品鉴 GitHub Universe 2025 大会

10 月底 GitHub Universe 2025 在旧金山开完了，我陆陆续续把感兴趣的 session 看完了，趁现在还有印象，记录一下。

说实话，今年 GitHub 发布的东西很多，信息量密度挺高的，但主线其实很清晰 — 所有事情都在往智能体（Agent）这个方向使劲。不是 AI 辅助写代码，而是 AI 开始自己规划、自己做事、你来审核。

MCP Server 现场演示

GitHub 推出了 GitHub MCP Registry，直接集成在 VS Code 里，开发者只需单击一下，就能发现并启用 Stripe、Figma、Sentry 等 MCP Server。MCP 是让智能体与第三方服务交互的基础标准，赋予它们访问外部实时数据和能力的工具权限。
开发者可以创建拥有专属系统提示与工具集的自定义智能体，精确定义 Copilot 的工作方式。

Vibe Coding 怎么「负责任地」玩

这个标题起得很吸引人。session 想说的是 AI 写代码这件事，不是扔给它然后等结果，而是要有意识地设计你跟 AI 协作的方式。
讲师提出了三个关键维度：Power（选对模型）、Context（给够上下文），以及治理（Governance）。MCP 这类协议就是把这三件事落地的工具。
其中选对模型这个点我觉得特别值得记一下 — 不是模型越大越好。改个变量名、加个注释，用轻量模型完全够用，速度还快、成本还低。非得上最强模型，出了问题也是最大规模的问题。

毕竟新增容易，但是删除的成本是巨大的。

这句话套在 AI 工具的使用上也挺合适的 😄

CVS Health 的工具迁移故事

这是一个"企业案例"类型的 session。
CVS 是美国最大的医疗零售商之一，工程体量很大，他们分享的是如何在一个组织里真正推动工具链的现代化 — 不只是技术问题，更多是人的问题：怎么说服团队、怎么量化收益、怎么在合规要求下一步步引入 Copilot。
感受是：大公司的工程改造，技术反而是最简单的那个环节，难的是怎么让所有人理解「为什么要这么做」。

如果测试能解决问题，存在就是合理的。

推广 AI 工具也是一样。

AI 时代，代码质量怎么管

这个 session 刚好是我最近一直在想的一个问题：AI 帮我们写了更多代码，但这些代码质量谁来负责？
GitHub 发布了 Code Quality 功能（目前开放试用阶段），直接集成在 PR 流程里，能识别技术债务、给出说明，并支持一键 Copilot Autofix。
它结合了 AI 分析和 CodeQL 静态检查，生成仓库级别的质量评分，团队可以自定义规则集来执行编码标准。
“LGTM” 不等于代码健康，这是 session 里反复强调的一句话。说实话这句话以前也是真的，只是 AI 写代码之后这个问题被放大了 — 人工审查本来就跟不上代码产出速度，更何况现在代码量又上去了一个数量级。
有个可量化的质量看板，用数据说话

GitHub Next 聊的 Continuous AI

GitHub 的 R&D 实验室 GitHub Next 的分享，是这几个 session 里最"概念性"的一场。
主讲者探讨了 AI 智能体正在如何重塑软件开发 — 不再是开发者偶尔调用的工具，而是像水电一样持续在后台运转的基础设施。
Continuous AI 这个词挺有意思 — 类比 Continuous Integration，CI 是让测试持续运行，Continuous AI 是让 AI 持续参与整个开发周期。文档更新、依赖检测、代码审查，都可以变成后台自动运转的任务。

Copilot 智能体来帮你还技术债

技术债这个东西，我相信每个工程团队都有，只是多少的问题。这个 session 给出了一个挺实用的思路。
Copilot 编码智能体（Coding Agent）已经正式发布了，能自主起草 PR、修复 Bug、处理技术债务、补测试补文档，与 GitHub 平台及主流 IDE 无缝集成。
核心操作是：在 .github/copilot-instructions.md 里写清楚团队的编码规范，然后开一个 GitHub Issue 描述具体的重构任务，把 Issue 指派给 Copilot，让它跑去干。你要做的就是 Review PR。
这个模式说实话我挺喜欢的——把重复性、规则性强的重构任务外包给 AI，人专注在架构决策和 Review 上。分工还挺合理。

上下文工程：让 Copilot 真正理解你的项目

这个 session 讲的是如何让 Copilot 给出更符合你项目实际情况的建议，核心概念是上下文工程（Context Engineering）。
团队可以通过 AGENTS.md 文件定义智能体的行为边界，执行编码标准并进行版本管理，确保整个团队的 AI 辅助开发保持一致。
实操层面，几个关键文件：copilot-instructions.md 写团队规范，AGENTS.md 定义智能体行为，自定义 Agent 可以给特定任务（测试、文档、安全扫描）创建专属角色。
这让我想起一个道理：你给 AI 的上下文质量，决定了你拿到的输出质量。这和写好一个 Issue 描述其实是同一件事 — Garbage In, Garbage Out。

Copilot 数据怎么变成业务 ROI

这个 session 是给工程 leader 看的，核心问题是：怎么向老板证明 Copilot 值这个钱？
GitHub Copilot 使用指标仪表盘和 API 现已进入开放试用阶段，帮助团队从我们有没有在用 AI的问题，升级到我们 AI 用得有多好的数据分析。
企业仪表盘提供 Copilot 使用情况的聚合视图，涵盖活跃用户数、功能采用率、模型分布与代码贡献量等指标。
代码接受率、开发者参与深度、技术债务变化趋势——这些指标组合在一起，能讲出一个比较完整的故事。
我觉得这个功能对于推广阶段的团队来说挺有价值的。毕竟说"感觉有用"和"数据显示接受率 35%、交付周期缩短 20%" 是两种完全不同的对话。

30 分钟从零构建生产级应用：VS Code + Copilot + Agent Framework

这是技术含量最高、也最"秀"的一场演示。
微软团队在主舞台现场展示了如何仅凭自然语言、编辑器与 AI，在 30 分钟内从一个想法构建出一款云原生生产级应用，全程使用 VS Code、GitHub Copilot 与 Microsoft Agent Framework。
流程大概是：用 Spec Kit 工具把一句话需求扩展成产品规格文档 → 自动生成任务列表 → Copilot 逐任务实现 → 部署上线 → 一个 AI SRE 智能体在后台持续监控，发现问题自动提 PR 修复。
VS Code 的 AI Toolkit 让开发者可以在编写代码的同时直接探索模型并构建智能体，基于 Microsoft Agent Framework 的 Prompt-First 开发模式，让创建和迭代生产就绪的智能体变得更快更直观。
Demo 做得很漂亮，30 分钟的限制本身就是一种表达方式 — 在说这已经不是未来，是现在。
当然，真实项目里有 30 年的历史包袱、有各种奇怪的依赖、有各种奇怪的人，那就是另一个故事了 😎

总结

看完这几个 session 的整体感受是：GitHub 今年真的在押注智能体方向，而且已经不是画大饼了，Agent HQ、MCP Registry、Copilot Coding Agent GA，都是实际能用的东西。

选一两个最贴合你当前痛点的功能试试，比看完所有 session 然后什么都不做要有价值得多。

以上。