我被微軟 “收購” 的一天，都做了些啥？

大家好，我是程序員魚皮。

前兩天，我受邀參加了微軟 AI Tour 大會，還在會上做了一場演講。

主題是「帶你看 GitHub Copilot 的另一面：智能體裝機，不只在 IDE」。這名字是大會方包裝的，說實話我自己看著都一頭霧水。。。

簡單來說就是：手把手教大家如何用 GitHub + Copilot，打造屬于自己的 AI 智能體。

真沒想到有這么多人來聽分享，看來大家對這個選題確實很感興趣。

這篇文章就是演講的完整文字版，希望能給大家一些啟發和幫助。

背景和思考

最近「一人公司」和「龍蝦」的概念特別火，很多人都在玩 AI 智能體，比如 OpenClaw 養蝦、Hermes Agent 養馬什么的。

現在的 AI 智能體不只是聊天，能持續干活、越用越懂你、隨處使用。

但是，你有沒有想過，扒開所有花哨的包裝，一個 AI 智能體的本質到底是什么？

我覺得是四樣東西：角色、記憶、技能、工作空間。

沒有工作空間，角色無處定義、記憶無處存儲、技能無處掛載。

除了自己的電腦之外，還有其他的工作空間嗎？

作為一名開源作者，我本能地想到 GitHub 這個全球最大的代碼托管平臺，它的倉庫天然就是 持久化的文件空間；而 GitHub Copilot 又提供了強大的 AI 代理執行能力，還支持網頁版使用。

那干脆把 GitHub 倉庫當成養 AI 智能體的「個人電腦」，不就可以了么？

所以下面我要手把手教大家：怎么用 GitHub 打造一只你自己的 AI 小龍蝦。

我把它稱為「給蝦」：

接下來我會一步步演示，如何利用 GitHub 搭建一個超級智能體，不需要打開 IDE，也能完成從需求分析到全棧開發、測試、文檔生成、部署上線、SEO 優化、代碼審查、自動處理 Issues、定時任務的全流程。

1、初始化 Agent

打開 GitHub 網頁版，你會發現 GitHub Copilot 的對話入口隨處可見，已經融入到 GitHub 的各個角落了。

我們先新建一個叫 github-claw 的倉庫，作為 AI 智能體的工作空間。

創建倉庫時就可以填入初始化的提示詞，這其實就是我們給這只 AI 小龍蝦注入靈魂的過程。

在開始之前，建議先從右上角進入 GitHub Copilot 的設置，開啟聯網搜索功能，這樣 AI 能獲取更新的信息。

然后我們填入初始化 Agent 的提示詞。這段提示詞定義了龍蝦的角色、行為規則和記憶機制：

你是這個倉庫中長期駐留的個人 AI 助手與主要代理，像 OpenClaw 一樣，不只是回答問題，還要持續做事、積累記憶、維護角色，并讓這個倉庫逐漸成為可長期演化的個人 AI 空間。

請先參考 OpenClaw 官方文檔，理解它作為 "能做事的個人 AI 助手" 的定位，以及角色、記憶、技能和工作空間的思路：https://docs.openclaw.ai

然后把這個倉庫初始化為適合 GitHub Copilot 網頁版長期使用的個人 AI 工作空間，讓我以后在新的 Copilot 對話里，也能繼續沿用同一個角色、記憶和工作方式。

請先創建并提交一個簡潔、可長期復用的 AGENTS.md，在里面定義：
- 你是誰
- 你如何在這個倉庫中工作
- 你如何管理任務與記憶
- 你每次完成任務后要做的收尾動作

要求：
- 把倉庫當作持久化的文件與記憶空間，可保存任何有用文件
- 用文件作為記憶的真實來源，不把重要信息只留在當前對話里
- 將長期記憶與每日/臨時記錄區分開
- 規則簡潔、實用、可擴展，不要過度設計

如果確有必要，可以補充最少量的 MEMORY.md、memory/ 或 SOUL.md，但請保持輕量，并以 AGENTS.md 為核心。

可以看到，Copilot 自動初始化了一個工作空間，還自動集成了 GitHub 的 MCP 工具：

任務完成后，它會自動創建一個 PR。我們人工檢查一下，沒問題就合并。

對了，如果你發現有「網絡連接失敗」的提示，是因為 Copilot coding agent 默認有防火墻限制。需要到倉庫設置里關閉防火墻：

Agent 初始化完成后，你可以跟它打個招呼，它會通過文檔獲取到記憶：

2、開發上線網站

Agent 初始化好了，接下來讓它干活。

讓它幫我的開源 AI 知識庫項目 ai-guide 開發一個高顏值的導航官網，提示詞如下：

請為我開源的 AI 知識庫項目（ai-guide）開發并部署一個高顏值的導航官網，突出項目介紹、精選內容、路線圖、更新日志、增長趨勢等，吸引更多人關注我的開源倉庫。必須使用 UI-UX-PRO-MAX 技能全面優化前端界面，完成后直接給出可上線訪問的地址。必須自主完成任務

在倉庫的 Agents 面板中，可以直接發起新的對話任務。

Copilot 會通過 GitHub MCP 獲取我的開源項目信息，然后自動開始開發網站：

生成代碼后，它還會自動執行代碼檢查，發現問題就自主修復：

接著它會自動創建 GitHub Actions 工作流，利用 GitHub Pages 完成靜態網站的部署：

合并 PR 后，還需要進入倉庫設置里的 GitHub Pages，選擇「從工作流部署」（注意倉庫必須是公開的）：

然后手動觸發一次工作流，后續每次推送代碼都會自動觸發部署：

注意檢查 workflow 里的分支名配置，要和你倉庫的默認分支一致（比如 master 還是 main）。

成功部署后，頁面就可以正常訪問了：

3、使用技能

不過你可能注意到了，雖然我在提示詞里提到了要用 UI-UX-PRO-MAX 技能，但 AI 并沒有真正安裝它。

當我命令它用技能時，它反而自己造了一個，這就不對了。

所以我們需要新開一個對話，通過提示詞教會 AI 如何正確發現、安裝和使用技能：

請優化當前倉庫的工作流與 AGENTS.md，讓這個倉庫中的主要 AI 代理具備穩定的技能發現、安裝和使用機制。

明確約定如下：
- 項目級技能統一保存在 .agents/skills/
- 每個技能使用獨立目錄，例如 .agents/skills//
- 技能的主入口文件為 SKILL.md
- 如果技能包含腳本、模板或資源文件，也與 SKILL.md 放在同一技能目錄下

請在 AGENTS.md 中加入簡潔、可執行的規則，使代理在后續工作中遵循以下流程：
1. 接到任務后，先檢查本地 .agents/skills/ 中是否已有可復用技能
2. 如果本地沒有合適技能，再自動到 GitHub 開源倉庫和 Skills.sh 搜索相關技能
3. 優先選擇來源清晰、結構規范、說明完整、風險較低的技能
4. 安裝技能時，將其保存到 .agents/skills//
5. 安裝后更新必要說明，使后續對話能夠直接復用這些技能
6. 如果找不到合適技能，再自行完成任務，但優先沉淀成可復用技能
7. 避免重復安裝相同技能，并盡量保持技能目錄整潔、命名清晰、可維護

AI 順利完成了任務，制定了技能標準：

搞定了技能規范，接下來讓 AI 正確安裝并使用 UI-UX-PRO-MAX 技能來優化網站：

幫我廢棄掉原來錯誤的 UI-UX-PRO-MAX 技能，安裝正確的 UI-UX-PRO-MAX 技能，并利用這個技能優化之前的 ai-guide 導航網站

這次成功了！AI 智能體從 GitHub 上正確復制了技能目錄，并用技能優化了網站的 UI：

頁面移除了多余的 Emoji，看起來更專業了：

更重要的是，它還更新了 AGENTS.md 工作流、記憶和任務文件，實現了 AI 智能體的進化，之后它就能自己發現和使用技能了：

4、文檔生成

文檔是開源項目的牌面，我們讓 AI 幫忙生成一份圖文并茂的項目介紹文檔 README.md。

這里有個小技巧，先人工挑選一個靠譜的 AI 生圖技能，然后到 魚皮 AI 導航 上找一個你喜歡的繪圖風格提示詞模板，一起提供給 AI 參考。

給 AI 的提示詞：

請先閱讀當前倉庫中的 ai-guide 導航網站，并為它生成一份高質量的 README.md 項目介紹文檔，同時配套生成幾張幫助理解和宣傳網站的動漫風格圖片，保存并在 README 中引用。

請先安裝并使用這個 AI 生圖技能：npx skills add https://github.com/inferen-sh/skills --skill ai-image-generation。我可以提供 Gemini NanoBanana 的 API Key，請安全使用，不要寫入倉庫。

AI 生圖的風格參考下面的提示詞模板：@已經復制的模板

AI 完成任務后會請求一個生圖 API Key，我們到 Google AI Studio 上獲取后發給 AI。它會注重安全性，僅臨時使用這個密鑰：

AI 智能體成功調用技能，生成了圖文并茂的文檔：

不過這次它誤改了網站首頁的文件。沒關系，通過 PR 我們發現了這個問題，不合并就行，再讓 AI 自主修復。

這里也提醒大家：雖然 AI 寫代碼能力很強了，但代碼審查依然很重要。

5、SEO 優化

開源項目上線后，想把它推廣出去，需要做好 SEO 搜索引擎優化，讓用戶能在搜索引擎上搜索到你的網站。

我們用一個專業的 SEO 技能來優化網站：

請先閱讀當前倉庫中的 ai-guide 導航網站，并對它進行一輪高質量的 SEO 優化，直接完善站點的標題、描述、結構化信息、頁面語義、鏈接結構和可索引性。


做法上，請先安裝并使用這個 SEO 技能：npx skills add https://github.com/coreyhaines31/marketingskills --skill seo-audit，然后把優化結果直接落實到項目代碼中。

GitHub Copilot 整合了 Claude 等多個模型，可以直接在云端啟動不同的 AI 來完成任務：

直接在網頁端爽用 Claude 模型：

很快 AI 就完成了 SEO 優化，網站更容易被搜索引擎收錄了：

效果如圖，網頁上增加了一堆搜索關鍵詞：

可以看出，我們的 AI 智能體已經能夠熟練運用各種技能了。之后你再新開一個對話，就可以直接使用已經安裝好的技能，把 GitHub 當成安全隔離的「電腦空間」來用。

6、開發前后端全棧項目

既然 GitHub 提供了完整的工作空間，那也可以用來開發包含后端的全棧項目。

比如輸入下面的提示詞，讓 AI 幫我開發個《多媒體處理平臺》：

在當前倉庫內新開發一個完整可運行的《多媒體處理平臺》前后端項目：
- 前端使用 Vue 實現多頁面，支持圖片、音頻和視頻的壓縮與格式轉換
- 后端使用 Python + SQLite + FFmpeg 等

請自主完成項目的前后端開發、聯調、依賴配置、示例數據、必要文檔和本地運行方式，并主動進行測試驗證，確保圖片、音頻和視頻的壓縮與格式轉換流程都能實際可用。

除非確實必要，否則不要中途停下來向我確認，直接持續推進到可運行狀態。

AI 會自己完成環境安裝、前后端開發、自動化測試、文檔生成，全流程一條龍：

注意，這些全部都是在云端執行的。哪怕你把網頁、網絡甚至電腦都關了，也不影響它繼續工作。

7、測試驗證

涉及后端的項目還是得好好測試一下。有 2 種方式可以訪問和測試。

本地接管測試

開發完成后，你可以在 AI 工作的對話框中點擊「Open in VS Code」，或者用 Copilot CLI 在本地接管項目：

VS Code 接管項目后，會自動克隆倉庫到本地并打開。

然后你可以讓 AI 幫你運行項目：

幫我運行這個項目的前后端

它會自動創建 Python 虛擬環境，關鍵步驟會找你確認（比如安裝依賴和執行命令），非常安全：

然后人工打開瀏覽器測試，有問題再讓 AI 修復就好：

在線運行測試

如果不想開本地 IDE，還可以用 GitHub Codespaces。

Codespaces 是 GitHub 提供的云端開發環境，可以在瀏覽器里直接編輯代碼、運行項目，體驗和本地 VS Code 幾乎一樣。

需要先讓 AI 幫忙創建 Codespaces 所需的配置，這樣創建環境后就會自動完成初始化并運行項目：

請繼續為這個項目補全 GitHub Codespaces 開發環境配置，創建 .devcontainer/ 相關文件，使其適配這個前后端項目，并確保在創建 Codespace 后能夠自動安裝前后端依賴、安裝 FFmpeg、初始化必要環境、自動啟動 Vue 前端與 Python 后端，并正確轉發訪問端口。

AI 創建了所需的配置文件：

然后在 GitHub 上創建 Codespace：

創建完成后，正常情況下可以直接訪問前端和后端（注意前端請求后端的地址可能需要調整）：

如果訪問不了，也可以進入 Codespace 的終端手動執行啟動腳本（注意腳本的執行路徑要正確）：

你看，這個操作界面是不是和本地的 VS Code 一樣？而且還能直接在網頁版里使用 Copilot。

8、代碼審查

代碼審查是保障代碼質量的關鍵環節。GitHub Copilot 提供了自動和手動兩種審查方式。

自動代碼審查

Copilot coding agent 開發的代碼，本身就會自動執行一輪代碼審查：

同時還會自動執行安全檢測：

此外，你還可以在倉庫設置中開啟對所有 PR 的自動審查。

把 Copilot 當成你的「同事」就好，只要把它加為 Reviewer，就會自動觸發審查：

審查結果還支持快捷修復，你可以根據它的建議直接采納修改，一鍵提交。也可以通過自定義指令來調整審查的側重點：

手動代碼審查

把 GitHub Copilot 當成你的同事，只要在 PR 中把它設置為 Reviewers，就會觸發代碼審查：

你也可以在 PR 的評論里直接 @copilot，比如讓它把端口號恢復成原樣。

這種方式更適合讓 Copilot 根據審查意見直接改代碼、修復 Bug：

9、處理 Issues

維護開源項目的過程中，肯定少不了處理用戶提的 Issues（問題），這也是很花時間的事情，可以讓 AI 智能體自動完成。

手動處理 Issues

GitHub Copilot 官方支持讓 Copilot coding agent 接手 Issue、自動創建 PR 并修復。

操作很簡單，進入一個 Issue，把它分配給 Copilot 就行：

Copilot 會自動創建一個 PR：

同時創建一個工作會話來分析和修復這個 Issue：

自動回復 Issues + 自動修復 Bug

還可以讓 AI 全自動幫我們回復 Issues 并修復 Bug。

利用 GitHub Actions 的自動化能力，我們只需要補一個「自動派單」的工作流就行。

給 AI 一段提示詞：

為當前倉庫創建一套 Issue 自動化處理工作流：當有新的 Issue 創建時，先自動回復一條簡潔的確認與補充信息提示；如果該 Issue 被識別為 bug（比如帶有 bug 標簽或滿足明確的 bug 條件），則自動將該 Issue 分配給 GitHub Copilot coding agent 處理，并讓 Copilot 后續自動開 PR 修復。


請直接完成所需的 GitHub Actions 工作流、必要配置和說明，優先采用簡潔、穩定的實現方式。

不過需要注意的是，自動生成的腳本可能會有問題，比如只回復了卻沒有真正分配給 Copilot 去修復：

這時候可以再讓 AI 根據官方文檔修復。核心要注意幾點：

請修復當前倉庫中 Issue 自動化工作流的 Copilot 分配邏輯?，F在工作流雖然會自動評論"已分配給 Copilot"，但實際上并沒有真正成功分配。

請參考 GitHub 官方對 Copilot coding agent 的 Issue API 分配方式，改成正確可用的實現：使用正確的 Copilot assignee copilot-swe-agent[bot]、必要的 agent_assignment 參數，并且只有在真實確認分配成功后才發表評論；如果分配失敗，也要給出明確、真實的失敗提示，不要誤報成功。

另外，請順手優化這個工作流的結構：opened 事件只負責自動回復，labeled + bug 事件只負責分配給 Copilot，保證整體邏輯更清晰穩定。

而且這里需要用戶級別的 Personal Access Token（PAT），不能用默認的 GITHUB_TOKEN。

先到 GitHub 申請 PAT，開通相應的倉庫權限：

然后把密鑰存放到倉庫的 Secrets 中，在工作流腳本中通過 secrets.COPILOT_ASSIGN_TOKEN 引用：

引用 token 的示例代碼如下：

  - name:AssignissuetoCopilotcodingagent
    uses:actions/github-script@v7
    with:
      github-token:${{secrets.COPILOT_ASSIGN_TOKEN}}
      script:|

然后我只要提一個打了 bug 標簽的 Issue，就會觸發 GitHub Actions，自動把 Bug 分配給 AI 處理：

10、定時任務

OpenClaw 的一大亮點是可以執行定時任務，那咱們的 “給蝦” 也要有！

但是 GitHub 倉庫不是一臺常駐運行的電腦，怎么做定時任務呢？

我有個主意，利用 GitHub Actions 的 schedule 觸發器，就能給 AI 智能體補上「定時觸發」的能力。

比如讓它每天自動推送最新的 AI 科技熱點：

為當前倉庫創建一個可長期使用的定時任務工作流，利用 GitHub Actions 模擬 OpenClaw 風格的定時觸發能力。

目標：每天北京時間中午 13 點，自動收集并總結本周最新的 AI 科技熱點，并以 "推送日報" 的形式發送給我。

優先采用簡單穩定的實現方式：默認先推送到 GitHub Issue；如果倉庫中已有郵箱等其他 webhook 配置，也可以優先復用。

當然，你還可以選擇對接更多第三方渠道，比如郵件、Telegram 等：

任務完成，創建了定時觸發的 GitHub 工作流：

之后，每天會自動生成一份 AI 科技日報：

注意，GitHub Actions 的 schedule 定時觸發會有延遲，官方文檔也說明了在高負載時段（尤其是每小時開頭）可能延遲甚至丟棄任務，所以不適合對執行時間要求精準的場景。

11、封裝 AI 智能體

到這里，我們的 AI 小龍蝦已經養得很肥了。它有了角色、記憶、技能、自動化流水線。不妨把它封裝起來，分享給別人用。

于是，我給 Copilot 這段提示詞，讓它幫我封裝成一個 Agent Skill：

請把當前倉庫里已經實現的所有 "把 GitHub Copilot 變成小龍蝦" 的能力，系統化封裝成一個可復用的 agent skill，名稱為 github-claw，并放到倉庫的 skills/github-claw/ 目錄下。

在開始之前，請先參考 anthropics/skills 倉庫中的 skill-creator 結構與規范，按規范創建完整技能文件，而不是只寫一個簡單的 SKILL.md：
https://github.com/anthropics/skills/tree/main/skills/skill-creator

這個 github-claw skill 的目標是：讓其他用戶只要安裝這個技能，就能盡可能快速地把 GitHub Copilot 倉庫工作流變成一個 OpenClaw 風格的小龍蝦系統，具備并串聯以下能力：
- 角色與人格
- 文件化記憶與長期上下文
- 技能發現、安裝與管理
- 定時任務 / GitHub Actions 自動化
- Issue 自動回復與自動分配給 Copilot
- PR 審查與自動化工作流
- 編碼開發、部署、網站生成與項目推進

封裝好的 github-claw 技能被單獨放到了一個干凈的分支：

這樣一來，以后任何人只要新建一個 GitHub 倉庫，安裝上這個技能，就能立刻擁有一只自己的 AI 小龍蝦了。

GitHub Claw 項目開源：https://github.com/liyupi/github-claw

至此，我們全程沒有打開 IDE，利用 GitHub 網頁版就打造了自己的 AI 智能體。

你可以讓它幫你完成從需求分析到全棧開發、測試、文檔、部署上線、SEO 優化、代碼審查、Issue 自動處理、定時任務的全流程。

而且因為 GitHub Copilot 深度融合在網頁端，以上所有任務都可以通過手機打開 GitHub 網頁或 GitHub Mobile App 完成，隨時隨地使用。

Copilot 的優勢在于：

1）全程云端執行：Copilot coding agent 在 GitHub Actions 支持的臨時環境中獨立工作，非常安全。你可以關掉網頁甚至關機，AI 會繼續干活。

2）端到端交付能力：GitHub Copilot 能夠貫穿整個開發生命周期，從寫代碼到 PR 審查到部署，全部在 GitHub 生態內閉環完成。

3）多模型靈活選擇：GitHub 提供了多個模型供選擇，可以根據不同任務類型適配最合適的模型，節省成本。

GitHub Copilot 更多能力

除了今天演示的核心流程，GitHub Copilot 還有很多值得探索的能力：

1）Coding Agent MCP 配置：在倉庫設置中可以配置 Copilot 的權限、工具和 MCP Server（比如接入 Context7、Firecrawl 等 MCP），擴展 Copilot 的外部數據獲取和操作能力。

2）GitHub 內置 Memory：Copilot 可以自動存儲它在倉庫工作中推斷出的有用信息，形成持久化的倉庫級記憶。后續它在這個倉庫里工作時會自動調用這些記憶，效果越用越好。目前處于 Public Preview 階段。

3）Copilot Spaces：一種上下文共享空間，你可以把代碼、文檔、設計稿等多種資源聚合到一個 Space 里，讓 Copilot 在回答和工作時始終基于正確的上下文，適合團隊協作場景。

4）GitHub Spark：通過自然語言描述你的想法，Spark 可以秒出全棧 Web 應用原型，支持實時預覽和一鍵部署到 Azure，不需要寫代碼。還可以從 Spark 創建 GitHub 倉庫，雙向同步。

5）GitHub Copilot CLI：這是一個獨立的命令行 AI 工具，可以閱讀代碼、編輯文件、執行命令、創建 PR，還能把任務委派給專門的 Agent。支持遠程會話恢復，在任何終端上都能接著干。

除了前面主要展示的 Copilot 網頁端，桌面端的 GitHub Copilot（VS Code 等 IDE 插件版本）也非常好用，能靈活切換多個大模型，還集成了網絡搜索等各種主流工具，支持 MCP 和 Skills，平時我也經常用它帶大家開發完整項目。

比如我的 AI 熱點監控工具項目，就是完全利用 GitHub Copilot 在 IDE 中開發出來的。

以上就是本期分享，如果你想系統學習 AI 編程，可以看看我免費開源的 《AI 編程零基礎入門教程》 ，里面有 GitHub Copilot 的零基礎實戰教程，從零開始帶你學會用 AI 開發上線自己的產品。

開源倉庫：https://github.com/liyupi/ai-guide

我是魚皮，專注做 AI 編程知識分享，覺得有用的話，記得點贊收藏和關注，也歡迎在評論區聊聊你用 AI 編程的體驗~