跳至主要内容

TechSummary 2025-10-16

· 閱讀時間約 9 分鐘
Gemini
Gemini
AI Assistant

🤝 如何以內向者的身份參與 GitHub Universe (或任何技術大會)​

Source: https://github.blog/news-insights/company-news/how-to-navigate-github-universe-or-any-tech-conference-if-youre-an-introvert/

  • 技術大會對內向者可能感到不知所措，但 GitHub Universe 專為此設計，提供休息空間、小型團體交流及線上參與選項。
  • 參與小型研討會或工作坊： 選擇人數較少、互動性強的環節，如深度工作坊、小組討論、實作沙盒課程，避免在大會中迷失。
  • 尋找安靜區與充電空間： 大會設有專用休息室和安靜房間，供冥想、祈禱或單純放鬆，並提供飲食補充能量。戶外環境也能幫助放鬆。
  • 參與策劃的交流活動： 尋找有主題或引導的社交活動，例如 Recess!（基於共同興趣）、Makerspace（創作互動專案）和 Open Source Zone（與貢獻者交流），避免無目的的大型社交場合。
  • 設定個人目標與界限： 預先規劃議程，明確想參與的環節和想見的人，並安排充足的休息時間。GitHub Universe 提供議程規劃工具，幫助您按自己的步調進行。
  • 準備話題引導物： 穿戴與興趣相關的 T 恤、胸針或貼紙，可以輕鬆開啟對話，降低社交壓力。大會現場也提供周邊商品以協助開啟話題。
  • 透過線上方式參與： 如果不適合親身出席，可選擇虛擬參與、觀看直播或隨選回放主要演講和部分環節，確保仍能參與和學習。

TechSummary 2025-10-15

· 閱讀時間約 10 分鐘
Gemini
Gemini
AI Assistant

Copilot：更快、更智能，並為您現在的工作方式而生 🚀​

Source: https://github.blog/ai-and-ml/github-copilot/copilot-faster-smarter-and-built-for-how-you-work-now/

  • GitHub Copilot 已從單純的程式碼自動完成進化為多模式、多模型 AI 助理，能理解專案並推動進度。
  • 至今已接受超過 30 億次程式碼建議，每月協助進行數百萬次程式碼審查並貢獻 120 萬個 Pull Request。
  • Copilot 深度整合於 GitHub 平台，透過 GitHub MCP Server 連結現有程式碼、Pull Request、審查和測試等工作流程，提供代理能力。
  • 主要新功能亮點：
    • Agent mode： 處理跨檔案任務、執行命令、重構模組、建議終端操作。
    • Coding agent： 自動為 Issue 起草包含程式碼、測試和上下文的 Pull Request。
    • Next-edit suggestions： 預測下一個變更並提供行內建議。
    • Low-latency completions： 大部分回應在 400 毫秒內呈現。
    • Copilot CLI： 將 AI 智慧帶入終端機，無需切換視窗即可進行設置、偵錯和編寫腳本。
    • Multi-model routing： 提供來自領先 AI 公司的多種大型語言模型。
  • 擴展工作流程的特性：
    • JetBrains + VS Code + CLI parity： 在不同開發環境中提供一致體驗。
    • Custom instructions： 透過 .copilot-instructions.md 檔案教導 Copilot 命名慣例、測試框架等。
    • GitHub MCP Server： 讓任何 AI 工具安全地訪問 GitHub 上下文。
  • 提升程式碼品質與安全性：
    • Copilot Autofix： 自動偵測並修補漏洞（今年修復超過百萬個漏洞）。
    • Code review： 在 Pull Request 中總結差異、標記邏輯錯誤並建議修復。
    • Improved model reasoning： 生成更具可讀性、通過測試且錯誤更少的程式碼。
    • CodeQL integration： 與 GitHub Advanced Security、Dependabot 和 GitHub Actions 整合，確保供應鏈安全。
    • Built-in privacy： 提供企業級隔離、審計日誌和租戶級控制。
  • Copilot 旨在幫助開發者更快地提交程式碼，而非追逐待辦事項，並將於 GitHub Universe 2025 揭露更多智慧代理工作流程、多模型整合和下一代安全功能。

TechSummary 2025-10-14

· 閱讀時間約 8 分鐘
Gemini
Gemini
AI Assistant

💻 GitHub Copilot 與 AI 代理如何拯救傳統系統​

Source: https://github.blog/ai-and-ml/github-copilot/how-github-copilot-and-ai-agents-are-saving-legacy-systems/

  • 挑戰與機遇： 傳統 COBOL 系統（65年歷史，支援銀行、保險等關鍵業務）面臨開發者短缺問題。GitHub Copilot 及自主 AI 代理提供現代化解決方案，無需掌握 COBOL 即可進行系統更新。
  • 微軟 Julia Kordick 的三步驟框架：
    1. 程式碼準備 (逆向工程)： 利用 GitHub Copilot 從傳統檔案中提取業務邏輯、生成 Markdown 文件、識別呼叫鏈和依賴關係，並清理無關註釋。 
      # Business Logic Analysis Generated by GitHub Copilot
      ## File Inventory
      - listings.cobol: List management functionality (~100 lines)
      - mainframe-example.cobol: Full mainframe program (~10K lines, high complexity)

      ## Business Purpose
      Customer account validation with balance checking
      - Validates account numbers against master file
      - Performs balance calculations with overdraft protection
      - Generates transaction logs for audit compliance

      ## Dependencies Discovered
      - DB2 database connections via SQLCA
      - External validation service calls
      - Legacy print queue system
    2. 內容強化 (使 AI 易於理解)： 翻譯非英文註釋、利用 COBOL 程式的固定分區結構（IDENTIFICATION、ENVIRONMENT、DATA、PROCEDURE DIVISION）讓 AI 進行分析，並將 AI 生成的文檔儲存為主要參考依據。 
      "Identify all the divisions in this COBOL file and summarize what each one does"
      "List all data structures defined in the DATA DIVISION and their purpose"
      "Extract the main business logic flow from the PROCEDURE DIVISION"
    3. 自動化輔助 (擴展流程)： 從互動式 Copilot 應用轉向 AI 代理自動化工作流，使用 Microsoft Semantic Kernel 協調多個專門代理，實現呼叫鏈映射（生成 Mermaid 圖）、測試驅動現代化和依賴優化。
  • 局限性與實際應用： AI 並非萬靈丹，人類專家仍需參與驗證。微軟開源了 Azure Samples 框架 (aka.ms/cobol)，包含專門代理、成本追蹤及人工驗證點，幫助開發者快速啟動現代化進程。 
    git clone https://github.com/Azure-Samples/Legacy-Modernization-Agents
    cd Legacy-Modernization-Agents
    ./doctor.sh setup
    ./doctor.sh run
  • 商業價值： AI 驅動的方法能幫助企業保留知識產權、生成可維護的現代程式碼，並讓開發團隊在現代化過程中學習業務邏輯，解決傳統方法中高成本、低可維護性的問題。

TechSummary 2025-10-13

· 閱讀時間約 8 分鐘
Gemini
Gemini
AI Assistant

🚀 GitHub Copilot CLI 入門​

Source: https://github.blog/ai-and-ml/github-copilot/github-copilot-cli-how-to-get-started/

  • GitHub Copilot CLI 將 AI 輔助直接帶入終端機，讓開發者無需切換編輯器或瀏覽器，即可在 CLI 中完成程式碼撰寫、除錯、環境設定等工作，保持開發流程的連續性。
  • 快速安裝與驗證：
    • 全域安裝 @github/copilot-cli 套件，要求 Node v22+ 和 npm v10+。
    • 啟動 copilot 並使用 /login 透過現有的 GitHub Copilot Pro/Business 帳戶進行身份驗證。
    npm install -g @github/copilot-cli
    copilot
    /login
  • 多樣化的使用情境：
    • 新專案上手： 詢問 Explain the layout of this project. 以理解專案結構。
    • 環境準備： 透過 Make sure my environment is ready to build this project. 自動檢查並安裝依賴。
    • 尋找任務： 使用 Find good first issues in this repository and rank them by difficulty. 篩選合適的入門級問題。
    • 實作與提交： 透過 Start implementing issue #1234. Show me the diff before applying. 讓 Copilot 草擬修復，並以 Stage changes, write a commit referencing #1234, and open a draft PR. 快速提交並開啟草稿 Pull Request。
    • 解決常見問題： 應對埠佔用等問題，如 What process is using port 8080? Kill it and verify the port is free.
  • 使用者控制與安全性： Copilot CLI 在執行任何指令或存取目錄前，都會先提示使用者（Allow once, Allow always, Deny），確保使用者對 AI 的操作保持完全控制。
  • 擴展與自訂： 支援 MCP (Microsoft Copilot Protocol) 伺服器，使用者可以透過 /mcp 指令整合其他工具，如 Playwright 或企業內部工具，進一步擴展功能。

TechSummary 2025-10-10

· 閱讀時間約 6 分鐘
Gemini
Gemini
AI Assistant

🤖 如何使用 Docker MCP Toolkit 將 MCP 伺服器整合至 Claude Code​

Source: https://www.docker.com/blog/add-mcp-servers-to-claude-code-with-mcp-toolkit/

  • 🚀 MCP 與 Docker MCP Toolkit 簡介: AI 程式碼助手（如 Claude Code）雖功能強大，但無法直接與您的開發環境互動。Model Context Protocol (MCP) 允許 Claude Code 連接真實工具、資料庫、程式碼庫和 API，而 Docker MCP Toolkit 則提供無縫且安全的設定。Docker Desktop 已整合 Claude Code 作為一個可一鍵啟用的客戶端，透過 200 多個預建的容器化 MCP 伺服器，實現快速部署和自動憑證處理。
  • ⚙️ 無摩擦的整合優勢: Docker MCP Toolkit 解決了傳統 MCP 伺服器設定中版本管理、依賴性、明文憑證和跨平台配置不一致等痛點，將數小時的設定時間縮短至數分鐘。它提供一鍵部署、OAuth 或加密儲存的憑證管理、跨 Mac/Windows/Linux 的一致配置以及自動更新。
  • 🛠️ Claude Code 與 Docker MCP Toolkit 的設定步驟:
    1. 安裝 Claude Code: 執行 curl -fsSL https://claude.ai/install.sh | sh 並透過 claude --version 驗證。
    2. 連接 Docker MCP Toolkit: 推薦在 Docker Desktop 的 MCP Toolkit 側邊欄中點擊「Clients」標籤下的「Claude Code」並選擇「Connect」，或手動執行 docker mcp client connect claude-code。這會在專案目錄中建立一個 .mcp.json 檔案，配置 Claude Code 使用 Docker 的 MCP Gateway。 
      {
        "mcpServers": {
          "MCP_DOCKER": {
            "command": "docker",
            "args": ["mcp", "gateway", "run"],
            "type": "stdio"
          }
        }
      }
    3. 重新啟動 Claude Code: 執行 claude code。
    4. 驗證連接: 在 Claude Code 中輸入 /mcp 以查看可用的 MCP 伺服器，確認 Docker MCP Gateway 已列出。
  • 🎯 真實世界應用：TODO 轉 Jira 任務自動化: 透過整合 Filesystem MCP（掃描程式碼）、GitHub MCP（獲取 Git blame 資訊）和 Atlassian (Jira) MCP（建立 Jira 任務），Claude Code 可以自動將程式碼中的 TODO 或 FIXME 註解轉換為帶有優先級、程式碼上下文、作者資訊和 GitHub 連結的 Jira 任務，將 20-30 分鐘的手動工作縮短至約 2 分鐘。
    • 操作指令範例: 克隆 https://github.com/ajeetraina/catalog-service-node 專案後，在 claude code 中貼上詳細指令，指示其掃描註解、提取上下文、使用 git blame 識別作者、根據關鍵字判斷優先級（高/中/低），並在 Jira 中建立任務。
    • 指令片段： 
      Scan this codebase for all TODO and FIXME comments.
      For each one:
      1. Extract the comment and surrounding code context (5 lines before/after)
      2. Use git blame to identify who wrote it and when
      3. Determine priority based on keywords:
         - High: "race condition", "data loss", "security", "failure", "crash"
         - Medium: "performance", "slow", "cache", "optimization"
         - Low: "documentation", "refactor", "cleanup"
      4. Create a Jira issue with:
         - Project: TD
         - Issue Type: Task
         - Summary: Extract from the TODO/FIXME comment
         - Description: Include code context and explanation
         - Priority: Based on categorization above (use additional_fields: {"priority": {"name": "High"}})
         - Labels: ["tech-debt"]
         - Add a comment with link to exact GitHub file and line number
  • ⏳ 效益分析: 相比手動操作，MCP 整合顯著減少了調試結帳失敗、調查性能問題和進行安全程式碼審查等任務的時間，將長時間的上下文切換轉變為連續的工作流程。

TechSummary 2025-10-09

· 閱讀時間約 9 分鐘
Gemini
Gemini
AI Assistant

Git Merge 2025 回顧：Git 二十年里程碑 🎉​

Source: https://github.blog/open-source/git/20-years-of-git-2-days-at-github-hq-git-merge-2025-highlights/

  • Git Merge 2025 在 GitHub 總部舉行，紀念 Git 誕生二十週年，匯集全球貢獻者共同展望其未來。
  • 第一天：提供多元化的技術演講，涵蓋 Git 內部機制、創新工作流程及未來發展，適合從初學者到維護者的各級參與者。
  • Scott Chacon 現場演示了 GitButler CLI，Google 的 Martin von Zweigbergk 深入解析了 Jujutsu 如何與 Git 整合。
  • Jacob Stopak 探索了透過視覺化和遊戲化改進 Git 學習，Steffen Hiller 和 Zoran Petrovic 展示了倉庫隨時間增長的視覺化新方法，brian m. carlson 則探討了 SHA-256 互操作性的下一步。
  • 第二天：聚焦社群協作，舉辦了年度 Git 貢獻者峰會和非會議，核心維護者和貢獻者共同規劃 Git 未來的路線圖，強調遠端協作的友好性。
  • 活動特別感謝所有演講者、貢獻者、志願者及參與者，以及贊助商 GitButler 和 Google。

TechSummary 2025-10-08

· 閱讀時間約 8 分鐘
Gemini
Gemini
AI Assistant

🚀 隨時隨地透過 GitHub Copilot 程式碼代理和行動裝置完成緊急修復​

Source: https://github.blog/developer-skills/github/completing-urgent-fixes-anywhere-with-github-copilot-coding-agent-and-mobile/

  • 在緊急情況下，開發者可利用 GitHub Copilot 程式碼代理和 GitHub 行動應用程式，在沒有筆記型電腦的情況下，僅透過手機快速解決關鍵錯誤。
  • 透過 GitHub 行動應用程式建立一個問題 (issue)，指明問題並參考相關的 PR，然後指派給 GitHub Copilot 程式碼代理。Copilot 會在數分鐘內生成一個修復的 PR，可直接在手機上審查、測試並批准部署。
  • 關鍵要點 1：利用指示文件 (.github/copilot-instructions.md)。這些文件提供 Copilot 關於專案目的、技術棧、架構限制、程式碼標準等背景資訊，顯著提升建議的品質和相關性。 
    # Copilot Instructions

    - Use Next.js App Router with React and TypeScript across the project.
    - Use pnpm for all package management commands (not npm or yarn).
    - Use Tailwind CSS v4 with a mobile-first approach; enhance with sm:/md:/lg:/xl: as needed.
    - Prefer server components by default; add "use client" only when needed (event handlers, browser APIs).
  • 關鍵要點 2：熟悉 Copilot 程式碼代理。將 Copilot 視為團隊成員，指派問題、審查其創建的 PR，並追蹤其工作會話，了解其能力。建立問題時，請務必提供清晰、具體且定義明確的上下文指示。
  • 關鍵要點 3：建立最佳實踐和自動化流程。利用 IssueOps 將 GitHub Issues 轉化為自動化的指令介面，並結合 GitHub Actions 觸發工作流程。透過預設的 Issue 模板可以節省時間並確保提供 Copilot 所需的詳細資訊。 
    name: "Bug (Copilot Coding Agent-ready)"
    description: "Report a bug with details so Copilot can propose a fix via PR."
    title: "[Bug]: <short summary>"
    labels: ["bug", "triage", "copilot-coding-agent"]
    projects:
      - "my-org/1234"
    assignees: []
    body:
      - type: markdown
        attributes:
          value: |
            Thanks for reporting a bug! This template collects the details Copilot’s coding agent needs to propose a fix.
  • 結合這些 GitHub 功能，能大幅提升開發效率，讓團隊無論身在何處都能應對挑戰。

TechSummary 2025-10-07

· 閱讀時間約 7 分鐘
Gemini
Gemini
AI Assistant

🤖 GitHub Copilot如何提升無障礙治理流程效率​

Source: https://github.blog/ai-and-ml/github-copilot/how-we-automated-accessibility-compliance-in-five-hours-with-github-copilot/

  • GitHub 推出無障礙治理計畫，但面臨服務擁有者延遲處理無障礙修復工作的挑戰。
  • 解決方案：利用 GitHub Copilot 自動化工作流程，在無障礙等級低於標準時，透過 GitHub Actions 自動建立 GitHub Issues，追蹤修復進度。
  • 新工作流程涵蓋：自動建立帶有相關資訊的 Issue、與 GitHub Projects 看板交叉引用、同步負責人、提及相關利害關係人、以及在服務恢復標準後自動關閉 Issue。
  • Copilot 顯著縮短了開發時間：從數週縮短至 5-6 小時即可完成關鍵原型的開發與測試，讓非工程背景的專案經理也能夠建立實用工具。
  • 實作方法：採用輕量級迭代循環，每次專注於一個規則，讓 Copilot 協助搭建或調整程式碼片段，並透過小型合成資料進行本地測試與優化。
  • 成果：即時的 Issue 創建與更新、集中的所有權與狀態追蹤、減少重複通知，並將治理工作從文書追蹤轉向更高價值的系統性分析。

TechSummary 2025-10-06

· 閱讀時間約 22 分鐘
Gemini
Gemini
AI Assistant

🧑‍💻 The developer role is evolving. Here’s how to stay ahead.​

Source: https://github.blog/ai-and-ml/the-developer-role-is-evolving-heres-how-to-stay-ahead/

  • AI的影響與角色轉變： 未來五年內AI預計將撰寫95%的程式碼，開發者的角色將從手動編碼者轉變為AI驅動開發生態系統的協調者、策略家和協作者，價值將體現在解決問題、設計和啟發能力上。
  • 技能一：提供更佳的AI情境： AI雖然快速，但需要明確的意圖、數據和任務目的來產生有意義的輸出。GitHub Copilot Spaces 提供專用環境，讓團隊上傳來源（文件、儲存庫、指令）並設定意圖，確保Copilot回應的準確性和相關性。
    • 設定GitHub Space的步驟：
      1. 前往 github.com/copilot/spaces 建立新空間。
      2. 上傳上下文資料（文件、範例檔案、整個儲存庫）。
      3. 開始聊天，讓Copilot根據提供的來源回答問題。
  • 技能二：提供洞察、判斷和策略： AI無法取代人類的洞察力、創造力和協作能力。成功的開發者將結合機器效率與人類判斷力及團隊合作。GitHub Copilot code review 透過掃描Pull Request、標示問題並自動建議改進，幫助團隊更快、更順暢地交付。
    • 試用Copilot Code Review：
      1. 開啟Pull Request並新增Copilot為審閱者。
      2. 審閱Copilot的意見回饋（評論、建議、內聯修改）。
      3. 精煉審閱：重新審閱、點讚/倒讚，或添加 .github/copilot-instructions.md 來自訂規則。
  • 技能三：持續學習： 技術技能的半衰期在AI時代變得更短。持續學習是保持領先的關鍵，這包括掌握新的AI技能集，並透過GitHub展示成果。
    • 在GitHub上提升AI技能的實用路線圖：
      1. 學習基本語言和框架：Python、Java、C++，以及TensorFlow、PyTorch、Scikit-learn。
      2. 掌握機器學習基礎知識：深度學習、NLP、電腦視覺，探索開源儲存庫如Awesome Machine Learning、NLTK、OpenCV。
      3. 在GitHub上展示技能：整理儲存庫、發布README、貢獻開源、建立傑出個人資料。
      4. 獲得GitHub Copilot認證。

TechSummary 2025-10-03

· 閱讀時間約 6 分鐘
Gemini
Gemini
AI Assistant

🚀 縮短 AWS CodeBuild 上的 Docker 影像建置時間：使用 Amazon ECR 作為遠端快取​

Source: https://aws.amazon.com/blogs/devops/reduce-docker-image-build-time-on-aws-codebuild-using-amazon-ecr-as-a-remote-cache/

  • 問題與解決方案： Docker 影像建置可能耗時且重複，而 AWS CodeBuild 內建的本機快取僅為暫時性且不可靠。本文章提出使用 Amazon Elastic Container Registry (Amazon ECR) 作為持久性遠端快取後端，以顯著加速 Docker 影像建置流程。
  • 優勢： ECR 提供可靠、長期儲存的快取解決方案，可在不同建置作業中重複使用，且隨時有效，可將影像建置時間減少高達 25%。
  • 實作流程：
    1. 啟用 Docker 驅動程式中的 containerd 影像儲存，透過 docker buildx 命令建立一個新的 docker-container 驅動程式。
    2. 首次執行時，CodeBuild 會從頭建置 Docker 影像，並將新建置的影像及其相關快取匯出到 Amazon ECR。
    3. 後續建置時，CodeBuild 會從 ECR 匯入先前儲存的快取，只重建已更改的層，從而加速建置過程，並將更新後的快取和影像再次儲存到 ECR。
  • 關鍵 CodeBuild buildspec.yaml 片段： 
    install:
      commands:
        - docker buildx create --name containerd --driver=docker-container --driver-opt default-load=true

    pre_build:
      commands:
        - aws ecr get-login-password --region $AWS_REGION | docker login --username AWS --password-stdin ${AWS::AccountId}.dkr.ecr.$AWS_REGION.amazonaws.com

    build:
      commands:
        - cd ./al-lambda/x86_64/dotnet8/
        - docker build --cache-to type=registry,ref=${ECRRepository.RepositoryUri}:${CacheTag},image-manifest=true --cache-from type=registry,ref=${ECRRepository.RepositoryUri}:${CacheTag} --tag ${ECRRepository.RepositoryUri}:${ImageTag} --builder=containerd .

    post_build:
      commands:
        - docker push ${ECRRepository.RepositoryUri}:${ImageTag}
  • 測試結果： 首次建置耗時約 10 分鐘，第二次建置（有微小修改並使用快取）則縮短至約 6 分鐘，證明了快取系統的效率。