首页 › Github/Gitee开源交流 › GitHub Copilot CLI 完整使用教程

粤老四易千五 發表於 2026-2-25 10:37:00

GitHub Copilot CLI 完整使用教程

<h1 id="github-copilot-cli-完整使用教程">GitHub Copilot CLI 完整使用教程</h1>
<h3 id="以基于深度学习的社交媒体账号被盗风险预警系统为实战案例">以《基于深度学习的社交媒体账号被盗风险预警系统》为实战案例</h3>
<blockquote>
<p><strong>版本说明</strong>：本教程基于 2025 年 GitHub Copilot CLI 最新官方文档编写，当前处于 Public Preview 阶段，功能持续迭代。</p>
<p><strong>项目背景</strong>：本教程全程以"基于深度学习的社交媒体账号被盗风险预警系统"（下称"预警系统"）为实战项目，演示从项目初始化、功能开发、测试、代码审查到 GitHub 工作流的完整开发过程。</p>
</blockquote>
<hr>
<h2 id="目录">目录</h2>
<ol>
<li>GitHub Copilot CLI 是什么？</li>
<li>前置条件与安装</li>
<li>认证登录</li>
<li>核心概念与界面说明</li>
<li>基础使用：从对话开始</li>
<li>实战第一阶段：项目规划与初始化</li>
<li>实战第二阶段：核心功能开发</li>
<li>实战第三阶段：调试与测试</li>
<li>实战第四阶段：代码审查与重构</li>
<li>实战第五阶段：GitHub 工作流</li>
<li>进阶功能详解</li>
<li>自定义配置</li>
<li>常见问题排查</li>
</ol>
<hr>
<h2 id="一github-copilot-cli-是什么">一、GitHub Copilot CLI 是什么？</h2>
<p>GitHub Copilot CLI 是 GitHub 在 2025 年推出的<strong>终端原生 AI 编程代理（Agent）</strong>，让你可以直接在命令行中用自然语言驱动 Copilot 完成各类开发任务。</p>
<h3 id="它能做什么">它能做什么</h3>
<ul>
<li>理解整个代码库的结构和逻辑</li>
<li>编写、修改、重构代码文件</li>
<li>运行命令、执行测试、修复报错</li>
<li>处理 Git 操作：提交、分支、合并冲突</li>
<li>原生操作 GitHub：Issues、PR、代码审查</li>
<li>通过 MCP 接入 GitHub 以外的外部工具</li>
</ul>
<h3 id="重要新旧版本的区别">重要：新旧版本的区别</h3>
<p>很多资料仍在介绍老版本的 <code>gh copilot</code> 扩展，那个版本<strong>已于 2025 年 10 月 25 日正式弃用</strong>。新版 GitHub Copilot CLI 是完全独立的工具，是真正的 Agent，能力不可同日而语。本教程介绍的是<strong>新版</strong>。</p>
<h3 id="一个有趣的事实">一个有趣的事实</h3>
<p>GitHub Copilot CLI <strong>默认使用 Claude Sonnet 4.5 作为底层模型</strong>，同时支持切换到 GPT-5、Gemini 等模型。也就是说，你在用 Copilot CLI 时，背后很可能是 Claude 在工作。</p>
<hr>
<h2 id="二前置条件与安装">二、前置条件与安装</h2>
<h3 id="前置条件">前置条件</h3>
<p>在安装之前，确认你具备以下条件：</p>
<p><strong>必须有：</strong></p>
<ul>
<li>有效的 GitHub Copilot 付费订阅（Free、Pro、Business 或 Enterprise 均可）</li>
<li>Node.js <strong>22 或更高版本</strong>（这是硬性要求）</li>
<li>npm <strong>10 或更高版本</strong></li>
</ul>
<blockquote>
<p><strong>关于组织用户</strong>：如果你的 Copilot 权限来自所在组织，需要组织管理员在组织设置中启用 Copilot CLI 功能，否则即使安装成功也无法使用。</p>
</blockquote>
<p><strong>检查 Node.js 和 npm 版本：</strong></p>
<pre><code class="language-bash">node --version   # 应该输出 v22.x.x 或更高
npm --version    # 应该输出 10.x.x 或更高
</code></pre>
<p>如果版本不满足要求，前往 https://nodejs.org 下载安装最新 LTS 版本。</p>
<h3 id="安装-github-copilot-cli">安装 GitHub Copilot CLI</h3>
<p>目前官方唯一推荐的安装方式是通过 npm：</p>
<pre><code class="language-bash">npm install -g @github/copilot
</code></pre>
<blockquote>
<p><strong>注意</strong>：与 Claude Code 不同，GitHub Copilot CLI 目前只有 npm 这一种安装方式，没有其他原生安装脚本。</p>
</blockquote>
<h3 id="验证安装">验证安装</h3>
<pre><code class="language-bash">copilot --version
</code></pre>
<p>如果打印出版本号，说明安装成功。</p>
<h3 id="更新到最新版本">更新到最新版本</h3>
<pre><code class="language-bash">npm install -g @github/copilot
</code></pre>
<p>更新命令与安装命令相同，npm 会自动安装最新版本。</p>
<hr>
<h2 id="三认证登录">三、认证登录</h2>
<h3 id="首次登录">首次登录</h3>
<p>安装完成后，进入任意项目目录启动 Copilot CLI：</p>
<pre><code class="language-bash">mkdir social-media-risk-warning
cd social-media-risk-warning
copilot
</code></pre>
<p>首次运行时，Copilot CLI 会提示你通过 <code>/login</code> 命令登录：</p>
<pre><code>Welcome to GitHub Copilot CLI
&gt; /login
</code></pre>
<p>按照屏幕上的提示，在浏览器中完成 GitHub 账户授权即可。</p>
<h3 id="使用-personal-access-token适合-cicd-环境">使用 Personal Access Token（适合 CI/CD 环境）</h3>
<p>如果需要在无头环境（服务器、CI/CD 流水线）中使用，可以通过 Token 认证：</p>
<p><strong>第一步</strong>：前往 GitHub → Settings → Developer settings → Fine-grained personal access tokens → Generate new token</p>
<p><strong>第二步</strong>：在 Permissions 中添加 <strong>"Copilot Requests"</strong> 权限（这是必须的）</p>
<p><strong>第三步</strong>：将 Token 配置到环境变量：</p>
<pre><code class="language-bash"># 临时设置（仅当前终端会话有效）
export GH_TOKEN="ghp_your_token_here"

# 永久设置（写入 shell 配置文件）
echo 'export GH_TOKEN="ghp_your_token_here"' &gt;&gt; ~/.zshrc
source ~/.zshrc

# 验证
echo $GH_TOKEN
</code></pre>
<hr>
<h2 id="四核心概念与界面说明">四、核心概念与界面说明</h2>
<h3 id="启动与目录信任">启动与目录信任</h3>
<p>每次进入一个新目录启动 Copilot CLI，它都会询问你是否信任当前目录的文件：</p>
<pre><code>Do you trust the files in this folder?
1. Yes, proceed
2. Yes, and remember this folder for future sessions
3. No, exit (Esc)
</code></pre>
<p><strong>选项说明：</strong></p>
<ul>
<li>选 <strong>1</strong>（推荐初次使用）：本次会话信任，下次还会问</li>
<li>选 <strong>2</strong>（熟悉的项目）：永久信任此目录，以后不再询问</li>
<li>选 <strong>3</strong>：退出</li>
</ul>
<blockquote>
<p><strong>安全提示</strong>：信任目录意味着 Copilot CLI 可以在此目录及其子目录中读取、修改、执行文件。只对你完全信任的项目选择"记住此目录"。</p>
</blockquote>
<h3 id="两种工作模式">两种工作模式</h3>
<p>按 <strong><code>Shift+Tab</code></strong> 可以在两种模式间循环切换：</p>
<p><strong>普通模式（默认）</strong>：你发出指令，Copilot 立即执行，遇到敏感操作（修改文件、运行命令）时逐步请求确认。</p>
<p><strong>计划模式（Plan Mode）</strong>：Copilot 先充分提问、理解需求，制定完整的实施计划，经你确认后再开始执行。适合复杂的多步骤任务，可以在动手前发现需求误解。</p>
<p><strong>自动驾驶模式（Autopilot Mode）</strong>：继续按 <code>Shift+Tab</code> 切到 "autopilot"，Copilot 会自主决策完成整个任务，减少逐步确认。适合你完全信任且任务明确的场景，但要谨慎使用。</p>
<h3 id="工具权限确认">工具权限确认</h3>
<p>当 Copilot 需要执行可能修改系统的操作时（如 <code>touch</code>、<code>chmod</code>、<code>node</code>、<code>sed</code>、<code>rm</code> 等），会弹出权限请求：</p>
<pre><code>Copilot wants to run: touch src/models/lstm_detector.py
1. Yes
2. Yes, and approve 'touch' for the rest of this session
3. No, and tell Copilot what to do differently (Esc)
</code></pre>
<p><strong>建议策略</strong>：对 <code>touch</code>、<code>mkdir</code>、<code>chmod</code> 等低风险命令可以选 2 永久允许；对 <code>rm</code>、<code>curl</code> 等高风险命令每次手动确认。</p>
<h3 id="核心斜杠命令速查">核心斜杠命令速查</h3>
<table>
<thead>
<tr>
<th>命令</th>
<th>说明</th>
</tr>
</thead>
<tbody>
<tr>
<td><code>/login</code></td>
<td>登录 GitHub 账户</td>
</tr>
<tr>
<td><code>/help</code> 或 <code>?</code></td>
<td>查看所有可用命令</td>
</tr>
<tr>
<td><code>/clear</code></td>
<td>清除当前对话历史</td>
</tr>
<tr>
<td><code>/compact</code></td>
<td>压缩对话历史，释放上下文空间</td>
</tr>
<tr>
<td><code>/context</code></td>
<td>查看当前 token 使用情况</td>
</tr>
<tr>
<td><code>/usage</code></td>
<td>查看本次会话的 token 统计</td>
</tr>
<tr>
<td><code>/model</code></td>
<td>切换 AI 模型</td>
</tr>
<tr>
<td><code>/agent</code></td>
<td>切换或调用自定义 Agent</td>
</tr>
<tr>
<td><code>/review</code></td>
<td>对当前代码改动进行审查</td>
</tr>
<tr>
<td><code>/mcp add</code></td>
<td>添加 MCP 服务器</td>
</tr>
<tr>
<td><code>/add-dir /path</code></td>
<td>添加信任目录</td>
</tr>
<tr>
<td><code>/cwd /path</code></td>
<td>切换工作目录</td>
</tr>
<tr>
<td><code>/delegate &lt;任务&gt;</code></td>
<td>将任务委托给 Copilot Coding Agent</td>
</tr>
<tr>
<td><code>/resume</code></td>
<td>恢复历史会话</td>
</tr>
<tr>
<td><code>/feedback</code></td>
<td>提交反馈</td>
</tr>
</tbody>
</table>
<h3 id="命令行参数速查">命令行参数速查</h3>
<table>
<thead>
<tr>
<th>参数</th>
<th>说明</th>
</tr>
</thead>
<tbody>
<tr>
<td><code>copilot</code></td>
<td>启动交互会话</td>
</tr>
<tr>
<td><code>copilot -p "查询"</code></td>
<td>单次查询后退出</td>
</tr>
<tr>
<td><code>copilot --continue</code></td>
<td>继续最近一次会话</td>
</tr>
<tr>
<td><code>copilot --resume</code></td>
<td>从历史会话中选择恢复</td>
</tr>
<tr>
<td><code>copilot --autopilot</code></td>
<td>以自动驾驶模式启动</td>
</tr>
<tr>
<td><code>copilot --yolo</code></td>
<td>允许所有工具权限（谨慎）</td>
</tr>
<tr>
<td><code>copilot --allow-all</code></td>
<td>同上</td>
</tr>
<tr>
<td><code>copilot help</code></td>
<td>查看完整帮助</td>
</tr>
</tbody>
</table>
<hr>
<h2 id="五基础使用从对话开始">五、基础使用：从对话开始</h2>
<p>在正式进入实战项目之前，先掌握几个基础交互技巧。</p>
<h3 id="引用特定文件">引用特定文件</h3>
<p>在 prompt 中用 <code>@</code> 加相对路径来引用文件，Copilot 会将文件内容加入上下文：</p>
<pre><code>&gt; 解释一下 @src/models/detector.py 的工作原理
&gt; 修复 @src/api/routes.py 中的这个问题
</code></pre>
<p>开始输入 <code>@</code> 后，CLI 会自动补全路径提示，用方向键选择，<code>Tab</code> 确认。</p>
<h3 id="直接运行-shell-命令">直接运行 Shell 命令</h3>
<p>在 prompt 前加 <code>!</code> 可以直接运行 Shell 命令，不经过 AI：</p>
<pre><code>!git status
!ls -la src/
!pip install -r requirements.txt
</code></pre>
<h3 id="中途修改方向">中途修改方向</h3>
<p>当 Copilot 正在"思考"时，你可以：</p>
<ul>
<li>按 <code>Esc</code> 停止当前操作</li>
<li>直接输入新的补充指令，它会把这条指令排队在当前响应完成后执行</li>
</ul>
<h3 id="查看模型推理过程">查看模型推理过程</h3>
<p>按 <code>Ctrl+T</code> 可以显示或隐藏模型的推理过程，帮助你理解 Copilot 是如何规划任务的。这个设置在会话之间保持。</p>
<hr>
<h2 id="六实战第一阶段项目规划与初始化">六、实战第一阶段：项目规划与初始化</h2>
<p>现在开始实战。我们要构建的是<strong>基于深度学习的社交媒体账号被盗风险预警系统</strong>，具体包括：</p>
<ul>
<li>用户行为特征提取（登录时间、地理位置、设备指纹、操作频率等）</li>
<li>基于 LSTM 的异常行为检测模型</li>
<li>实时风险评分引擎</li>
<li>预警通知系统（短信/邮件/App推送）</li>
<li>RESTful API 后端（FastAPI）</li>
<li>管理后台</li>
</ul>
<h3 id="步骤-1使用计划模式进行项目规划">步骤 1：使用计划模式进行项目规划</h3>
<p>这类复杂项目，强烈建议先用计划模式让 Copilot 充分理解需求再动手。</p>
<pre><code class="language-bash">mkdir social-media-risk-warning
cd social-media-risk-warning
copilot
</code></pre>
<p>进入后按 <code>Shift+Tab</code> 切换到计划模式，然后输入：</p>
<pre><code>我要开发一个基于深度学习的社交媒体账号被盗风险预警系统。
系统需要：
1. 采集用户行为特征：登录时间序列、IP地理位置、设备指纹、操作行为序列
2. 使用LSTM神经网络检测异常行为模式
3. 实时计算风险评分（0-100分）
4. 当风险分超过阈值时触发多渠道预警（短信、邮件、App推送）
5. 提供RESTful API供前端调用
技术栈：Python 3.11 + FastAPI + PyTorch + PostgreSQL + Redis + Celery

请帮我制定完整的项目架构方案和开发计划，不要急着写代码。
</code></pre>
<p>Copilot 会在计划模式下提问并给出架构方案，例如询问：预期用户规模是多少？是否需要支持多平台？预警延迟要求是什么？</p>
<p>根据你的回答，它会给出详细的目录结构和开发顺序。确认后切回普通模式开始执行。</p>
<h3 id="步骤-2生成项目骨架">步骤 2：生成项目骨架</h3>
<p>确认架构方案后，在普通模式下输入：</p>
<pre><code>按照刚才的架构方案，初始化项目目录结构，
创建所有必要的目录和空文件，
同时生成 requirements.txt 和 .gitignore
</code></pre>
<p>Copilot 会依次请求 <code>mkdir</code>、<code>touch</code> 等命令的权限，逐一创建。完成后你会得到类似这样的结构：</p>
<pre><code>social-media-risk-warning/
├── src/
│   ├── api/
│   │   ├── __init__.py
│   │   ├── main.py         # FastAPI 应用入口
│   │   ├── routes/
│   │   │   ├── auth.py
│   │   │   ├── risk.py
│   │   │   └── alert.py
│   │   └── middleware/
│   │       └── auth_middleware.py
│   ├── models/
│   │   ├── __init__.py
│   │   ├── lstm_detector.py# LSTM 异常检测模型
│   │   ├── feature_extractor.py
│   │   └── risk_scorer.py
│   ├── services/
│   │   ├── alert_service.py# 预警通知服务
│   │   ├── user_service.py
│   │   └── risk_service.py
│   ├── db/
│   │   ├── models.py         # SQLAlchemy 数据模型
│   │   └── database.py
│   ├── tasks/
│   │   └── celery_tasks.py   # Celery 异步任务
│   └── utils/
│       ├── device_fingerprint.py
│       └── geo_utils.py
├── tests/
│   ├── test_models.py
│   ├── test_api.py
│   └── test_services.py
├── data/
│   └── sample_behavior_logs.json
├── notebooks/
│   └── model_training.ipynb
├── requirements.txt
├── .gitignore
├── docker-compose.yml
└── README.md
</code></pre>
<h3 id="步骤-3初始化-git-仓库">步骤 3：初始化 Git 仓库</h3>
<pre><code>帮我初始化 Git 仓库，创建第一个提交，
提交信息说明这是项目的初始骨架
</code></pre>
<p>Copilot 会执行：</p>
<pre><code class="language-bash">git init
git add .
git commit -m "feat: initialize project structure for social media account risk warning system"
</code></pre>
<h3 id="步骤-4生成自定义指令文件">步骤 4：生成自定义指令文件</h3>
<p>这是一个重要步骤。创建 <code>.github/copilot-instructions.md</code>，让 Copilot 在整个项目中始终记住项目规范：</p>
<pre><code>帮我创建 .github/copilot-instructions.md 文件，内容包括：
- 项目名称和用途
- 技术栈说明
- 编码规范（使用 Black 格式化，类型注解，docstring）
- 安全要求（所有 API 接口必须鉴权，敏感数据必须加密）
- 模型训练要求（所有模型必须可以序列化保存）
</code></pre>
<hr>
<h2 id="七实战第二阶段核心功能开发">七、实战第二阶段：核心功能开发</h2>
<h3 id="71-实现-lstm-异常检测模型">7.1 实现 LSTM 异常检测模型</h3>
<pre><code>在 src/models/lstm_detector.py 中实现 LSTM 异常行为检测模型，要求：

1. 输入：用户行为序列（时间步长30，特征维度包括：
   - 登录时间（0-23小时归一化）
   - 登录地理位置（经纬度归一化）
   - 设备指纹哈希值（one-hot编码）
   - 操作类型（发帖/评论/私信/登录，one-hot编码）
   - 操作间隔时间（秒，log归一化））

2. 模型结构：双层双向LSTM + Attention机制 + 全连接层

3. 输出：异常概率（0-1的浮点数）

4. 包含完整的 train、predict、save_model、load_model 方法

5. 所有方法都要有类型注解和 docstring
</code></pre>
<p>Copilot 会请求 <code>write</code> 权限写入文件。生成后，你可以继续追问：</p>
<pre><code>&gt; 我觉得 Attention 机制的实现可以更高效，
参考 Scaled Dot-Product Attention 的实现方式重构一下
</code></pre>
<h3 id="72-实现特征提取器">7.2 实现特征提取器</h3>
<pre><code>在 src/models/feature_extractor.py 中实现特征提取器：

1. 从原始日志中提取行为特征：
   - 设备指纹：基于 User-Agent + 屏幕分辨率 + 时区，
   使用 MD5 生成32位指纹
   - 地理位置异常：当前IP与历史常用IP的物理距离（km）
   - 时间异常：当前登录时间与用户历史登录时间分布的偏差

2. 返回标准化的特征向量，维度需要和 lstm_detector.py 的输入匹配

3. 实现 fit（学习用户历史基线）和 transform（提取特征）方法
</code></pre>
<h3 id="73-实现风险评分引擎">7.3 实现风险评分引擎</h3>
<pre><code>在 src/models/risk_scorer.py 中实现风险评分引擎：

规则：
- LSTM 异常概率 × 60（占比60%）
- 地理位置异常程度 × 20（占比20%）
- 设备变更 × 10（新设备登录加10分）
- 时间异常 × 10（非常用时段加10分）
- 最终分数在 0-100 之间

风险等级：
- 0-30：低风险（green）
- 31-60：中风险（yellow）
- 61-80：高风险（orange）
- 81-100：极高风险（red）

实现 calculate_score(features: dict) -&gt; RiskResult 方法，
RiskResult 是一个包含 score、level、reasons 字段的 dataclass
</code></pre>
<h3 id="74-实现-fastapi-路由">7.4 实现 FastAPI 路由</h3>
<pre><code>在 src/api/routes/risk.py 中实现风险检测 API：

接口1：POST /api/v1/risk/analyze
- 接收用户行为日志
- 调用特征提取 + 模型推理 + 风险评分
- 返回风险结果

接口2：GET /api/v1/risk/history/{user_id}
- 查询用户历史风险记录
- 支持分页（page, page_size 参数）

接口3：POST /api/v1/risk/threshold
- 更新风险预警阈值配置

所有接口需要 JWT 鉴权，
使用 FastAPI 的依赖注入实现鉴权中间件，
请求和响应都需要 Pydantic 模型定义
</code></pre>
<h3 id="75-实现预警服务">7.5 实现预警服务</h3>
<pre><code>在 src/services/alert_service.py 中实现多渠道预警服务：

支持三种渠道：
1. 邮件（使用 SMTP，模板化邮件内容）
2. 短信（接口预留，具体实现用占位符）
3. 站内推送（写入 Redis 消息队列，供 WebSocket 消费）

实现：
- AlertService 类
- send_alert(user_id, risk_result, channels=['email', 'sms']) 方法
- 当风险分超过70分时，记录到数据库
- 对同一用户，5分钟内不重复发送相同级别的预警（Redis 去重）
</code></pre>
<hr>
<h2 id="八实战第三阶段调试与测试">八、实战第三阶段：调试与测试</h2>
<h3 id="81-调试运行时错误">8.1 调试运行时错误</h3>
<p>假设你运行 FastAPI 时遇到了报错：</p>
<pre><code>!uvicorn src.api.main:app --reload
</code></pre>
<p>如果出现错误，直接在 Copilot CLI 中描述：</p>
<pre><code>运行 uvicorn 时报错：
ImportError: cannot import name 'RiskResult' from 'src.models.risk_scorer'

我在 src/api/routes/risk.py 中导入了这个类，
但在 @src/models/risk_scorer.py 里好像定义有问题，
帮我排查并修复
</code></pre>
<p>Copilot 会自动读取相关文件，定位问题并修复。</p>
<h3 id="82-使用-task-agent-运行测试">8.2 使用 Task Agent 运行测试</h3>
<p>Copilot CLI 内置了 <code>Task</code> 自定义 Agent，专门用于执行命令类任务：</p>
<pre><code>使用 Task agent 运行测试套件，执行 pytest tests/ -v，
如果有测试失败，给我完整的错误输出
</code></pre>
<p>或者直接调用：</p>
<pre><code>/agent task
&gt; 运行 pytest tests/ -v 并告诉我有没有失败
</code></pre>
<h3 id="83-编写单元测试">8.3 编写单元测试</h3>
<pre><code>为 @src/models/lstm_detector.py 编写完整的单元测试，
保存到 tests/test_lstm_detector.py：

测试用例要覆盖：
1. 模型初始化（不同参数）
2. 前向传播（输入维度验证）
3. 训练过程（loss 应该逐步下降）
4. 模型保存和加载（保存后重新加载，预测结果应一致）
5. 边界情况（全零输入、极端值输入）

使用 pytest + torch.testing
</code></pre>
<h3 id="84-为-api-编写集成测试">8.4 为 API 编写集成测试</h3>
<pre><code>为 @src/api/routes/risk.py 的三个接口写集成测试，
使用 FastAPI 的 TestClient，
需要 mock 掉 LSTM 模型的调用（避免测试依赖模型文件），
测试覆盖：正常请求、缺少鉴权、参数校验失败三种情况
</code></pre>
<h3 id="85-使用-review-命令做代码审查">8.5 使用 /review 命令做代码审查</h3>
<p>开发了一段代码之后，在提交前可以快速审查：</p>
<pre><code>/review
</code></pre>
<p>Copilot 会分析当前的 <code>git diff</code>，指出潜在问题，包括安全漏洞、边界情况和性能问题。</p>
<hr>
<h2 id="九实战第四阶段代码审查与重构">九、实战第四阶段：代码审查与重构</h2>
<h3 id="91-使用-code-review-agent">9.1 使用 Code-review Agent</h3>
<p>Copilot CLI 内置了 Code-review Agent，专门处理代码审查任务，聚焦于真正的问题、减少噪音：</p>
<pre><code>/agent code-review
&gt; 审查 src/models/ 目录下所有文件，重点关注：
1. 安全漏洞（如 SQL 注入、不安全的反序列化）
2. 内存泄漏（PyTorch 张量未释放）
3. 类型注解是否完整
</code></pre>
<h3 id="92-重构提升性能">9.2 重构：提升性能</h3>
<pre><code>@src/models/lstm_detector.py 的 predict 方法在处理大批量请求时性能较差，
目前是逐条处理，帮我重构成批量处理（batch prediction），
要求：
1. 支持输入 List] 批量特征
2. 使用 torch.no_grad() 推理
3. 结果返回 List
4. 添加批量大小（batch_size）参数，默认32
</code></pre>
<h3 id="93-重构添加缓存层">9.3 重构：添加缓存层</h3>
<pre><code>风险评分的计算比较耗时，同一用户5秒内的重复请求应该直接返回缓存结果。

在 src/services/risk_service.py 中：
1. 引入 Redis 缓存
2. 用 user_id + 行为特征的 MD5 作为缓存 key
3. 缓存有效期5秒
4. 缓存未命中时才调用模型计算
</code></pre>
<h3 id="94-使用-explore-agent-分析现有代码">9.4 使用 Explore Agent 分析现有代码</h3>
<p>如果你想快速了解某个模块而不影响主要上下文，使用 Explore Agent：</p>
<pre><code>/agent explore
&gt; 分析 src/db/models.py 的数据库设计，
告诉我是否有可以优化的索引，
以及 UserBehaviorLog 表的查询是否会有性能问题
</code></pre>
<hr>
<h2 id="十实战第五阶段github-工作流">十、实战第五阶段：GitHub 工作流</h2>
<p>这是 GitHub Copilot CLI 相比其他 CLI 工具的最大优势——原生理解 GitHub 上下文。</p>
<h3 id="101-提交代码">10.1 提交代码</h3>
<pre><code>提交当前所有改动，写一个符合 Conventional Commits 规范的提交信息，
说明本次主要实现了 LSTM 检测模型和风险评分引擎
</code></pre>
<p>Copilot 会执行：</p>
<pre><code class="language-bash">git add .
git commit -m "feat(model): implement LSTM anomaly detector and risk scoring engine

- Add BiLSTM with attention mechanism for behavior sequence analysis
- Implement multi-dimensional feature extraction (time, geo, device, ops)
- Add weighted risk scoring with 4-level classification
- Include model serialization and batch prediction support"
</code></pre>
<h3 id="102-创建功能分支">10.2 创建功能分支</h3>
<pre><code>我要开始开发预警通知系统，
帮我从 main 分支创建一个新的功能分支 feature/alert-system，
并切换过去
</code></pre>
<h3 id="103-推送并创建-pull-request">10.3 推送并创建 Pull Request</h3>
<p>开发完成后：</p>
<pre><code>把当前分支推送到 GitHub，
然后创建一个 Pull Request，目标分支是 main，
PR 标题和描述要包含：
- 本次实现的功能概述
- 主要变更文件列表
- 测试覆盖情况
- 是否有 Breaking Changes
</code></pre>
<p>Copilot 会通过内置的 GitHub MCP 服务器完成整个操作，不需要你手动在网页上操作。</p>
<h3 id="104-从-issue-直接实现功能">10.4 从 Issue 直接实现功能</h3>
<p>假设你在 GitHub 上有一个 Issue #12 描述了"需要支持 Webhook 回调通知"：</p>
<pre><code>基于 GitHub issue #12 的描述实现 Webhook 回调通知功能，
实现完成后自动创建 PR 并关联到这个 issue
</code></pre>
<p>Copilot 会读取 Issue 内容，实现功能，创建 PR，并在 PR 描述中自动添加 <code>Closes #12</code>。</p>
<h3 id="105-查看和处理-issues">10.5 查看和处理 Issues</h3>
<pre><code>&gt; 显示这个仓库所有 open 状态的 Issues，按优先级排序
&gt; 把 issue #8 标记为 in progress，并把它分配给我
&gt; 总结最近一周新增的所有 Issues 和它们的共同主题
</code></pre>
<h3 id="106-委托复杂任务给-coding-agent">10.6 委托复杂任务给 Coding Agent</h3>
<p>对于耗时较长的任务，可以委托给 Copilot Coding Agent 在 GitHub 后台完成，你去做别的事：</p>
<pre><code>/delegate 为整个项目编写完整的 API 文档，
包括每个接口的 OpenAPI 注释、请求示例、响应示例，
完成后创建 PR
</code></pre>
<p>或者用 <code>&amp;</code> 前缀快速委托：</p>
<pre><code>&amp; 把所有缺少 docstring 的函数都补上文档注释
</code></pre>
<p>Copilot 会提交当前的未暂存改动作为检查点，在新分支上工作，完成后开 PR 请你 Review。</p>
<h3 id="107-恢复远程会话到本地">10.7 恢复远程会话到本地</h3>
<p>如果你在 GitHub 网页上启动了一个 Copilot 会话，可以把它拉到本地继续：</p>
<pre><code>/resume
</code></pre>
<p>选择对应的远程会话即可无缝接续。</p>
<hr>
<h2 id="十一进阶功能详解">十一、进阶功能详解</h2>
<h3 id="111-自定义指令custom-instructions">11.1 自定义指令（Custom Instructions）</h3>
<p>除了 <code>.github/copilot-instructions.md</code>，还可以用路径特定指令文件：</p>
<pre><code>.github/instructions/
├── models.instructions.md      # 只对 src/models/ 目录生效
├── api.instructions.md         # 只对 src/api/ 目录生效
└── testing.instructions.md   # 只对 tests/ 目录生效
</code></pre>
<p>示例 <code>models.instructions.md</code>：</p>
<pre><code class="language-markdown">---
applyTo: "src/models/**"
---

# 模型开发规范

- 所有 PyTorch 模型必须继承 nn.Module
- 必须实现 forward、save_model、load_model 方法
- 推理时使用 torch.no_grad() 装饰
- 模型文件保存为 .pt 格式，同时保存配置为 .json
- 不允许在模型代码中直接写数据库操作
</code></pre>
<h3 id="112-上下文管理">11.2 上下文管理</h3>
<p>长时间工作后，对话历史会接近 token 上限。Copilot CLI 会在达到 95% 时自动压缩，你也可以手动管理：</p>
<pre><code class="language-bash"># 查看当前 token 使用情况
/context

# 查看本次会话统计
/usage

# 手动压缩（会话历史被总结，减少 token 占用）
/compact
</code></pre>
<h3 id="113-mcp-扩展">11.3 MCP 扩展</h3>
<p>Copilot CLI 内置了 GitHub MCP 服务器。你可以额外添加其他 MCP 服务器扩展能力：</p>
<pre><code class="language-bash">/mcp add
</code></pre>
<p>按提示填写 MCP 服务器信息（以 PostgreSQL MCP 为例）：</p>
<pre><code>Name: postgres
Command: npx
Args: -y @modelcontextprotocol/server-postgres postgresql://localhost/risk_warning_db
</code></pre>
<p>添加后，就可以直接查询数据库了：</p>
<pre><code>&gt; 查询过去24小时内风险分超过80的用户数量，按小时分组统计
&gt; 找出最近7天内被触发过3次以上预警的用户列表
</code></pre>
<h3 id="114-hooks在特定时机自动执行操作">11.4 Hooks：在特定时机自动执行操作</h3>
<p>Hooks 允许你在 Copilot 执行特定操作前后自动运行命令，比如每次修改 Python 文件后自动运行 linter：</p>
<p>在 <code>.github/copilot-cli-hooks.json</code> 中配置：</p>
<pre><code class="language-json">{
"post-write": [
    {
      "match": "**/*.py",
      "command": "black {file} &amp;&amp; ruff check {file} --fix"
    }
],
"pre-commit": [
    {
      "command": "pytest tests/ -q --tb=short"
    }
]
}
</code></pre>
<hr>
<h2 id="十二自定义配置">十二、自定义配置</h2>
<p>配置文件位于 <code>~/.copilot/config.json</code>，可以通过命令查看配置项：</p>
<pre><code class="language-bash">copilot help config
</code></pre>
<h3 id="常用配置项">常用配置项</h3>
<pre><code class="language-json">{
"model": "claude-sonnet-4-5",
"theme": "dark",
"show_reasoning": false,
"auto_compact": true,
"trusted_dirs": [
    "/Users/yourname/projects/social-media-risk-warning"
]
}
</code></pre>
<h3 id="切换模型">切换模型</h3>
<p>在交互界面中：</p>
<pre><code>/model
</code></pre>
<p>可用模型包括（根据你的订阅级别）：</p>
<ul>
<li>Claude Sonnet 4.5（默认）</li>
<li>Claude Sonnet 4（高质量推理）</li>
<li>GPT-4.1</li>
<li>Gemini 2.0 Flash</li>
<li>更多见 <code>/model</code> 列表</li>
</ul>
<hr>
<h2 id="十三常见问题排查">十三、常见问题排查</h2>
<h3 id="问题一copilot-命令找不到">问题一：<code>copilot</code> 命令找不到</h3>
<pre><code class="language-bash"># 检查全局 npm 安装路径
npm list -g @github/copilot

# 确认 npm 全局路径在 PATH 中
npm config get prefix
echo $PATH

# 临时修复
export PATH="$(npm config get prefix)/bin:$PATH"

# 永久修复（加入 ~/.zshrc 或 ~/.bashrc）
echo 'export PATH="$(npm config get prefix)/bin:$PATH"' &gt;&gt; ~/.zshrc
source ~/.zshrc
</code></pre>
<h3 id="问题二nodejs-版本不满足要求">问题二：Node.js 版本不满足要求</h3>
<pre><code class="language-bash"># 使用 nvm 安装 Node.js 22
curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.0/install.sh | bash
source ~/.zshrc
nvm install 22
nvm use 22
node --version# 应该显示 v22.x.x
</code></pre>
<h3 id="问题三组织用户无法使用">问题三：组织用户无法使用</h3>
<p>提示类似 "Copilot CLI is not enabled for your organization"，需要联系 GitHub 组织管理员前往：</p>
<p><code>GitHub 组织设置 → Copilot → Policies → Copilot CLI → 启用</code></p>
<p>普通成员无权自行开启。</p>
<h3 id="问题四token-认证失败">问题四：Token 认证失败</h3>
<pre><code class="language-bash"># 确认变量存在
echo $GH_TOKEN

# 确认 token 有正确权限
# 前往 GitHub Settings → Developer settings → Fine-grained tokens
# 检查 "Copilot Requests" 权限是否已开启
</code></pre>
<h3 id="问题五windows-兼容性问题">问题五：Windows 兼容性问题</h3>
<p>优先使用 <strong>WSL2</strong>（Windows Subsystem for Linux）运行 Copilot CLI。</p>
<p>在 WSL2 中安装：</p>
<pre><code class="language-bash"># 安装 Node.js 22
curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash -
sudo apt-get install -y nodejs

# 安装 Copilot CLI
npm install -g @github/copilot
</code></pre>
<h3 id="问题六上下文窗口不足对话太长">问题六：上下文窗口不足（对话太长）</h3>
<pre><code class="language-bash"># 手动压缩对话历史
/compact

# 或者开始新会话，只提供必要上下文
/clear
&gt; 我在继续开发 @src/models/lstm_detector.py，
当前问题是 ...
</code></pre>
<hr>
<h2 id="附录预警系统完整开发流程汇总">附录：预警系统完整开发流程汇总</h2>
<p>以下是贯穿本教程的完整开发命令序列，方便快速参考：</p>
<pre><code class="language-bash"># === 第一阶段：项目初始化 ===
mkdir social-media-risk-warning &amp;&amp; cd social-media-risk-warning
copilot
# [切换计划模式] Shift+Tab
# [输入] 项目需求描述，等待规划
# [切换普通模式] Shift+Tab
# [输入] 按照刚才的方案初始化项目目录结构
# [输入] 帮我初始化 Git 仓库并创建初始提交

# === 第二阶段：功能开发 ===
# [输入] 实现 LSTM 检测模型...
# [输入] 实现特征提取器...
# [输入] 实现风险评分引擎...
# [输入] 实现 FastAPI 路由...
# [输入] 实现预警服务...

# === 第三阶段：测试 ===
# [输入] 为 lstm_detector.py 编写单元测试
# [输入] /agent task &gt; 运行 pytest tests/ -v
# [输入] /review

# === 第四阶段：代码审查 ===
# [输入] /agent code-review &gt; 审查安全漏洞

# === 第五阶段：GitHub 工作流 ===
# [输入] 提交当前所有改动，写 Conventional Commits 格式的提交信息
# [输入] 创建功能分支 feature/alert-system
# [输入] 推送并创建 Pull Request
# [输入] /delegate 补全所有函数的 docstring
</code></pre>
<hr>
<blockquote>
<p><strong>官方文档</strong>（持续更新）：https://docs.github.com/en/copilot/how-tos/copilot-cli/use-copilot-cli</p>
<p><strong>参考命令手册</strong>：在 Copilot CLI 交互界面输入 <code>?</code> 或在终端运行 <code>copilot help</code> 查看完整命令列表。</p>
</blockquote>
<hr>
<h2 id="说明">说明</h2>
<p>本教程只是"使用工具的说明书"，不是"系统能跑起来的保证"。**</p>
<p>两者之间还隔着相当大的距离。</p>
<hr>
<h2 id="教程能给你什么不能给你什么">教程能给你什么，不能给你什么</h2>
<h3 id="教程能给你的">教程能给你的</h3>
<ul>
<li>如何安装和使用 GitHub Copilot CLI 这个工具</li>
<li>如何用自然语言向 AI 描述需求、生成代码框架</li>
<li>如何利用 Copilot 辅助调试、写测试、管理 Git 工作流</li>
</ul>
<h3 id="教程不能替代的">教程不能替代的</h3>
<p>教程里的每一段对话示例，比如"实现 LSTM 异常检测模型"，Copilot 能生成一个<strong>看起来合理的代码骨架</strong>，但这和一个<strong>真正可用的系统</strong>之间，还差以下这些东西：</p>
<p><strong>数据问题</strong>：LSTM 模型需要大量真实的用户行为日志来训练。你需要回答：数据从哪里来？格式是什么？如何标注正常行为和异常行为？没有数据，模型就是空架子。</p>
<p><strong>模型调优</strong>：LSTM 的层数、隐藏单元数、序列长度、学习率、正则化策略……这些超参数需要反复实验，不是 Copilot 一次生成就能用的。</p>
<p><strong>领域知识</strong>：什么样的登录行为算"异常"？地理位置偏移多少公里算可疑？这些阈值和规则需要业务理解，不是代码问题。</p>
<p><strong>系统集成</strong>：Redis、Celery、PostgreSQL、SMTP 服务、短信 API……每一个组件都需要实际配置、调试、处理各种边界情况。</p>
<p><strong>安全加固</strong>：教程里提到了 JWT 鉴权，但真实系统还需要防止暴力破解、防止 token 泄露、处理并发安全等问题，这些细节 Copilot 不会自动替你想到。</p>
<p><strong>测试验证</strong>：模型的误报率是多少？漏报率是多少？在什么规模的并发下系统会崩溃？这些只能通过真实测试回答。</p>
<hr>
<h2 id="开发这个系统需要多长时间">开发这个系统需要多长时间？</h2>
<p>这取决于你的背景：</p>
<p><strong>情况一：有 Python 开发经验 + 了解基本机器学习概念，但没做过完整系统</strong></p>
<p>用 Copilot CLI 辅助开发，完成一个<strong>能跑通主流程的 MVP 版本</strong>（不含真实模型训练和大规模测试），大约需要 <strong>4～8 周</strong>，每天投入 3～4 小时。</p>
<p><strong>情况二：有完整的深度学习 + 后端开发经验</strong></p>
<p>一个<strong>功能完整、可以小规模部署的版本</strong>，大约需要 <strong>8～16 周</strong>，包括数据处理、模型训练调优、系统集成和基本安全加固。</p>
<p><strong>情况三：学生做毕业论文 / 课程设计</strong></p>
<p>如果目标是展示系统架构和核心思路，而不是生产级别的可用性，用 Copilot CLI 生成代码框架 + 自己理解和修改，<strong>4～6 周</strong>可以做出一个能演示的版本。这是大多数人用这类教程最实际的目标。</p>
<hr>
<h2 id="copilot-cli-在这个项目里真正的价值">Copilot CLI 在这个项目里真正的价值</h2>
<p>它能把你从<strong>重复性的体力劳动</strong>中解放出来：</p>
<ul>
<li>不用手动写样板代码（FastAPI 路由、Pydantic 模型、数据库 Schema）</li>
<li>不用查文档找 PyTorch API 的用法</li>
<li>不用手动写 Git 提交信息和 PR 描述</li>
<li>不用从头写测试模板</li>
</ul>
<p><strong>它省下的是时间，不是判断力。</strong> 你仍然需要理解它生成的每一段代码在做什么，知道哪里可能出问题，知道如何验证结果是否正确。盲目接受 AI 生成的代码，尤其是在安全相关的系统里，是很危险的。</p>
<hr>
<h2 id="一个实际的建议">一个实际的建议</h2>
<p>如果你是要做这个项目，不妨把目标分成两层：</p>
<p><strong>第一层（用 Copilot CLI 完全可以做到）</strong>：搭建系统框架，生成可运行的代码骨架，实现完整的 API 接口，写通基本的测试和文档。这部分 Copilot 能帮你节省 50%～70% 的时间。</p>
<p><strong>第二层（需要你自己投入的）</strong>：收集或模拟训练数据，调整模型参数让它真正有效，处理各种边界情况和安全问题，部署和性能调优。这部分 Copilot 是辅助而不是主力。</p>
<p>把这两层目标分清楚，你对整个项目的时间和难度就会有更实际的预期。</p><br><br>
来源：https://www.cnblogs.com/zxhoo/p/19636309

查看完整版本: GitHub Copilot CLI 完整使用教程