3 位 Java Champions 如何使用 GitHub Copilot 提升生产力
3 位 Java Champions 分享了在生产环境和开源项目中使用 GitHub Copilot 的案例，并强调开发者仍需提供上下文、验证结果并对交付负责。
推荐理由：三位资深 Java 开发者的案例把智能体编程拆成需求澄清、分步执行、验证门槛和人工复核，可迁移到日常工程流程。
#Agent
GitHub Blog · AI & ML精选
GitHub Blog · AI & ML精选 如何在 VS Code 中继续 GitHub Copilot app 会话
GitHub 介绍了如何在 VS Code 中直接继续 GitHub Copilot app 会话，并保留原有对话、代码变更和工作上下文。VS Code 会打开该会话关联的 worktree 和分支，用户可逐行审查差异、继续向 Copilot 提问、手动修改并在本地测试。完成后可提交并推送更新，直接更新会话所关联的 pull request。
推荐理由：教程串联会话上下文、差异审查、同一工作树和拉取请求，呈现从智能体实现到人工验收的完整协作流程。
GitHub Blog · AI & ML精选 GitHub Copilot 入门：如何让 Copilot 理解你的代码库
GitHub 介绍了让 Copilot 理解代码库的四种方式，包括自定义指令、智能体技能、自定义智能体和 MCP 服务器。团队可在 .github/copilot-instructions.md 和 .github/instructions 中定义通用或路径特定规则，在 .github/skills 中封装重复流程，并通过 .github/agents 配置专项智能体。
推荐理由：文章把仓库规则、重复流程、专项任务和外部工具分别映射到四类配置，便于团队按任务范围组合 Copilot 的上下文机制。
GitHub Blog · AI & ML精选 GitHub 引入 ModernBERT 分类器，将推送保护扩展至非结构化密钥
GitHub 与 Microsoft Applied Sciences 开发了新的 ModernBERT 分类器，用代码上下文识别非结构化密钥，批量评估候选密钥耗时不到 2 ms，可使推送保护阻止的密钥数量增加一倍以上。
推荐理由：九个季度的数据将密钥泄露增长归因于代码规模而非单次推送风险上升，并说明自动拦截为何比人工补救更易扩展。
GitHub Blog · AI & ML精选 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，提供公开数据集、排行榜、自助评估工具以及可复现的评估方法。该基准分析了 103.9M 个 GitHub pull request，并选取来自 187 个公开仓库、覆盖 19 种语言的 219 个 pull request；其黄金集经资深工程师独立复核，判断一致率为 96.6%。
推荐理由：ReviewBench公开了数据集、评估规则和运行工具，并用线上实验对照说明离线指标如何辅助代码审查智能体迭代。
GitHub Blog · AI & ML AI 正在改变开发者工作，GitHub 给出三项应强化的技能
GitHub 建议开发者强化三项技能，包括指挥 AI 智能体、审查而非直接接受 AI 的首个答案，以及把节省的实现时间用于解决更大的问题。开发者仍需定义任务、评估生成代码并承担技术决策责任，还可让第二个模型批评第一个模型的方案，以发现遗漏和性能问题。
Berkeley AI Research 教会大语言模型更新信念，实现高效长程交互
ABBEL 框架以自然语言信念状态替代完整交互历史，并通过信念评分监督关键信息保留，提升大语言模型长程交互效率。在 CollabBench 上，ABBEL-rec-BG 将与完整上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值上下文 token 从 14.08×10² 降至 6.01×10²。
Berkeley AI Research精选 Berkeley AI Research 分析近乎免费智能时代的智能体数据系统
Berkeley AI Research 研究者提出，随着 GPT-4 级能力的每百万 token 成本从约 $30 降至 $1 以下，数据系统需要围绕智能体重新设计。文章将研究方向分为服务智能体的数据系统、承载智能体的数据系统和由智能体生成的数据系统，涉及重复查询优化、结构化记忆、多智能体协调以及定制系统的验证与可信性。
推荐理由：文章以推理成本快速下降为背景，将智能体与数据系统的共同演进拆分为服务、承载和生成系统三条研究路径。