最佳实践

本文涵盖在 Visual Studio Code 中使用 AI 的经过验证的最佳实践。每个部分提供可操作的指导，并附有相关深度文档链接。

针对 AI 优化项目配置

通过为 AI 配置项目和代码库，可以提高 AI 响应的准确性，并确保 AI 遵循团队的编码规范和实践。

VS Code 支持多种机制来为项目配置 AI 行为。在聊天中输入 /init 可以生成入门配置。

机制	最适用于	入门方式
自定义说明(Custom Instructions)	项目范围编码标准和架构上下文	输入 `/init` 为项目生成始终启用的说明
自定义智能体(Custom Agent)	特定工作流或角色（TDD、安全审计）	输入 `/create-agent <描述>` 生成自定义智能体(Custom Agent)
技能	领域特定能力（测试、部署）	输入 `/create-skill <描述>` 生成技能
工具和 MCP 服务器	连接外部系统（数据库、API、CLI）	在 `mcp.json` 中配置

💡 国内用户提示 如果您希望使用国内 AI 模型，安装 飞码扣插件 即可在 GitHub Copilot Chat 中使用通义千问(Qwen3)、DeepSeek、GLM 等模型，按次计费。了解更多 → 打开飞码扣

有效项目配置的技巧：

保持说明文件简洁。 每次聊天交互都会加载它们。专注于 AI 无法从代码推断的信息，例如非默认约定、架构决策或环境设置。
使用 applyTo 模式限定说明范围。 输入 /instructions 创建语言特定或文件夹特定的说明文件，而不是把所有内容放在一个文件中。
限制启用的工具数量。 活跃工具越少，响应越快且越相关。只在任务需要时才启用工具。

完整设置详情，请参阅自定义概览。

为任务选择合适的工具

VS Code 中的 AI 提供多种交互模式。为手头的任务选择合适的工具可以节省时间并产生更好的结果。

工具	最适用于	示例
内联建议(Inline Suggestion)	在编写代码时保持流畅	代码补全(Code Completion)、变量名、样板代码
Ask（聊天）	提问、头脑风暴、探索想法	”这个项目中的认证是如何工作的？“
内联聊天(Inline Chat)	不切换上下文的有针对性的原位编辑	重构函数、添加错误处理
智能体(Agent)	需要自主规划和工具使用的多文件变更	端到端实现功能
Plan	实施前的结构化规划	设计架构或迁移策略
智能操作(Smart Action)	内置的专业一步任务	生成提交消息、修复错误、重命名符号

选择合适的智能体(Agent)类型

使用智能体(Agent)时，选择与任务和工作流匹配的智能体(Agent)类型。每种类型在交互性、速度和隔离性方面有不同的权衡。

对交互式工作使用本地智能体(Local Agent)。 本地智能体(Local Agent)在编辑器中运行，可完全访问工作区、工具和扩展。当需要快速迭代、实时审查变更，或使用 VS Code 特定工具（如集成浏览器或 MCP 服务器）时，选择本地智能体(Local Agent)。
将定义明确的任务卸载给后台智能体(Agent)。 当任务足够清晰，不需要观察每个步骤时，使用 Copilot CLI 或云端智能体(Cloud Agent)。
将云端智能体(Cloud Agent)用于团队协作。 云端智能体(Cloud Agent)远程运行并创建拉取请求(Pull Request)，非常适合需要团队审查的任务，或者你想直接将 GitHub Issue 分配给智能体(Agent)时。
为独立任务运行并行会话。 在本地、后台和云端环境中启动多个智能体(Agent)会话(Agent Session)，同时处理不相关的任务。通过会话列表监控它们。
在智能体(Agent)类型之间移交。 先用本地智能体(Local Agent)进行探索和规划，然后移交给后台或云端智能体(Cloud Agent)进行实施。对话历史会随之传递。

更多信息，请参阅使用智能体(Agent)和智能体(Agent)教程。

编写有效提示词(Prompt)

AI 响应的质量取决于提示词(Prompt)的清晰度和具体性。以下技术有助于获得更好的结果：

具体说明输入、输出和约束条件。 明确编程语言、框架和库。描述预期行为或包含示例输入和输出。

Write a TypeScript function that validates email addresses.
Return true for valid addresses, false otherwise. Don't use regex.
Example: validateEmail("user@example.com") returns true
Example: validateEmail("invalid") returns false

分解复杂任务。 不要一次请求整个功能，而是将其分解为更小、范围明确的步骤。

包含预期输出以便验证。 提供测试用例、预期结果或验收标准，让 AI 能够验证自己的工作。

Implement a rate limiter using the token bucket algorithm.
Write unit tests that verify: 10 requests/second allowed,
11th request rejected, bucket refills after 1 second.
Run the tests after implementing.

避免模糊提示词(Prompt)。 像”让这个更好”这样的提示词(Prompt)没有方向。换成”减少时间复杂度”或”为 null 值添加输入验证”。
用后续提示词(Prompt)迭代。 通过添加约束或更正来优化响应，而不是重写整个提示词(Prompt)。
尽早纠偏。 如果 AI 走向错误方向，用后续消息引导它重定向，或停止并发送新提示词(Prompt)。
告诉 AI 提出澄清性问题。 如果任务不明确，指示 AI 在继续之前向你提问。
并行任务。 如果有多个独立任务，让 AI 并行运行。

提供正确的上下文

当 AI 拥有相关上下文时，响应会更准确：

AI 会自动执行代码搜索来收集相关上下文。当提示词(Prompt)不明确时，用 #<文件>、#<文件夹> 或 #<符号> 引用特定文件、文件夹或符号。
要从网页或 GitHub 仓库拉取信息，使用 #fetch 或 GitHub MCP 等 MCP 服务器的工具。
引用 VS Code 环境上下文，如源代码管理变更、终端输出或测试失败。
添加图片或截图让 AI 分析可视内容。
使用集成浏览器预览应用并选择页面元素作为上下文。

选择合适的模型

每个 AI 模型有不同的优势：

将模型与任务复杂度匹配。 对简单补全使用快速模型；对规划、调试或架构决策切换到推理优化模型。
使用最新模型。 较新的模型通常具有改进的能力。
在提示词(Prompt)文件和智能体(Agent)中固定模型。 确保为特定任务一致地使用正确模型。
实验和比较。 对于相同提示词(Prompt)，不同模型可能产生截然不同的结果。
调整思考强度。 对复杂任务提高推理强度，对简单任务降低。
使用 BYOK。 携带自己的 API 密钥获得更多模型选择。

先规划，再实施

对于跨多个文件的复杂变更，将规划与实施分开：

探索。 使用 Ask 模式读取相关代码，了解其工作方式。
规划。 使用 Plan 智能体(Agent)创建结构化实施计划，审查并完善。
实施。 切换到智能体(Agent)模式，按计划实施，包含测试或预期输出。对于较长的任务，移交给后台或云端智能体(Cloud Agent)。
审查。 使用检查点审查进度，或请求 Copilot 代码审查。

审查和验证 AI 输出

AI 生成的代码可能包含 Bug、安全问题或微妙的逻辑错误：

接受前先审查。 注意边界情况、错误处理和 AI 可能做出的假设。
AI 变更后运行测试。 在提示词(Prompt)中包含测试用例，让 AI 可以验证自己的工作。
使用检查点回滚。 如果智能体(Agent)偏离轨道，回滚到已知良好状态。
检查安全问题。 审查常见漏洞，避免在提示词(Prompt)中粘贴凭据或敏感数据。

管理上下文和会话

对不相关的任务开始新会话。 上下文污染会降低响应质量。
删除不相关的历史。 或开始全新的会话。
压缩上下文。 使用 /compact 有选择地压缩上下文，只保留最相关的信息。
使用子智能体(Agent)进行调查。 让 AI 使用子智能体(Agent)隔离地执行研究，不干扰主要上下文。
通过并行会话扩展。 为独立任务并行运行多个会话，节省时间并保持上下文分离。

使用大型代码库

使用工作区索引。 VS Code 使用语义搜索、语言智能和 GitHub 代码搜索自动索引项目。对于大型仓库，使用远程索引获得快速、全面的结果。
使用多根工作区限定工作范围。 为 AI 提供清晰的边界和专注的上下文。
提供项目级别的说明。 描述架构、模块边界和约定，给 AI 提供架构级别变更所需的上下文。