我自己目前最常用的 AI Coding 工具，就是 Visual Studio Code + Github Copilot（文中简称 Copilot）。

一方面是个人习惯，一直在用 VSCode 这款 IDE，另一方面是为了满足公司层面的合规要求。

有同事在用 Claude Code（简称 CC），据说是目前市面上效果最好的 AI Coding 工具。我用过，不是很习惯，后来还是换回 Copilot。

前几个月，他们对比过在处理类似问题上两者的效果差异，CC 几乎断崖式领先。

自从 Claude Code 源码被扒出，Copilot 的效果不差了。

玩笑归玩笑。

就我个人的体验而言，目前（2026/06），Copilot 已经可以满足我的绝大部分开发需要。

1. Copilot 的功能

在 AI Coding 方面，Copilot 主要提供两种模式：

• 代码补全
• Agent

代码补全是最早的一种 AI Coding 交互方式。开发者输入代码时，Copilot 结合文件内容、函数上下文和当前输入等，预测接下来你想要的代码，一键 Tab，直接帮你生成。

与 IDE 提供的所谓关键字补全功能类似，但 Copilot 的代码补全功能无疑更加强大，补全的内容也更多，而且有逻辑结构。

例如，你只需要输入：

function calculateTotalPrice(products) {

Copilot 会自动帮你补全：

  return products.reduce((sum, item) => sum + item.price, 0);
}

如果说代码补全还需要程序员手工写代码来提示 Copilot 的话，那么 Agent 模式，几乎实现了用自然语言编程。

这也是未来发展的趋势。

使用方式更加简单，只需在对话框里描述你需要什么。

例如这里，你告诉它：

帮我用 js 实现一个计算商品所有价格的函数

Copilot 可以直接写文件：

function calculateTotalPrice(products) {
  return products.reduce((sum, item) => sum + item.price, 0);
}

抽象程度更高。

2. 体系结构

整体上看，Copilot 的架构可以拆分为四层。

+-------------------+
|      VS Code      |
+---------+---------+
          |
          v
+-------------------+
| Copilot Extension |
+---------+---------+
          |
          v
+-------------------+
| Context Builder   |
+---------+---------+
          |
          v
+-------------------+
|   LLM Service     |
+---------+---------+

Visual Studio Code 的设计初衷就是为了便于扩展（Visual Studio Code is built with extensibility in mind），因此提供了一系列功能丰富且强大的 Extension API。

Copilot 作为 Extension，拥有读、写、改、删代码的权限。

Context 是交给 LLM 的唯一输入。

Copilot 会从多个信息源处收集信息，例如：系统指令、对话历史、用户消息，以及隐形上下文（Implicit context）等。

Copilot 的 LLM 基座支持不同模型，便于切换，十分灵活。

因为不同场景，有各自适应的模型：

3. 我的习惯

Visual Studio Code 关于 Agent 的官方文档🔗介绍得很详细，从概念到指南，可读性很强。

目前我最常用的，有：

• Session
• Agent/Subagent
• MCP/Skill

每个任务，都创建一个新的 Session。不仅保证不同任务之间 Context 完全独立，还有助于减少窗口爆炸的可能。

目前内置的 Agent 模式有三种：

• Agent
• Plan
• Ask

第一种最全能，能读能写；第二种适合头脑风暴，梳理思路；第三种可以辅助理解代码结构，内部细节。

第一种用得最多。

毕竟工作场景，说到底还是以解决问题为主。

MCP 和 Skill，都是固定下来的 Calling Tool。MCP 帮助获取更多有效的 Context，比如有了 Git MCP，就可以从 Git 中获取代码变更，提交记录等。Skill 则更多是一种工作流的固化，偏个性，灵活度高。

MCP 通常选择现成的，而 Skill 自己写。

Copilot 还提供丰富的扩展功能，比如定制 Agent, Custom Instructions, Memory 等。

后续有心得的时候再来更新。

4. 总结

伴随 LLM 模型的不断迭代，Harness 工程也开始流行。

人们开始思考，如何用流程的确定性，来对抗 LLM 输出结果的不确定性。

相比于很多传统行业的手工作业，AI Coding 无疑是站在了时代前沿。它的进步，代表了 AI 在多大程度上可以取代脑力劳动。

我所能做的，无非就是：掌握原理，不断实践，拥抱变化。

（完）

参考

1. GitHub - liuup/claude-code-analysis: 🤖 The analysis of Claude Code · GitHub🔗
2. Extension API | Visual Studio Code Extension API🔗
3. Context🔗
4. Build with agents in VS Code🔗