮與格式轉換
- 後端使用 Python + SQLite + FFmpeg 等
請自主完成項目的前後端開發、聯調、依賴配置、示例數據、必要文檔和本地運行方式，並主動進行測試驗證，確保圖片、音頻和視頻的壓縮與格式轉換流程都能實際可用。
除非確實必要，否則不要中途停下來向我確認，直接持續推進到可運行狀態。
AI 會自己搞掂環境安裝、前後端開發、自動化測試、同埋生成文件，成個流程一條龍做晒：
留意返，呢啲全部都係喺雲端執行嘅。就算你熄咗網頁、斷咗網、甚至熄埋部電腦，都唔會影響佢繼續做嘢。
7、測試驗證
涉及 backend 嘅項目始終都要好好測試下。有 2 種方式可以去 access 同埋測試。
本地接管測試
開發完之後，你可以喺 AI 做嘢嗰個對話框入面撳「Open in VS Code」，或者用 Copilot CLI 喺本地接管個項目：
VS Code 接管項目之後，會自動 clone 個 repo 到本地並打開。
跟住你就可以叫 AI 幫你 run 個項目：
幫我運行這個項目的前後端
佢會自動建立 Python 虛擬環境，關鍵步驟會搵你 confirm（例如安裝 dependencies 同埋執行 command），非常安全：
之後再人手打開 browser 測試，有問題再叫 AI fix 就得：
喺線運行測試
如果唔想開本地 IDE，仲可以用 GitHub Codespaces。
Codespaces 係 GitHub 提供嘅雲端開發環境，可以喺瀏覽器入面直接改 code、行 project，體驗同本地 VS Code 差唔多。
需要先叫 AI 幫手整好 Codespaces 必要嘅 configuration，咁樣開咗環境之後就會自動搞掂初始化並運行 project：
請繼續為這個項目補全 GitHub Codespaces 開發環境配置，創建 .devcontainer/ 相關文件，使其適配這個前後端項目，並確保在創建 Codespace 後能夠自動安裝前後端依賴、安裝 FFmpeg、初始化必要環境、自動啓動 Vue 前端與 Python 後端，並正確轉發訪問端口。
AI 已經整好晒所需嘅配置文件：
跟住喺 GitHub 上面開個 Codespace：
開好之後，正常情況下可以直接 access 到 frontend 同 backend（留意返 frontend call backend 嘅 address 可能要執執佢）：
如果入唔到，亦可以入去 Codespace 嘅 terminal 手動行啟動 script（記得 script 嘅執行路徑要啱先得）：
你睇吓，呢個操作介面係咪同本地 VS Code 一模一樣？而且仲可以直接喺網頁版入面用 Copilot。
8、Code Review (代碼審查)
Code Review 係保障代碼質量嘅關鍵環節。GitHub Copilot 提供咗自動同手動兩種審查方式。
自動 Code Review
Copilot coding agent 開發嘅 code，本身就會自動行一輪代碼審查：
同時仲會自動做埋安全檢測：
除此之外，你仲可以喺 Repo 設置入面開啟對所有 PR 嘅自動審查。
將 Copilot 當成你嘅「同事」就得，只要加佢做 Reviewer，就會自動觸發審查：
審查結果仲支援快捷修復，你可以根據佢嘅建議直接採納修改，一掣提交。亦可以透過自定義指令嚟調整審查嘅重點：
手動 Code Review
將 GitHub Copilot 當成你嘅同事，只要喺 PR 入面將佢設置為 Reviewers，就會觸發代碼審查：
你亦可以喺 PR 嘅 comment 入面直接 @copilot，例如叫佢將 Port Number 恢復原狀。
呢種方式更加適合叫 Copilot 根據 code review 意見直接改 code、執返好啲 Bug：
9、處理 Issues
喺維護開源項目嘅過程中，肯定少不免要處理用戶提嘅 Issues（問題），呢樣嘢都幾嘥時間，可以交畀 AI agent 自動搞掂佢。
手動處理 Issues
GitHub Copilot 官方支援叫 Copilot coding agent 接手 Issue、自動開 PR 兼修復埋。
操作好簡單，入去一個 Issue，將佢 assign 畀 Copilot 就得：
Copilot 就會自動開一個 PR：
同時會開一個工作 session 嚟分析同修復呢個 Issue：
自動覆 Issues + 自動執 Bug
仲可以叫 AI 全自動幫我哋覆 Issues 同埋執返好啲 Bug。
利用 GitHub Actions 嘅自動化功能，我哋只需要加返個「自動派單」嘅 workflow 就搞掂。
俾一段 Prompt（提示詞）個 AI：
為當前倉庫創建一套 Issue 自動化處理工作流：當有新的 Issue 創建時，先自動回覆一條簡潔的確認與補充信息提示；如果該 Issue 被識別為 bug（比如帶有 bug 標籤或滿足明確的 bug 條件），則自動將該 Issue 分配給 GitHub Copilot coding agent 處理，並讓 Copilot 後續自動開 PR 修復。
請直接完成所需的 GitHub Actions 工作流、必要配置和說明，優先採用簡潔、穩定的實現方式。
不過要留意返，自動生成嘅 script 可能會有問題，例如只係覆咗機，但冇真正 assign 俾 Copilot 去執：
呢個時候可以再叫 AI 跟住官方 documentation 去執返好。核心要注意幾點：
請修復當前倉庫中 Issue 自動化工作流的 Copilot 分配邏輯。現在工作流雖然會自動評論"已分配給 Copilot"，但實際上並沒有真正成功分配。
請參考 GitHub 官方對 Copilot coding agent 的 Issue API 分配方式，改成正確可用的實現：使用正確的 Copilot assignee copilot-swe-agent[bot]、必要的 agent_assignment 參數，並且只有在真實確認分配成功後才發表評論；如果分配失敗，也要給出明確、真實的失敗提示，不要誤報成功。
另外，請順手優化這個工作流的結構：opened 事件只負責自動回覆，labeled + bug 事件只負責分配給 Copilot，保證整體邏輯更清晰穩定。
而且呢度需要 user level 嘅 Personal Access Token (PAT)，唔可以用 default 嘅 GITHUB_TOKEN。
首先去 GitHub 申請個 PAT，開返相應嘅 repo 權限：
然後將個密鑰（Secret Key）擺入 repo 嘅 Secrets 入面，喺 workflow script 入面經由 secrets.COPILOT_ASSIGN_TOKEN 嚟 call 佢：
引用 token 嘅 sample code 如下：
- name:AssignissuetoCopilotcodingagent
uses:actions/github-script@v7
with:
github-token:${{secrets.COPILOT_ASSIGN_TOKEN}}
script:|
之後我只要開一個加咗 bug label 嘅 Issue，就會 trigger 到 GitHub Actions，自動將個 Bug 分配俾 AI 處理：
10、定時任務
OpenClaw 其中一個大亮點係可以執行定時任務，咁我哋隻 “餵蝦” 都要有先得！
但係 GitHub 倉庫唔係一部長開嘅電腦，點樣做定時任務呢？
我有個主意，利用 GitHub Actions 嘅 schedule 觸發器，就可以幫 AI 智能體補返「定時觸發」嘅能力。
例如叫佢每日自動推送最新嘅 AI 科技熱點：
為當前倉庫創建一個可長期使用的定時任務工作流，利用 GitHub Actions 模擬 OpenClaw 風格的定時觸發能力。
目標：每天北京時間中午 13 點，自動收集並總結本週最新的 AI 科技熱點，並以 "推送日報" 的形式發送給我。
優先採用簡單穩定的實現方式：默認先推送到 GitHub Issue；如果倉庫中已有郵箱等其他 webhook 配置，也可以優先複用。
當然，你仲可以選擇對接更多第三方渠道，例如 Email、Telegram 等等：
搞掂，已經整好咗定時觸發嘅 GitHub 工作流：
之後，每日都會自動生成一份 AI 科技日報：
留意返，GitHub Actions 嘅 schedule 定時觸發係會有延遲嘅，官方文檔亦都講明咗喺高負載時段（特別係每小時開頭嗰陣）可能會延遲甚至直情 skip 咗個任務，所以唔適合對執行時間要求好精準嘅情況。
11、封裝 AI 智能體
去到呢度，我哋隻 AI 小龍蝦已經養到好肥美喇。佢而家有晒角色、記憶、技能，仲有埋自動化流水線。不如將佢封裝埋，分享畀其他人用啦。
於是，我畀咗呢段提示詞 Copilot，叫佢幫我封裝成一個 Agent Skill：
請把當前倉庫裏已經實現的所有 "把 GitHub Copilot 變成小龍蝦" 的能力，系統化封裝成一個可複用的 agent skill，名稱為 github-claw，並放到倉庫的 skills/github-claw/ 目錄下。
在開始之前，請先參考 anthropics/skills 倉庫中的 skill-creator 結構與規範，按規範創建完整技能文件，而不是隻寫一個簡單的 SKILL.md：
https://github.com/anthropics/skills/tree/main/skills/skill-creator
這個 github-claw skill 的目標是：讓其他用戶只要安裝這個技能，就能儘可能快速地把 GitHub Copilot 倉庫工作流變成一個 OpenClaw 風格的小龍蝦系統，具備並串聯以下能力：
- 角色與人格
- 文件化記憶與長期上下文
- 技能發現、安裝與管理
- 定時任務 / GitHub Actions 自動化
- Issue 自動回覆與自動分配給 Copilot
- PR 審查與自動化工作流
- 編碼開發、部署、網站生成與項目推進
封裝好嘅 github-claw 技能被單獨放咗喺一個乾淨嘅 branch（分支）：
咁樣一嚟，以後任何人只要新開一個 GitHub repo，裝埋呢個技能，就可以即刻擁有一隻屬於自己嘅 AI 小龍蝦喇。
GitHub Claw 項目開源：https://github.com/liyupi/github-claw
總結
到呢度為止，我哋全程都冇開過 IDE，淨係用 GitHub 網頁版就整咗自己嘅 AI Agent 出嚟。
你可以叫佢幫你搞掂晒由需求分析、全疊開發（Full-stack）、測試、寫 doc、部署上線、SEO 優化、Code Review、自動處理 Issue 到定時任務嘅成個流程。
而且因為 GitHub Copilot 同網頁端深度結合，以上所有任務都可以透過手機開 GitHub 網頁或者 GitHub Mobile App 嚟搞掂，隨時隨地都用得。
Copilot 嘅優勢在於：
1）全程雲端執行：Copilot coding agent 喺 GitHub Actions 支援嘅臨時環境入面獨立運作，非常安全。你可以熄咗個網頁甚至熄埋機，AI 都會繼續做嘢。
2）端到端交付能力：GitHub Copilot 能夠貫穿成個開發生命週期，由寫 code 到 PR 審查再到部署，全部喺 GitHub 生態圈入面完成閉環。
3）多模型靈活選擇：GitHub 提供咗多個模型畀你揀，可以根據唔同任務類型配返最合適嘅模型，慳返啲成本。
GitHub Copilot 更多功能
除咗今日示範嘅核心流程之外，GitHub Copilot 仲有好多值得去發掘嘅能力：
1）Coding Agent MCP 配置：喺 Repo（倉庫）設置入面可以設定 Copilot 嘅權限、工具同埋 MCP Server（例如駁通 Context7、Firecrawl 呢類 MCP），擴展 Copilot 攞外部數據同埋操作嘅能力。
2）GitHub 內置 Memory：Copilot 可以自動儲存佢喺 Repo 做嘢嗰陣推斷出嚟嘅有用資訊，形成持久化嘅 Repo 級記憶。之後佢喺呢個 Repo 做嘢就會自動 call 返呢啲記憶，越用越好用。目前仲係 Public Preview 階段。
3）Copilot Spaces：一種 Context（上下文）共享空間，你可以將 code、文件、設計稿等幾種資源擺埋入一個 Space 入面，等 Copilot 回答同做嘢嗰陣可以一直基於正確嘅 Context，好啱團隊協作場景。
4）GitHub Spark：只要用自然語言講出你嘅諗法，Spark 就可以秒速整出 Full-stack Web App 原型，仲支援即時預覽同埋一鍵 deploy（部署）去 Azure，完全唔使寫 code。仲可以由 Spark 建立 GitHub Repo，做到雙向同步。
5）GitHub Copilot CLI：呢個係一個獨立嘅 Command Line AI 工具，可以睇 code、改 file、行 command、開 PR，仲可以將任務交畀專門嘅 Agent。支援遠端 Session 恢復，喺任何 Terminal 都可以接住落去整。
除咗頭先主要展示嘅 Copilot 網頁版，Desktop 版嘅 GitHub Copilot（VS Code 等 IDE 插件版本）都非常好用，可以靈活切換幾個大模型，仲集埋網絡搜尋等各種主流工具，支援 MCP 同 Skills，平時我都成日用佢帶大家開發完整項目。
例如我個 AI 熱點監控工具項目，就係完全利用 GitHub Copilot 喺 IDE 入面開發出嚟嘅。
以上就係今集嘅分享，如果你想系統化咁學 AI 編程，可以睇吓我免費開源嘅《AI 編程零基礎入門教程》，入面有 GitHub Copilot 嘅零基礎實戰教學，由零開始帶你學識用 AI 開發同埋上線自己嘅產品。
開源 Repo：https://github.com/liyupi/ai-guide
我係魚皮，專門做 AI 編程知識分享，覺得有用嘅話，記得點贊收藏同埋關注，亦都歡迎喺留言區傾吓你用 AI 寫 code 嘅體驗~
往期推薦
大家好，我是程序員魚皮。
前兩天，我受邀參加了微軟 AI Tour 大會，還在會上做了一場演講。
主題是「帶你看 GitHub Copilot 的另一面：智能體裝機，不只在 IDE」。這名字是大會方包裝的，說實話我自己看着都一頭霧水。。。
簡單來說就是：手把手教大家如何用 GitHub + Copilot，打造屬於自己的 AI 智能體。
真沒想到有這麼多人來聽分享，看來大家對這個選題確實很感興趣。
這篇文章就是演講的完整文字版，希望能給大家一些啓發和幫助。
背景和思考
最近「一人公司」和「龍蝦」的概念特別火，很多人都在玩 AI 智能體，比如 OpenClaw 養蝦、Hermes Agent 養馬什麼的。
現在的 AI 智能體不只是聊天，能持續幹活、越用越懂你、隨處使用。
但是，你有沒有想過，扒開所有花哨的包裝，一個 AI 智能體的本質到底是什麼？
我覺得是四樣東西：角色、記憶、技能、工作空間。
沒有工作空間，角色無處定義、記憶無處存儲、技能無處掛載。
除了自己的電腦之外，還有其他的工作空間嗎？
作為一名開源作者，我本能地想到 GitHub 這個全球最大的代碼託管平台，它的倉庫天然就是 持久化的文件空間；而 GitHub Copilot 又提供了強大的 AI 代理執行能力，還支持網頁版使用。
那乾脆把 GitHub 倉庫當成養 AI 智能體的「個人電腦」，不就可以了麼？
所以下面我要手把手教大家：怎麼用 GitHub 打造一隻你自己的 AI 小龍蝦。
我把它稱為「給蝦」：
接下來我會一步步演示，如何利用 GitHub 搭建一個超級智能體，不需要打開 IDE，也能完成從需求分析到全棧開發、測試、文檔生成、部署上線、SEO 優化、代碼審查、自動處理 Issues、定時任務的全流程。
1、初始化 Agent
打開 GitHub 網頁版，你會發現 GitHub Copilot 的對話入口隨處可見，已經融入到 GitHub 的各個角落了。
我們先新建一個叫 github-claw 的倉庫，作為 AI 智能體的工作空間。
創建倉庫時就可以填入初始化的提示詞，這其實就是我們給這隻 AI 小龍蝦注入靈魂的過程。
在開始之前，建議先從右上角進入 GitHub Copilot 的設置，開啓聯網搜索功能，這樣 AI 能獲取更新的信息。
然後我們填入初始化 Agent 的提示詞。這段提示詞定義了龍蝦的角色、行為規則和記憶機制：
你是這個倉庫中長期駐留的個人 AI 助手與主要代理，像 OpenClaw 一樣，不只是回答問題，還要持續做事、積累記憶、維護角色，並讓這個倉庫逐漸成為可長期演化的個人 AI 空間。
請先參考 OpenClaw 官方文檔，理解它作為 "能做事的個人 AI 助手" 的定位，以及角色、記憶、技能和工作空間的思路：https://docs.openclaw.ai
然後把這個倉庫初始化為適合 GitHub Copilot 網頁版長期使用的個人 AI 工作空間，讓我以後在新的 Copilot 對話裏，也能繼續沿用同一個角色、記憶和工作方式。
請先創建並提交一個簡潔、可長期複用的 AGENTS.md，在裏面定義：
- 你是誰
- 你如何在這個倉庫中工作
- 你如何管理任務與記憶
- 你每次完成任務後要做的收尾動作
要求：
- 把倉庫當作持久化的文件與記憶空間，可保存任何有用文件
- 用文件作為記憶的真實來源，不把重要信息只留在當前對話裏
- 將長期記憶與每日/臨時記錄區分開
- 規則簡潔、實用、可擴展，不要過度設計
如果確有必要，可以補充最少量的 MEMORY.md、memory/ 或 SOUL.md，但請保持輕量，並以 AGENTS.md 為核心。
可以看到，Copilot 自動初始化了一個工作空間，還自動集成了 GitHub 的 MCP 工具：
任務完成後，它會自動創建一個 PR。我們人工檢查一下，沒問題就合併。
對了，如果你發現有「網絡連接失敗」的提示，是因為 Copilot coding agent 默認有防火牆限制。需要到倉庫設置裏關閉防火牆：
Agent 初始化完成後，你可以跟它打個招呼，它會通過文檔獲取到記憶：
2、開發上線網站
Agent 初始化好了，接下來讓它幹活。
讓它幫我的開源 AI 知識庫項目 ai-guide 開發一個高顏值的導航官網，提示詞如下：
請為我開源的 AI 知識庫項目（ai-guide）開發並部署一個高顏值的導航官網，突出項目介紹、精選內容、路線圖、更新日誌、增長趨勢等，吸引更多人關注我的開源倉庫。必須使用 UI-UX-PRO-MAX 技能全面優化前端界面，完成後直接給出可上線訪問的地址。必須自主完成任務
在倉庫的 Agents 面板中，可以直接發起新的對話任務。
Copilot 會通過 GitHub MCP 獲取我的開源項目信息，然後自動開始開發網站：
生成代碼後，它還會自動執行代碼檢查，發現問題就自主修復：
接着它會自動創建 GitHub Actions 工作流，利用 GitHub Pages 完成靜態網站的部署：
合併 PR 後，還需要進入倉庫設置裏的 GitHub Pages，選擇「從工作流部署」（注意倉庫必須是公開的）：
然後手動觸發一次工作流，後續每次推送代碼都會自動觸發部署：
注意檢查 workflow 裏的分支名配置，要和你倉庫的默認分支一致（比如
master還是main）。
成功部署後，頁面就可以正常訪問了：
3、使用技能
不過你可能注意到了，雖然我在提示詞裏提到了要用 UI-UX-PRO-MAX 技能，但 AI 並沒有真正安裝它。
當我命令它用技能時，它反而自己造了一個，這就不對了。
所以我們需要新開一個對話，通過提示詞教會 AI 如何正確發現、安裝和使用技能：
請優化當前倉庫的工作流與 AGENTS.md，讓這個倉庫中的主要 AI 代理具備穩定的技能發現、安裝和使用機制。
明確約定如下：
- 項目級技能統一保存在 .agents/skills/
- 每個技能使用獨立目錄，例如 .agents/skills/<skill-name>/
- 技能的主入口文件為 SKILL.md
- 如果技能包含腳本、模板或資源文件，也與 SKILL.md 放在同一技能目錄下
請在 AGENTS.md 中加入簡潔、可執行的規則，使代理在後續工作中遵循以下流程：
1. 接到任務後，先檢查本地 .agents/skills/ 中是否已有可複用技能
2. 如果本地沒有合適技能，再自動到 GitHub 開源倉庫和 Skills.sh 搜索相關技能
3. 優先選擇來源清晰、結構規範、說明完整、風險較低的技能
4. 安裝技能時，將其保存到 .agents/skills/<skill-name>/
5. 安裝後更新必要說明，使後續對話能夠直接複用這些技能
6. 如果找不到合適技能，再自行完成任務，但優先沉澱成可複用技能
7. 避免重複安裝相同技能，並儘量保持技能目錄整潔、命名清晰、可維護
AI 順利完成了任務，制定了技能標準：
搞定了技能規範，接下來讓 AI 正確安裝並使用 UI-UX-PRO-MAX 技能來優化網站：
幫我廢棄掉原來錯誤的 UI-UX-PRO-MAX 技能，安裝正確的 UI-UX-PRO-MAX 技能，並利用這個技能優化之前的 ai-guide 導航網站
這次成功了！AI 智能體從 GitHub 上正確複製了技能目錄，並用技能優化了網站的 UI：
頁面移除了多餘的 Emoji，看起來更專業了：
更重要的是，它還更新了 AGENTS.md 工作流、記憶和任務文件，實現了 AI 智能體的進化，之後它就能自己發現和使用技能了：
4、文檔生成
文檔是開源項目的牌面，我們讓 AI 幫忙生成一份圖文並茂的項目介紹文檔 README.md。
這裏有個小技巧，先人工挑選一個靠譜的 AI 生圖技能，然後到 魚皮 AI 導航 上找一個你喜歡的繪圖風格提示詞模板，一起提供給 AI 參考。
給 AI 的提示詞：
請先閲讀當前倉庫中的 ai-guide 導航網站，併為它生成一份高質量的 README.md 項目介紹文檔，同時配套生成幾張幫助理解和宣傳網站的動漫風格圖片，保存並在 README 中引用。
請先安裝並使用這個 AI 生圖技能：npx skills add https://github.com/inferen-sh/skills --skill ai-image-generation。我可以提供 Gemini NanoBanana 的 API Key，請安全使用，不要寫入倉庫。
AI 生圖的風格參考下面的提示詞模板：@已經複製的模板
AI 完成任務後會請求一個生圖 API Key，我們到 Google AI Studio 上獲取後發給 AI。它會注重安全性，僅臨時使用這個密鑰：
AI 智能體成功調用技能，生成了圖文並茂的文檔：
不過這次它誤改了網站首頁的文件。沒關係，通過 PR 我們發現了這個問題，不合並就行，再讓 AI 自主修復。
這裏也提醒大家：雖然 AI 寫代碼能力很強了，但代碼審查依然很重要。
5、SEO 優化
開源項目上線後，想把它推廣出去，需要做好 SEO 搜索引擎優化，讓用戶能在搜索引擎上搜索到你的網站。
我們用一個專業的 SEO 技能來優化網站：
請先閲讀當前倉庫中的 ai-guide 導航網站，並對它進行一輪高質量的 SEO 優化，直接完善站點的標題、描述、結構化信息、頁面語義、連結結構和可索引性。
做法上，請先安裝並使用這個 SEO 技能：npx skills add https://github.com/coreyhaines31/marketingskills --skill seo-audit，然後把優化結果直接落實到項目代碼中。
GitHub Copilot 整合了 Claude 等多個模型，可以直接在雲端啓動不同的 AI 來完成任務：
直接在網頁端爽用 Claude 模型：
很快 AI 就完成了 SEO 優化，網站更容易被搜索引擎收錄了：
效果如圖，網頁上增加了一堆搜索關鍵詞：
可以看出，我們的 AI 智能體已經能夠熟練運用各種技能了。之後你再新開一個對話，就可以直接使用已經安裝好的技能，把 GitHub 當成安全隔離的「電腦空間」來用。
6、開發前後端全棧項目
既然 GitHub 提供了完整的工作空間，那也可以用來開發包含後端的全棧項目。
比如輸入下面的提示詞，讓 AI 幫我開發個《多媒體處理平台》：
在當前倉庫內新開發一個完整可運行的《多媒體處理平台》前後端項目：
- 前端使用 Vue 實現多頁面，支持圖片、音頻和視頻的壓縮與格式轉換
- 後端使用 Python + SQLite + FFmpeg 等
請自主完成項目的前後端開發、聯調、依賴配置、示例數據、必要文檔和本地運行方式，並主動進行測試驗證，確保圖片、音頻和視頻的壓縮與格式轉換流程都能實際可用。
除非確實必要，否則不要中途停下來向我確認，直接持續推進到可運行狀態。
AI 會自己完成環境安裝、前後端開發、自動化測試、文檔生成，全流程一條龍：
注意，這些全部都是在雲端執行的。哪怕你把網頁、網絡甚至電腦都關了，也不影響它繼續工作。
7、測試驗證
涉及後端的項目還是得好好測試一下。有 2 種方式可以訪問和測試。
本地接管測試
開發完成後，你可以在 AI 工作的對話框中點擊「Open in VS Code」，或者用 Copilot CLI 在本地接管項目：
VS Code 接管項目後，會自動克隆倉庫到本地並打開。
然後你可以讓 AI 幫你運行項目：
幫我運行這個項目的前後端
它會自動創建 Python 虛擬環境，關鍵步驟會找你確認（比如安裝依賴和執行命令），非常安全：
然後人工打開瀏覽器測試，有問題再讓 AI 修復就好：
在線運行測試
如果不想開本地 IDE，還可以用 GitHub Codespaces。
Codespaces 是 GitHub 提供的雲端開發環境，可以在瀏覽器裏直接編輯代碼、運行項目，體驗和本地 VS Code 幾乎一樣。
需要先讓 AI 幫忙創建 Codespaces 所需的配置，這樣創建環境後就會自動完成初始化並運行項目：
請繼續為這個項目補全 GitHub Codespaces 開發環境配置，創建 .devcontainer/ 相關文件，使其適配這個前後端項目，並確保在創建 Codespace 後能夠自動安裝前後端依賴、安裝 FFmpeg、初始化必要環境、自動啓動 Vue 前端與 Python 後端，並正確轉發訪問端口。
AI 創建了所需的配置文件：
然後在 GitHub 上創建 Codespace：
創建完成後，正常情況下可以直接訪問前端和後端（注意前端請求後端的地址可能需要調整）：
如果訪問不了，也可以進入 Codespace 的終端手動執行啓動腳本（注意腳本的執行路徑要正確）：
你看，這個操作界面是不是和本地的 VS Code 一樣？而且還能直接在網頁版裏使用 Copilot。
8、代碼審查
代碼審查是保障代碼質量的關鍵環節。GitHub Copilot 提供了自動和手動兩種審查方式。
自動代碼審查
Copilot coding agent 開發的代碼，本身就會自動執行一輪代碼審查：
同時還會自動執行安全檢測：
此外，你還可以在倉庫設置中開啓對所有 PR 的自動審查。
把 Copilot 當成你的「同事」就好，只要把它加為 Reviewer，就會自動觸發審查：
審查結果還支持快捷修復，你可以根據它的建議直接採納修改，一鍵提交。也可以通過自定義指令來調整審查的側重點：
手動代碼審查
把 GitHub Copilot 當成你的同事，只要在 PR 中把它設置為 Reviewers，就會觸發代碼審查：
你也可以在 PR 的評論裏直接 @copilot，比如讓它把端口號恢復成原樣。
這種方式更適合讓 Copilot 根據審查意見直接改代碼、修復 Bug：
9、處理 Issues
維護開源項目的過程中，肯定少不了處理用戶提的 Issues（問題），這也是很花時間的事情，可以讓 AI 智能體自動完成。
手動處理 Issues
GitHub Copilot 官方支持讓 Copilot coding agent 接手 Issue、自動創建 PR 並修復。
操作很簡單，進入一個 Issue，把它分配給 Copilot 就行：
Copilot 會自動創建一個 PR：
同時創建一個工作會話來分析和修復這個 Issue：
自動回覆 Issues + 自動修復 Bug
還可以讓 AI 全自動幫我們回覆 Issues 並修復 Bug。
利用 GitHub Actions 的自動化能力，我們只需要補一個「自動派單」的工作流就行。
給 AI 一段提示詞：
為當前倉庫創建一套 Issue 自動化處理工作流：當有新的 Issue 創建時，先自動回覆一條簡潔的確認與補充信息提示；如果該 Issue 被識別為 bug（比如帶有 bug 標籤或滿足明確的 bug 條件），則自動將該 Issue 分配給 GitHub Copilot coding agent 處理，並讓 Copilot 後續自動開 PR 修復。
請直接完成所需的 GitHub Actions 工作流、必要配置和說明，優先採用簡潔、穩定的實現方式。
不過需要注意的是，自動生成的腳本可能會有問題，比如只回復了卻沒有真正分配給 Copilot 去修復：
這時候可以再讓 AI 根據官方文檔修復。核心要注意幾點：
請修復當前倉庫中 Issue 自動化工作流的 Copilot 分配邏輯。現在工作流雖然會自動評論"已分配給 Copilot"，但實際上並沒有真正成功分配。
請參考 GitHub 官方對 Copilot coding agent 的 Issue API 分配方式，改成正確可用的實現：使用正確的 Copilot assignee copilot-swe-agent[bot]、必要的 agent_assignment 參數，並且只有在真實確認分配成功後才發表評論；如果分配失敗，也要給出明確、真實的失敗提示，不要誤報成功。
另外，請順手優化這個工作流的結構：opened 事件只負責自動回覆，labeled + bug 事件只負責分配給 Copilot，保證整體邏輯更清晰穩定。
而且這裏需要用戶級別的 Personal Access Token（PAT），不能用默認的 GITHUB_TOKEN。
先到 GitHub 申請 PAT，開通相應的倉庫權限：
然後把密鑰存放到倉庫的 Secrets 中，在工作流腳本中通過 secrets.COPILOT_ASSIGN_TOKEN 引用：
引用 token 的示例代碼如下：
- name:AssignissuetoCopilotcodingagent
uses:actions/github-script@v7
with:
github-token:${{secrets.COPILOT_ASSIGN_TOKEN}}
script:|
然後我只要提一個打了 bug 標籤的 Issue，就會觸發 GitHub Actions，自動把 Bug 分配給 AI 處理：
10、定時任務
OpenClaw 的一大亮點是可以執行定時任務，那咱們的 “給蝦” 也要有！
但是 GitHub 倉庫不是一台常駐運行的電腦，怎麼做定時任務呢？
我有個主意，利用 GitHub Actions 的 schedule 觸發器，就能給 AI 智能體補上「定時觸發」的能力。
比如讓它每天自動推送最新的 AI 科技熱點：
為當前倉庫創建一個可長期使用的定時任務工作流，利用 GitHub Actions 模擬 OpenClaw 風格的定時觸發能力。
目標：每天北京時間中午 13 點，自動收集並總結本週最新的 AI 科技熱點，並以 "推送日報" 的形式發送給我。
優先採用簡單穩定的實現方式：默認先推送到 GitHub Issue；如果倉庫中已有郵箱等其他 webhook 配置，也可以優先複用。
當然，你還可以選擇對接更多第三方渠道，比如郵件、Telegram 等：
任務完成，創建了定時觸發的 GitHub 工作流：
之後，每天會自動生成一份 AI 科技日報：
注意，GitHub Actions 的 schedule 定時觸發會有延遲，官方文檔也說明了在高負載時段（尤其是每小時開頭）可能延遲甚至丟棄任務，所以不適合對執行時間要求精準的場景。
11、封裝 AI 智能體
到這裏，我們的 AI 小龍蝦已經養得很肥了。它有了角色、記憶、技能、自動化流水線。不妨把它封裝起來，分享給別人用。
於是，我給 Copilot 這段提示詞，讓它幫我封裝成一個 Agent Skill：
請把當前倉庫裏已經實現的所有 "把 GitHub Copilot 變成小龍蝦" 的能力，系統化封裝成一個可複用的 agent skill，名稱為 github-claw，並放到倉庫的 skills/github-claw/ 目錄下。
在開始之前，請先參考 anthropics/skills 倉庫中的 skill-creator 結構與規範，按規範創建完整技能文件，而不是隻寫一個簡單的 SKILL.md：
https://github.com/anthropics/skills/tree/main/skills/skill-creator
這個 github-claw skill 的目標是：讓其他用戶只要安裝這個技能，就能儘可能快速地把 GitHub Copilot 倉庫工作流變成一個 OpenClaw 風格的小龍蝦系統，具備並串聯以下能力：
- 角色與人格
- 文件化記憶與長期上下文
- 技能發現、安裝與管理
- 定時任務 / GitHub Actions 自動化
- Issue 自動回覆與自動分配給 Copilot
- PR 審查與自動化工作流
- 編碼開發、部署、網站生成與項目推進
封裝好的 github-claw 技能被單獨放到了一個乾淨的分支：
這樣一來，以後任何人只要新建一個 GitHub 倉庫，安裝上這個技能，就能立刻擁有一隻自己的 AI 小龍蝦了。
GitHub Claw 項目開源：https://github.com/liyupi/github-claw
總結
至此，我們全程沒有打開 IDE，利用 GitHub 網頁版就打造了自己的 AI 智能體。
你可以讓它幫你完成從需求分析到全棧開發、測試、文檔、部署上線、SEO 優化、代碼審查、Issue 自動處理、定時任務的全流程。
而且因為 GitHub Copilot 深度融合在網頁端，以上所有任務都可以通過手機打開 GitHub 網頁或 GitHub Mobile App 完成，隨時隨地使用。
Copilot 的優勢在於：
1）全程雲端執行：Copilot coding agent 在 GitHub Actions 支持的臨時環境中獨立工作，非常安全。你可以關掉網頁甚至關機，AI 會繼續幹活。
2）端到端交付能力：GitHub Copilot 能夠貫穿整個開發生命週期，從寫代碼到 PR 審查到部署，全部在 GitHub 生態內閉環完成。
3）多模型靈活選擇：GitHub 提供了多個模型供選擇，可以根據不同任務類型適配最合適的模型，節省成本。
GitHub Copilot 更多能力
除了今天演示的核心流程，GitHub Copilot 還有很多值得探索的能力：
1）Coding Agent MCP 配置：在倉庫設置中可以配置 Copilot 的權限、工具和 MCP Server（比如接入 Context7、Firecrawl 等 MCP），擴展 Copilot 的外部數據獲取和操作能力。
2）GitHub 內置 Memory：Copilot 可以自動存儲它在倉庫工作中推斷出的有用信息，形成持久化的倉庫級記憶。後續它在這個倉庫裏工作時會自動調用這些記憶，效果越用越好。目前處於 Public Preview 階段。
3）Copilot Spaces：一種上下文共享空間，你可以把代碼、文檔、設計稿等多種資源聚合到一個 Space 裏，讓 Copilot 在回答和工作時始終基於正確的上下文，適合團隊協作場景。
4）GitHub Spark：通過自然語言描述你的想法，Spark 可以秒出全棧 Web 應用原型，支持實時預覽和一鍵部署到 Azure，不需要寫代碼。還可以從 Spark 創建 GitHub 倉庫，雙向同步。
5）GitHub Copilot CLI：這是一個獨立的命令行 AI 工具，可以閲讀代碼、編輯文件、執行命令、創建 PR，還能把任務委派給專門的 Agent。支持遠程會話恢復，在任何終端上都能接着幹。
除了前面主要展示的 Copilot 網頁端，桌面端的 GitHub Copilot（VS Code 等 IDE 插件版本）也非常好用，能靈活切換多個大模型，還集成了網絡搜索等各種主流工具，支持 MCP 和 Skills，平時我也經常用它帶大家開發完整項目。
比如我的 AI 熱點監控工具項目，就是完全利用 GitHub Copilot 在 IDE 中開發出來的。
以上就是本期分享，如果你想系統學習 AI 編程，可以看看我免費開源的 《AI 編程零基礎入門教程》 ，裏面有 GitHub Copilot 的零基礎實戰教程，從零開始帶你學會用 AI 開發上線自己的產品。
開源倉庫：https://github.com/liyupi/ai-guide
我是魚皮，專注做 AI 編程知識分享，覺得有用的話，記得點贊收藏和關注，也歡迎在評論區聊聊你用 AI 編程的體驗~
往期推薦