三位 Java Champion 如何用 GitHub Copilot 提升生产力

GitHub 博客与三位 Java Champion 对谈，主题不是 AI 写代码有多快，而是经验丰富的开发者如何把 AI 生成内容变成可靠软件。三人分别是 Hypersistence 创始人、《High-Performance Java Persistence》作者 Vlad Mihalcea，42talents 软件工匠 Patrick Baumgartner，以及 Azul 高级技术写作人员、Foojay.io 维护者 Frank Delporte，均有十年以上 Java 经验。 Vlad Mihalcea 在 IntelliJ IDEA 中使用 GitHub Copilot，用于分析、设计并实现 Hypersistence Utils 与 Hypersistence Optimizer 的功能。他长期想做但一直搁置的 Optimizer 事件历史 Web 应用，原本预计需要数周，借助 Copilot 仅两天完成，将随下一版 Hypersistence Optimizer 发布。他强调仍会审查 AI 生成的计划与代码，AI 是提升生产力而非取代自己。他还基于自己 65 篇已发表文章创建自定义技能，让生成的文本贴近本人博客风格，并用于项目文档；同时按任务类型切换模型，深度思考时用带 100 万上下文窗口的 Opus 与 Extra High 或 Max 推理，生成报告、发布说明等简单任务则用更轻量的模型。 Patrick Baumgartner 的工作以带团队为主，主张在业务照常运行的前提下共同解决眼前问题，再逐步引入 TDD、重构、持续交付、Spring Boot 与 Spring Modulith 等实践，近年越来越多涉及 agentic engineering。他给出三个 Copilot 案例：其一，将 15 份演示、约 900 张含代码、动画和交互示例的教学幻灯片从 Reveal.js 迁移到 Marp，先分析材料、定义目标与约束，再生成两版截图做视觉与算法比对、并排运行验证动画、对比生成的 PDF，全程约 8 至 10 小时，内容与教学意图仍由他负责。其二，用 Tamboui 构建终端 UI 应用时，真实用户在 Windows CMD 或 PowerShell 中遇到 Enter 键失效，他用 Copilot 把反馈转成可复现的 UI 测试，定位并向上游提交修复；当测试描述超出上下文时，Copilot 提出用 step → step → input 的紧凑箭头记法替代冗长表格。其三，为孩子做数学学习应用，Copilot 在调研间隔重复、即时反馈、自适应难度等学习方式时挑战了他“通用应用”的假设，最终先聚焦瑞士课程，支持德、法、意、英四种语言，采用无后端架构，数据留在设备上并托管于 GitHub Pages。 在工作方式上，Baumgartner 表示已几乎不用经典 Copilot 自动补全，转向 agentic 工作流：需要紧密视觉反馈时用 VS Code，较大执行型任务则用终端里的 coding agent。他曾在前往 JavaLand 约四小时的旅途中用手机指挥 agent，抵达时已得到一个可用的 Maven 插件、CI 流水线、针对示例应用的性能测试和可证明优化效果的报告。他也会在确有需要时使用 MCP server，例如 Context7 文档、Logseq 知识库集成，但若有好的 CLI 往往优先用 CLI。他把 agent 视为 sparring partner 而非初级开发者，强调上下文是关键，并建议停止 one-shot prompting。