三位 Java Champion 用 GitHub Copilot 的真实工作流：从两天上线一个功能到迁移 900 张幻灯片

GitHub 采访了三位有十年以上 Java 经验的开发者，他们分别讲了用 Copilot 做产品功能、做团队教练、做教学材料迁移的具体做法。共同点不是让 AI 写更多代码，而是先定计划、定约束、定验证方式，再让 AI 执行。

把 Copilot 当新同事，但保留审查权

• Vlad Mihalcea 长期想给 Hypersistence Optimizer 做一个展示性能优化历史的 Web 应用，以前估计要几周，用 Copilot 两天就实现，将随下个版本发布。
• 他在 IntelliJ IDEA 里用 Copilot，方便边看源码边调试，主要用来加速调查和做功能原型。
• 他明确说自己仍然审查 AI 给出的方案和代码，AI 是提效工具不是替代品，遇到不满意的结果要人工介入。

用自定义 skill 让输出像自己写的

• Vlad 做了一个 skill，用自己 65 篇已发表文章训练出个人文风，生成草稿读起来像他的博客而不是通用模型腔。
• 这个 skill 也用于项目文档，让模型沿用他 12 年博客里的一贯原则：表达清晰、可测试、简单。
• 他还做了模仿现有代码习惯的 skill，遵循最小惊讶原则，因为维护时间远多于写新代码的时间。
• 按任务选模型：需要深度思考时用 Opus 的 100 万上下文加 Extra High 或 Max 推理；生成报告、发布说明、核对文档这类简单任务换轻量模型省 token。

900 张幻灯片迁移：先定约束，再谈执行

• Patrick Baumgartner 要把 15 个演示、约 900 张教学幻灯片从 Reveal.js 迁到 Marp，其中含代码、动画和可现场改 JavaScript 的交互示例，手工做要一周以上。
• 他的流程是先分析现有材料、定义目标、写迁移计划、设定约束、给示例、明确哪些必须原样保留，再从大结构改到细节。
• 验证是关键：对两个版本截图做视觉和算法比对，做了一个能并排跑两套幻灯片的工具手动核对动画，还比对了生成的 PDF。
• 整个迁移花了约 8 到 10 小时，内容、教学意图和每处有意义的改动仍由他负责；错别字可以让 AI 自动改，但内容、版本、日期、含义变了必须讨论。
• 他的原则是：委托执行，不委托责任。

从真实用户反馈到上游修复

• 他用 Tamboui 做的终端 UI 应用在 WSL 的 Linux 下正常，但真实用户在 Windows CMD 或 PowerShell 里发现某些表单回车键失效。
• 他用 Copilot 把反馈转成可复现的 UI 测试：Linux 下用 tmux 驱动应用，在协作过程中了解到 psmux，从而能在 PowerShell 里跑类似流程。
• 复现后先在本地修，再追到 Tamboui 上游提交修复并被合并。
• 测试描述膨胀到超出上下文后，他让 Copilot 重新设计测试表示法，改成 step → step → input 的紧凑箭头记法，只在关键处补信息。他的体会是：给 agent 用的信息表示不必对人类最友好，但要保留语义且高效。

做儿童数学 App 时被 AI 纠正了假设

• Patrick 为身边的孩子做一至四年级的加减乘除和带余除法练习应用，不想做成普通刷题工具。
• 他和 Copilot 一起调研间隔重复、即时反馈、自适应难度、动机设计、合作学习和不带暗黑模式的游戏化。
• 调研中 Copilot 挑战了他“做一个通用儿童应用”的初始假设，转向对照真实学校课程，因为主题引入顺序、运算和数字范围差异很大，一上来就做通用版没有必要。

团队教练视角：不制造对 AI 的依赖

• Patrick 的教练方式是在业务照常运转的前提下，和团队一起解决眼前问题，先弄清现状、定义目标和改进的衡量方式，再一步步推进。
• 手段按情况选：TDD、重构、持续交付、XP 等软件工艺实践；Spring Boot、Spring Modulith、Spring Security 的架构与模块化；容器化下的 Java 与 Spring Boot 调优；以及越来越常见的 agentic engineering。
• 他强调和团队共同决策，目标是过一段时间团队不再需要他，最多把他当陪练，而不是形成依赖。