登录社区云，与社区用户共同成长
邀请您加入社区
为遵守国家网络实名制规定，未绑定将限制内容发布与互动
边缘 AI 值得关注的原因并不在于“新奇”，而在于经济规律和物理规律恰好指向了同一个方向。从Token 经济学的角度来看，云端推理的每个 Token 都需要持续计费，其边际成本永远无法降为零；而边缘推理则通过一次性的硬件投入，让后续 Token 的边际成本不断趋近于零。对于高频调用、交互密集以及隐私敏感的工作负载而言，这并非微不足道的成本优化，而是一种结构性的优势。NPU则是让这一模式真正可行的关
我们增强了 Agent Debug 面板，新增了日志摘要视图，为你提供 agent 活动的整合概览，让审查和调试会话行为变得更加容易。你可以从会话列表中选择会话名称，导航到摘要视图。它会显示该会话的聚合统计信息。
自定义智能体是一种可以通过 Markdown 文件定义的 GitHub Copilot 智能体。与依赖通用行为的默认智能体不同，你可以明确描述智能体的工作方式、可调用的工具、需要遵循的规范以及输出要求，从而让它在任何运行环境中都保持一致的行为。你创建的每个编码智能体都可以针对特定任务进行定制，成为一个专属的专业智能体。例如，一个通用编码智能体可能会建议如何优化代码；而自定义智能体则能够在每次执行时
作者：Mariko Wakabayashi排版：Alan Wang减少干扰信息后，安全告警会更可靠、更便于处置。本文将介绍我们如何借助具备上下文感知能力的大语言模型推理优化核验流程。密钥扫描在保护开发者与企业组织方面发挥着关键作用。它能够及早捕获泄露的凭证，避免微小疏漏演变为真实安全事件。在 GitHub 的海量业务规模下，即便是轻微的低效问题也会造成显著使用阻碍。过多的误报会降低告警信息的可信度
即使源码没有包含在当前仓库中；
基于这些结果，我们总结出了三个规律。许多智能体执行轮次实际上都是确定性的数据获取过程。Auto-Triage Issues 在 gh-aw 中取得了最显著且持续的优化效果（修复后的 109 次运行中降低了 62%），因为这次优化消除了结构性的低效问题：大量智能体执行轮次都花费在无需推理的数据读取上，例如获取 Issue 元数据和扫描标签。将这些读取操作移动到智能体启动之前，由预处理 CLI 步骤完
一份审查智能体生成 Pull Request 的实践指南：重点关注哪些内容、问题容易隐藏在哪里，以及如何在代码上线前识别并消除技术债务。
Token 经济学已经成为新的 SLO（服务等级目标）。Agent 化工作负载会成倍增加模型调用次数，而每一次调用都有成本。真正能够改变成本曲线的，不是 Prompt，而是架构设计。对模型进行分层，对部署位置进行分层。将 Frontier 模型用于最高层的推理与决策；将小模型用于绝大多数实际工作；稳定态任务运行在集群内 CPU 上，而较重的约 15% 工作负载则运行在集群内 GPU 上。将 AKS
交互模式是一种类似聊天的来回交互体验。当你启动 GitHub Copilot CLI 并进入 Copilot 后，你实际上已经处于交互模式中——这是默认模式。而非交互模式则是一种独立选项，适用于你只需要快速获得一次性答案，而不想进入完整会话的场景。（后面我们会详细介绍非交互模式。在交互模式下，你可以向 GitHub Copilot 提出问题，查看它的回答，然后在同一个会话中继续追问、补充需求或输入
作者：Cassidy Williams排版：Alan Wang看看我们如何在 Rubber Duck Thursday 直播活动中，利用 GitHub Copilot CLI 从零开始打造一个 Emoji 列表生成器。每周，GitHub 团队都会举办一场名为的直播活动。在直播中，我们会现场构建项目、与社区开发者共同协作，并解答大家提出的各种问题。本周，我们使用一起完成了一个非常有趣的小项目！接下来
