主要观点总结
本文介绍了微软高级云技术布道师卢建晖在「极客说」专栏中分享的内容，主要关于利用GitHub Copilot提升开发者编程效率，通过不同的Chat Participant实现AI赋能。文章还介绍了结合LLM使用Multi-Agents完成更复杂工作的可能性，以及围绕Python Flask项目创建构建自定义的Visual Studio Code Chat participant的示例。此外，文章还涉及模型选择、Multi-Agent编排、整体架构等方面的内容。
关键观点总结
关键观点1: GitHub Copilot可提升开发者编程效率
通过GitHub Copilot，开发者可以利用AI辅助编程，提高编程效率。通过不同的Chat Participant，开发者可以在不同场景下获得AI的支持，如创建项目、维护项目代码、生成测试环境等。
关键观点2: 结合LLM使用Multi-Agents完成复杂工作
借助生成式AI和LLM的能力，开发者可以根据需求快速完成代码生成工作，不仅能搭建框架，还能完成逻辑代码的生成。
关键观点3: Visual Studio Code Chat Extension用于创建自定义Chat Participant
开发者可以通过Visual Studio Code Chat Extension创建自定义的Chat Participant，通过定义指令如/help和/proj来应对不同的开发场景。
正文
「极客说」 是一档专注 AI 时代开发者分享的专栏，我们邀请来自微软以及技术社区专家，带来最前沿的技术干货与实践经验。在这里，您将看到深度教程、最佳实践和创新解决方案。关注「极客说」，与行业顶尖专家一起探索科技的无限可能！投稿请联系：17278094563（微信号）
利用 GitHub Copilot 可以让 AI 提升开发者的编程效率， 通过不同的 Chat Participant 更可以让开发者完成不同场景的 AI 赋能，如 @workspace 不仅可以创建简单项目和 Notebook，更可以帮你维护项目代码，以及生成测试环境等。你可以通过在 GitHub Copilot Chat 中输入 /help 以了解系统自带的 Chat Participant。当然你也可以自定义属于自己工作流上的各种 Chat Participant。现在自定义 Chat Participant，可以基于 Visual Studio Code Chat Extension 进行创建，也可以直接创建 Copilot Extensions 用以支持更多的 IDE 应用。
在
上
篇文章
中，大家可以看到如何通过 Semantic Kernel 去编排 Multi-Agents。结合 LLM 的能力，我们可以使用 Multi-Agents 完成更复杂的工作，例如在软件工程中的支撑。过去，我们借助简单的框架使用 IDE 创建项目，再一步步根据需求进行不同的代码编写。有了生成式 AI 的加持后，我们或许可以结合 LLM，根据需求快速完成代码生成工作，不仅能搭建框架，还能够完成逻辑代码的生成。
利用 Azure AI Agent Service 提供的各种 DevOps 环境中的 Agent，可以应对不同的工作流来完成 Multi-Agents 编排。如创建项目，我们需要两个 Agent 配合我们的工作，一个读取需求并生成代码的 Agent，一个保存代码的 Agent。结合 Semantic Kernel 的能力，我们可以快速地完成项目创建工作。接下来让我们围绕 Python Flask 项目创建的场景来构建一个自定义的 Visual Studio Code Chat participant。
为了按特定步骤解读需求并生成代码，我们需要一个具备强大推理能力的模型。
o1-mini
是非常棒的选择，当然我们也推荐你尝试
Phi-4
。至于代码保存功能，我们可用
gpt-4o-mini
来实现。
使用 Azure AI Inference SDK 调用 GitHub Models 的
o1-mini
来创建代码生成 Agent，利用 Azure AI Foundry SDK 创建基于 Azure AI Agent Service 的代码保存 Agent。使用 Semantic Kernel 进行 Muliti-Agent 编排，按下图所示与 Plugin 进行绑定，并在 GroupChat 中设置 Agent 交互模式。
.NET Aspire 是非常好的分布式应用框架，我们使用 .NET Aspire 来管理我们的 Agent 服务。通过集成 .NET + Semantic Kernel，我们可以非常便捷地创建 Chat Participant 自定义接口服务。可以看到，Chat Participant 可用于应对不同的开发场景，不同的 AI Agents 也可以很好地完成相关定义。必须要说的是，在 LLM / SLM 时代，我们需要更灵活地适配工作流，Semantic Kernel / AutoGen 都具备 AI Agent 的编排能力。
至于 Visual Studio Code Chat Extension，我们定义两个指令
/help
以及
/proj，
来分别定义自我介绍以及项目创建的工作。
查看完整代码
https://github.com/kinfey/MultiAIAgent/tree/main/ghext
-
了解 Azure AI Agent Service
https://learn.microsoft.com/en-us/azure/ai-services/agents/
-
学习 Microsoft AutoGen
https://microsoft.github.io/autogen/dev/
-
学习 Microsoft Semantic Kernel
https://github.com/microsoft/semantic-kernel
-
学习 Visual Studio Code Chat extensions
https://code.visualstudio.com/api/extension-guides/chat
-
免费开启 Visual Studio Code GitHub Copilot
https://aka.ms/CopilotFree_R
