大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



在过去的一年里，AI 辅助编程工具已经深刻地改变了开发者的日常。作为其中的佼佼者，GitHub Copilot 凭借其强大的代码补全和对话能力，成为了无数程序员的“结对编程”伙伴。然而，你是否曾感到，它的能力边界似乎清晰可见？当你希望它能查询公司内部的 Jira 任务、读取私有知识库的文档，或者一键触发 CI/CD 流水线时，它往往只能“望洋兴叹”。

这背后的原因是，传统的 Copilot 是一个相对通用的代码大模型。为了突破这一瓶颈，GitHub 推出了一个极具革命性的功能：Copilot Extensions（扩展）及其背后的 Agents 与 Skills 机制。

本文将带你深入实践，从概念解析到代码实战，教你如何为 GitHub Copilot 配置自定义的 Agents 和 Skills，将你的 AI 助手从一个“代码建议器”进化成一个能真正行动、能深度集成到你工作流中的智能伙伴。

动手之前，我们有必要先理清几个核心概念。别被这些时髦的 AI 词汇唬住，它们的本质其实非常贴合软件工程的设计思想。

简单来说，一个 Agent 就是一个能够理解用户自然语言指令、分析上下文并决定执行什么操作的程序。在 GitHub Copilot 的生态中，当你通过 @你的应用名 来呼叫它时，你实际上就是在与一个自定义的 Agent 进行对话。这个 Agent 拥有自己专属的“系统提示词”(System Prompt)，这决定了它的“人设”和行为边界。例如，你可以定义一个专门做代码审查的 @reviewer-agent，或者一个专门回答公司内部框架问题的 @doc-agent。

如果说 Agent 是大脑，那么 Skills 就是大脑用来感知和改造世界的手和眼。大语言模型本身不具备联网或操作外部系统的能力。Skills 就是一系列预定义好的 API 接口或工具，Agent 通过调用这些 Skills 来获取外部信息或执行实际的操作。例如：

• 查询内部数据库（获取信息）
• 调用 Jira API 创建 Bug 工单（执行操作）
• 触发 GitHub Actions（自动化流程）

要开发和配置自定义的 Copilot 扩展，你需要满足以下基础条件：

• GitHub 账号与 Copilot 订阅：你需要拥有有效的 GitHub Copilot 个人版或企业版订阅。
• 开发环境：Node.js 或 Python 环境（本文将以 Node.js 和 Express 为例）。对于如何在 后端 项目中快速搭建服务，可以参考一些通用的**实践。
• 公网可达的服务器：为了让 GitHub 能够将用户的对话消息推送给你的 Agent，你需要一个公网可以访问的 URL（开发阶段强烈推荐使用 ngrok 或 localtunnel 进行内网穿透）。
• GitHub App 创建权限：请记住，一个自定义 Agent 在本质上就是一个 GitHub App。

接下来，我们将通过一个具体示例，创建一个名为 @issue-helper 的自定义 Agent。这个 Agent 的核心功能是：通过自然对话，帮助开发者查询指定 GitHub 仓库的 Issue 详情，并能根据对话内容自动生成摘要（这需要用到自定义 Skill）。

所有的 Copilot 扩展都基于 GitHub App 构建。这是第一步，也是关键一步。

1. 登录 GitHub，进入 Settings -> Developer settings -> GitHub Apps，点击 New GitHub App。
2. 填写基本信息：GitHub App name（需全局唯一），Homepage URL（你的项目主页）。
3. 配置 Webhook：可以先取消勾选 Active（因为我们暂时通过 Copilot 扩展的专用通道通信，不需要全局 Webhook）。
4. 设置权限 (Permissions)：根据你的 Agent 需要访问的资源赋予权限。例如，我们需要读取 Issue，所以将 Repository permissions 中的 Issues 设置为 Read-only。
5. 开启 Copilot 功能：在左侧导航栏找到 Copilot 选项卡。将 App Type 设置为 Agent。在 URL 栏中，填入你的后端服务地址（例如使用 ngrok 穿透得到的地址，如 https://your-tunnel.ngrok.io/api/copilot）。这里就是 GitHub 将用户对话转发给你的服务器的端点。

现在，我们需要编写服务端代码来接收 Copilot 发来的请求，并返回大模型的响应。GitHub 官方提供了一套 SDK，可以简化这个过程。

首先，初始化项目并安装依赖：

mkdir copilot-agent-demo && cd copilot-agent-demo npm init -y npm install express @github/copilot-extension-sdk

然后，创建一个 server.js 文件，搭建一个基础的服务框架：

const express = require('express'); const { createCopilotExtension } = require('@github/copilot-extension-sdk'); const app = express(); app.use(express.json()); app.post('/api/copilot', async (req, res) => { const messages = req.body.messages; const userMessage = messages[messages.length - 1].content; const systemPrompt = {       role: 'system',       content: '你是一个经验丰富的 GitHub Issue 助手。你的任务是帮助用户分析和总结 Issue。请保持专业和简洁。' }; const llmResponse = await mockLLMCall([systemPrompt, ...messages]); res.setHeader('Content-Type', 'text/event-stream'); res.write(`data: {"choices": [{"delta": {"content": "${llmResponse}"}}]} `); res.write('data: [DONE] '); res.end(); }); const PORT = process.env.PORT || 3000; app.listen(PORT, () => { console.log(`Agent server running on port ${PORT}`); }); async function mockLLMCall(messages) { return "我已经收到了你的请求，正在为你分析 Issue..."; }

目前，这个 Agent 只是一个简单的“聊天机器人”，它还不能真正去查询 Issue。接下来，我们赋予它真正的能力。

为了让 Agent 具备行动力，我们需要配置 Skills。在 Copilot 的体系中，Skills 通常通过 Function Calling（函数调用） 来实现。我们需要告诉大模型：我们有哪些工具可用，这些工具的参数是什么。

我们来定义一个获取 GitHub Issue 的 Skill，并集成到上面的服务中：

const fetchIssueSkill = ,          repo: { type: "string", description: "仓库名称" },          issue_number: { type: "integer", description: "Issue 的编号" }       },       required: ["owner", "repo", "issue_number"] } }; app.post('/api/copilot', async (req, res) => { const messages = req.body.messages; const llmRequestPayload = {       messages: [systemPrompt, ...messages],       tools: [{ type: "function", function: fetchIssueSkill }],       tool_choice: "auto" }; const requiresAction = true; // 模拟大模型决定调用 get_github_issue if (requiresAction) {       const functionArgs = { owner: "octocat", repo: "Hello-World", issue_number: 1 };       const issueData = await fetch(`https://api.github.com/repos/${functionArgs.owner}/${functionArgs.repo}/issues/${functionArgs.issue_number}`).then(r => r.json());       const finalResponse = `根据查询，Issue #1 的标题是：${issueData.title}。内容是：${issueData.body}`;       res.write(`data: {"choices": [{"delta": {"content": "${finalResponse}"}}]} `); } res.write('data: [DONE] '); res.end(); });

这段代码展示了核心逻辑：当 Agent 判断需要调用 get_github_issue 这个 Skill 时，它会执行对应的函数，去调用 GitHub API 获取真实数据，并将结果组织成自然语言回复给用户。

1. 在刚刚创建的 GitHub App 的设置页面，点击 Install App，选择你的个人账户或组织进行安装。
2. 打开 VS Code（确保安装了最新版的 GitHub Copilot Chat 扩展）或访问 GitHub 官网的 Copilot 聊天界面。
3. 在聊天输入框中输入 @，你应该能看到刚刚创建的 Agent 名称（例如 @My-Copilot-Issue-Helper）。
4. 试着对它说：“帮我查一下 facebook/react 仓库的 #100 Issue”，观察它是否能正确调用 Skill 并返回查询结果。

掌握了 Agents 和 Skills 的基础配置后，你的想象力就是唯一的边界。在企业级研发场景中，这种自定义能力可以解决大量现实痛点：

• 私有知识库问答 Agent：通过配置一个“向量数据库检索”的 Skill，让 Copilot 能够阅读企业内部的 Confluence 文档、架构设计图和 API 规约，成为团队的新人导师和技术百科。这其实就是构建了一个专属于你团队的 智能 助手。
• 云资源管控 Agent：配置调用 AWS/阿里云 API 的 Skill。开发者可以通过自然语言指令：“@ops-bot 帮我在测试环境重启一下 user-service 的容器”，Agent 在完成鉴权后即可自动执行操作，极大提升运维效率。
• 代码评审与规范检查：结合 SonarQube 或内部代码检查工具的 API，创建一个 @reviewer。在提交 Pull Request 前，让这个 Agent 先基于自定义规则库跑一遍检查，并直接在代码行上给出修改建议。

GitHub Copilot 自定义 Agents 和 Skills 的推出，标志着 AI 辅助编程正式步入了“定制化”和“行动化”的深水区。它不仅仅是将大模型的通用能力与企业私有数据、工具链做了简单连接，更是为每一位开发者提供了一个低门槛打造“超级工作流外脑”的舞台。

从今天开始，不妨就从搭建一个查询 Issue 的小助手入手，逐步将那些繁琐、重复的查询和操作封装成 Skills 交给 AI 去处理。把最宝贵的精力和创造力，留给真正的架构设计与业务创新。未来的高效开发模式，必将由人类开发者与无数个专业、可控的 AI Agents 协同构建。

如果你对构建类似的 AI 智能体或扩展企业级开发工具链感兴趣，欢迎在 云栈社区 与更多开发者交流探讨，分享你的实践经验与奇思妙想。