三位Java Champion分享Copilot实战经验

为什么速度不是全部

AI编码工具确实能快速生成代码，但软件工程中最难的问题——上下文理解、结果验证、可维护性保障——仍然需要开发者亲自把控。为了了解经验丰富的开发者如何在效率与质量之间取得平衡，GitHub采访了三位拥有十余年Java经验的Java Champion，分享他们在生产环境和开源项目中使用GitHub Copilot的真实经验。

Vlad Mihalcea：把数周任务压缩到两天

Vlad Mihalcea是Hypersistence Utils和Hypersistence Optimizer的作者。他分享了一个典型案例：他长期想为Optimizer开发一个Web应用来展示性能优化事件历史，但一直搁置，因为"估计要花好几周"。

使用Copilot后，他形容它像"多了一个新团队成员"，仅用两天就完成了一个原本需要数周的应用，该功能将随Hypersistence Optimizer的下一个版本发布。

他的典型工作流

• 在IntelliJ IDEA中直接使用Copilot，因为它在审查代码和调试时最顺手
• 将Copilot定位为代码助手而非替代者，用于加速调查和验证功能原型
• 始终审阅AI生成的计划和代码——AI的目标是提升他的效率，而不是取代他

自定义Skill让AI"说你的语言"

Vlad创建了自己的Copilot Skill，从65篇已发表文章中提取写作风格，使生成的文档草稿读起来像他本人写的博客，而不是机器生成的文本。这对项目文档生成尤其有用，因为LLM能学习他12年博客积累的原则——表达力、可测试性、简洁性。

他还创建了另一类Skill，帮助AI模仿现有代码实践，遵循最小惊讶原则，这对维护成熟产品至关重要。

模型选择策略

根据操作类型切换模型：

• 深度思考任务：使用Opus + 100万上下文窗口 + Extra High/Max推理
• 简单任务（生成报告、发布说明、验证文档）：使用轻量模型，减少token消耗

Patrick Baumgartner：团队AI转型的务实路径

Patrick Baumgartner的工作涉及团队教练，他的核心理念是：你不能让业务停摆半年去做"转型"。

他的方法论

1. 先解决眼前的具体问题，与团队一起动手
2. 评估团队当前状态，明确目标方向
3. 定义改进指标，建立可衡量的进步标准
4. 逐步推进，而非一次性大改

根据团队实际情况，他可能引入不同的实践：

• 软件工匠实践：TDD、重构、持续交付、XP
• 架构与模块化：Spring Boot、Spring Modulith
• 安全：Spring Security
• 容器化优化：Java和Spring Boot应用
• Agentic Engineering（智能体工程）

他强调，关键在于渐进式采纳，让AI工具融入现有工作流，而不是要求团队推翻重来。

对开发者的实用启示

1. AI是加速器，不是替代者

三位Champion都强调，AI生成的代码必须经过人工审阅。AI负责"第一版"，开发者负责"最终版"。

2. 建立你自己的Skill库

如果你长期维护开源项目或技术博客，可以考虑用Copilot的自定义Skill功能，让AI学习你的代码风格和写作习惯，减少返工。

3. 按任务复杂度选模型

不是所有任务都需要最强模型。简单任务用轻量模型，复杂设计用大模型+高推理——省钱又高效。

4. 团队转型要渐进

不要试图一次性引入所有AI实践。从解决一个具体问题开始，建立信任后再扩展范围。

总结

GitHub Copilot的价值不在于"替你写代码"，而在于缩短从想法到可运行原型的距离。Vlad用两天完成了数周的工作，Patrick用渐进策略帮助团队平稳过渡——两者的共同点是：人始终在回路中，AI是杠杆而非方向盘。