如何给 GitHub Copilot "洗脑”，让 AI 精准遵循指令产出高质量代码

引子

最近在项目中使用 GitHub Copilot 的过程中，我发现了一个很有趣的现象。
当我让 Copilot 帮我写代码时，它总是热情满满地给出一大段实现。但当我仔细审视这些代码时，却经常会发现各种小问题——缺少错误处理、异常情况没考虑、命名不规范、没有单元测试，有时甚至会出现一些”魔法数字”。
这让我想起了那些刚入行的程序员，技术不错，但是对软件工程的规范和最佳实践还不够了解。他们写出来的代码能跑，但总让资深工程师皱眉头。
这些 AI 工具确实能提高效率，但如何让它们不仅提高效率，更能精准地产出符合工程实践的高质量代码，甚至达到一种”洗脑”般的效果，让它们乖乖听话，这成了一个值得思考的问题。
不是魔法，是系统指令

经过一段时间的研究和实践，我发现 Copilot 这类 AI 工具实际上可以被深度”引导”，甚至达到一种”洗脑”的效果，让它们按照我们的意愿来行动。
它们并不是魔术盒子，而是遵循一套输入-输出原则的系统。如果我们能给它提供明确的指导和原则，它就能相应地调整自己的输出。
这个思路促使我整理了一个专门用来给 GitHub Copilot”洗脑”的指令集：prompts。
这个仓库里不是代码，而是一系列指导 AI 行为的 Markdown 文件。每个文件就像是给 AI 的一份规范或指南，告诉它应该怎样思考和行动。
这套指令能解决什么问题？

使用 AI 编程助手时，我们通常会遇到这些问题：

• 生成的代码能运行，但结构混乱，难以维护
  
• 没有考虑边界情况和异常处理
  
• 代码风格不一致，命名随意
  
• 缺乏适当的测试覆盖
  
• 不遵循项目已有的架构模式
  

这套指令集就是为了解决这些问题而设计的。它告诉 AI 该如何思考软件设计、如何编写清晰的代码、如何进行测试驱动开发，以及如何分解复杂问题。
指令集的构成

整个指令集分为几个主要部分：

• 核心行为定义：这部分告诉 AI 应该如何进行思考和工作，包括：
  
  
  
  • 如何保持项目知识的连贯性（memory-bank）
    
  • 如何有条理地回应用户（response-and-prompt-guidelines）
    
  • 如何遵循 TDD 工作流（programming-workflow）
    
  • 如何分解复杂任务（workflow-and-task-splitting）
    
  
  
• 代码质量规范：这部分告诉 AI 什么是好代码，什么是坏代码：
  
  
  
  • 代码标准和最佳实践（code-standards）
    
  • 代码异味和应避免的反模式（avoid-bad-smells）
    
  • 如何编写有效的测试（testing-guidelines）
    
  
  
• 流程模板：这部分提供了从需求到实现的结构化方法：
  
  
  
  • 如何将模糊的想法转化为明确的计划（req）
    
  • 如何协助业务分析师编写用户故事（ba）
    
  
  
• 工具使用指南：这部分包含了一些高级技巧：
  
  
  
  • 如何使用顺序思考解决问题（sequential-thinking）
    
  • 快捷指令系统（shortcut-system-instruction）
    
  
  

这些指令是怎么起作用的？

你可能会好奇，为什么一些 Markdown 文件就能让 AI 变得这么听话？
我在研究这些指令的时候发现，它们其实就是几个简单的套路。比如，我给 AI 安排了不同的”角色”——有时候它是个健忘的工程师（所以必须写文档），有时候它是业务分析师的助手。这样一来，AI 就会按照角色来思考问题。
还有一个很有效的技巧是强制它”慢思考”。很多指令都要求 AI 必须一步一步地展示思考过程，不能直接给答案。这就像我们做数学题时要求”列出解题步骤”一样。
最有意思的是”自我批判”这一招。我发现如果让 AI 在给出解决方案后，再强制它自己找毛病，代码质量会提升很多。就像程序员写完代码后再做一遍 code review。
另外，我还设计了一些结构化的模板。比如写测试用例必须按照固定格式，写需求必须一个章节一个章节地来。这样 AI 就没法偷懒，必须把每个环节都考虑到。
说白了，这套指令的核心就是不让 AI “想当然”。它必须按照预设的流程来工作，该问的问题不能跳过，该考虑的边界情况不能遗漏。
如何在实际工作中使用这套指令

经过实践，我发现在 VS Code 中配置 Copilot 使用这些指令非常简单：

• 打开 VS Code 设置（Ctrl+, 或 Cmd+,）
  
• 搜索 github.copilot.chat.codeGeneration.instructions
  
• 添加指向指令文件的配置，例如：
  

1<br>2<br>3<br>4<br>5<br>6<br>7<br> 复制代码

"github.copilot.chat.codeGeneration.instructions": [<br>    { "text": "避免生成与公共代码完全匹配的代码" },<br>    { "file": "../prompts/.github/instructions/req.md" },<br>    { "file": "../prompts/.github/instructions/ba.md" },<br>    // 其它指令文件...<br>    { "file": "../prompts/.github/instructions/shortcut-system-instruction.md" }<br>]<br> 复制代码

 需要注意的是，文件路径要正确。这里的路径是相对于你的 workspace 的。如果你的 prompts 仓库和当前项目不在同一位置，可能需要调整路径。
设置完成后，你会发现 Copilot 生成的代码质量明显提升：更规范、更健壮、考虑更周全。
一点思考

给 AI 工具”洗脑”，或者说深度引导它们，其实和带新人有些相似 —— 你需要清晰地表达期望，提供良好的指导和范例，然后持续进行纠正和反馈。
这不是一项精确的科学，而是一个持续改进的过程。不同项目可能需要对指令进行一些定制和调整，以适应特定的技术栈和团队风格。
对我来说，这套指令系统的价值不仅在于提升了 AI 工具的输出质量，更在于它促使我思考：什么是好的代码？什么是好的软件工程实践？这些思考反过来又能帮助我们在日常工作中做得更好。
如果你也在使用 AI 编程助手，不妨试试这套指令。如果有任何想法或改进建议，欢迎到 prompts 仓库提交 PR 或 Issue。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！