跳至主要内容

16 篇文章 含有標籤「CI/CD」

檢視所有標籤

TechSummary 2025-10-15

· 閱讀時間約 10 分鐘
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 2025-10-13

· 閱讀時間約 8 分鐘
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
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
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 2025-10-06

· 閱讀時間約 22 分鐘
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 2025-09-09

· 閱讀時間約 11 分鐘
Gemini
AI Assistant

🔗 如何使用 GitHub 與 JFrog 整合實現從提交到生產的安全可追溯建構​

Source: https://github.blog/enterprise-software/devsecops/how-to-use-the-github-and-jfrog-integration-for-secure-traceable-builds-from-commit-to-production/

  • GitHub 與 JFrog 推出新的整合,旨在建立安全、可追溯的軟體供應鏈,將原始程式碼與經認證的二進位檔案連結。
  • 此整合解決了開發者面臨的痛點,例如在建構離開 GitHub 後失去可追溯性、手動協調多個安全掃描結果,以及 CI/CD 流程缺乏無縫整合。
  • 核心功能包括:統一安全掃描(基於 JFrog 的生產情境優先處理 Dependabot 警報)、基於策略發佈和推廣 Artifacts、自動將 GitHub 生成的所有證明(Provenance、SBOM 等)匯入 JFrog Evidence 並與建構 Artifact 關聯。
  • 工作流程如下:推送程式碼至 GitHub -> 使用 GitHub Actions 進行建構與測試 -> 連結提交、建構與 Artifacts 以實現完整生命週期可見性 -> 自動將 Artifacts 發佈到 Artifactory -> 使用 GitHub Advanced Security 掃描程式碼,並使用 JFrog Xray 掃描 Artifacts。
  • 設定步驟:在 JFrog Artifactory 中啟用 GitHub 整合,開啟「Enable GitHub Actions」並驗證 GitHub 組織。
  • GitHub Actions 範例用於生成證明並推送到 Artifactory,其中使用 jfrog/jfrog-setup-cli 和 actions/attest-build-provenance 等 actions。
    name: Build, Test & Attest

    on:
    push:
    branches:
    - main

    env:
    OIDC_PROVIDER_NAME: [...]
    JF_URL: ${{ vars.JF_URL }}
    JF_REGISTRY: ${{ vars.JF_REGISTRY }}
    JF_DOCKER_REPO: [...]
    IMAGE_NAME: [...]
    BUILD_NAME: [...]

    jobs:
    build-test-deploy:
    runs-on: ubuntu-latest
    permissions:
    contents: read
    packages: write
    attestations: write # Required for attestation
    id-token: write # Added for OIDC token access

    steps:
    - name: Checkout code
    uses: actions/checkout@v5

    - name: Install JFrog CLI
    id: setup-jfrog-cli
    uses: jfrog/setup-jfrog-[email protected]
    env:
    JF_URL: ${{ env.JF_URL }}
    with:
    version: 2.78.8
    oidc-provider-name: ${{ env.OIDC_PROVIDER_NAME }}

    - name: Docker login
    uses: docker/login-action@v3
    with:
    registry: ${{ env.JF_REGISTRY }}
    username: ${{ steps.setup-jfrog-cli.outputs.oidc-user }}
    password: ${{ steps.setup-jfrog-cli.outputs.oidc-token }}

    - name: Set up Docker Buildx
    uses: docker/setup-buildx-action@v3

    - name: Build and push Docker image
    id: build-and-push
    uses: docker/build-push-action@v6
    with:
    context: .
    push: true
    tags: ${{ env.JF_REGISTRY }}/${{ env.IMAGE_NAME }}:${{ github.run_number }}
    build-args: ${{ env.BUILD_ARGS }}

    - name: Attest docker image
    uses: actions/attest-build-provenance@v2
    with:
    subject-name: oci://${{ env.JF_REGISTRY }}/${{ env.IMAGE_NAME }}
    subject-digest: ${{ steps.build-and-push.outputs.digest }}
  • 最佳實踐建議使用 OIDC 避免長時間憑證、自動化 Artifactory 中的推廣流程、早期設定安全閘門以阻止未經證明或存在漏洞的建構進入生產,並利用 JFrog Evidence 中的 Provenance 證明實現即時追溯。

TechSummary 2025-08-27

· 閱讀時間約 45 分鐘
Gemini
AI Assistant

🚀 GitHub Copilot 網頁版:為進階使用者打造的強大指南​

Source: https://github.blog/ai-and-ml/github-copilot/how-to-use-github-copilot-on-github-com-a-power-users-guide/

  • 擴展 Copilot 用途:GitHub Copilot 不再僅限於 IDE 中的自動完成和程式碼建議,它在 github.com 上提供了全新的功能,專注於專案管理、團隊協調和快速原型開發。無需安裝擴充功能或進行設定,直接前往 github.com/copilot 即可開始使用。
  • 從截圖建立 Issue:使用者可以將錯誤截圖拖曳到 Copilot 聊天介面,並透過自然語言提示(例如 Create a new issue using the 'bug' label. Use this screenshot and describe the overlapping arrow icon. Apply the UI issue template from this repo.),讓 Copilot 自動生成帶有標籤和範本的 Issue 標題和描述。
  • 專案中心快速操作:在 github.com/copilot,您可以:
    • 跨多個 GitHub 儲存庫與 Copilot 聊天。
    • 建立和管理 Issue 與 Pull Request。
    • 啟動 GitHub Spark 進行程式碼片段或元件原型設計。
    • 指派 Copilot AI 代理執行自主任務。
    • 在對話中切換不同的 AI 模型。
  • AI 代理自動處理例行工作:一旦 Issue 建立,可以指派 Copilot 編碼代理(例如 Assign yourself to this issue and draft a fix.)分析程式碼庫、識別根本原因並提交草稿 Pull Request。適用於例行性錯誤修復、文件更新和依賴升級。
  • 使用 Spark 進行即時原型開發:利用 GitHub Spark 快速搭建工作程式碼,預覽並互動輸出,然後透過連結與協作者分享。
    • 範例提示:Create a feature comparison table for an API pricing page. Show Free, Pro, and Enterprise tiers with checkmarks for features.
  • 選擇最佳 AI 模型:GitHub Copilot 允許使用者切換不同的 AI 模型以適應特定任務:
    • GPT-4.1:通用編碼和推理。
    • Claude Sonnet 4:結構化寫作、重構、上下文密集型任務。
    • Opus 4:創造力、邊緣案例、提供替代觀點。
  • 對話分支導航:Copilot 將同一訊息的多個回應(特別是切換模型後)分組,形成類似於 Git 分支的獨立對話串,便於比較不同的方法。
  • 整合網頁與 IDE 工作流:網頁版 Copilot 處理協調和探索性工作,而 IDE 處理詳細實作。兩者結合可覆蓋完整的開發工作流程。

TechSummary 2025-08-26

· 閱讀時間約 15 分鐘
Gemini
AI Assistant

🤔 重新發掘學習的樂趣:Jason Lengstorf 談開發現況​

Source: https://github.blog/developer-skills/career-growth/rediscovering-joy-in-learning-jason-lengstorf-on-the-state-of-development/

  • 文章探討了開發者對學習新技術的焦慮感,Jason Lengstorf (CodeTV 創始人) 認為學習應該是基於樂趣而非害怕被淘汰。
  • AI 作為能力乘數而非取代者:AI 能顯著提升熟練開發者的速度,並加速初學者的學習過程。但若缺乏學習意願,AI 反而會製造更大的問題。
  • 開源維護者的重要性:文中強調了 SQLite 和 Zod 等關鍵開源專案依賴少數維護者,呼籲開發者社群應支持其使用的「負載承載型」開源專案,例如透過 GitHub Sponsors。
  • 未來網頁創新的趨勢:JavaScript 生態系目前處於停滯期,而 CSS 則蓬勃發展。Jason 預測 AI 將改變 UX 基礎,使其更具對話性,並結合本地 AI 模型和標準化協議(如 MCP),為獨立開發者帶來類似早期 JavaScript 框架時代的機會。

TechSummary 2025-08-18

· 閱讀時間約 17 分鐘
Gemini
AI Assistant

🚀 Git 2.51 更新亮點​

Source: https://github.blog/open-source/git/highlights-from-git-2-51/

  • 無碎片的 Multi-Pack Indexes (MIDXs):
    • Git 2.51 引入新的打包行為,允許將無法到達的物件(“cruft pack” 中的物件)儲存在 MIDX 之外,解決了先前將它們排除在 MIDX 之外的困難。
    • 透過 repack.MIDXMustContainCruft 配置選項,可使非碎片套件集在可達性上是封閉的。
    • 這項改進在 GitHub 內部應用中,顯著縮小了 MIDXs 檔案大小(約 38%),寫入速度提升(35%),整體儲存庫讀取性能提高(約 5%)。
  • Path Walk 實現更小尺寸的 Packfiles:
    • Git 2.49 引入了 "name-hash v2" 以改進物件的 Delta 壓縮。
    • Git 2.51 更進一步,引入了新的「path walk」物件收集方式,在打包時一次性處理來自相同路徑的所有物件。
    • 這種方法避免了名稱哈希啟發式,並可在已知位於相同路徑的物件組內尋找 Delta,從而產生通常更小尺寸的 Packfiles。可透過 --path-walk 命令列選項試用。
  • Stash 交換格式:
    • 過去 Git Stash 內部透過創建三個提交來儲存狀態,且 refs/stash 只儲存一個 Stash 項目,導致跨機器遷移困難。
    • Git 2.51 引入了新的 Stash 內部表示形式,允許將多個 Stash 項目表示為一系列提交,類似於普通的提交日誌,新的 Stash 提交包含四個父級。
    • 新版本新增了 git stash export --to-ref 和 git stash import 子命令,使得 Stash 內容可以像普通分支或標籤一樣進行匯出、推送和拉取,實現跨機器遷移。
    # 在一台機器上
    git stash export --to-ref refs/stashes/my-stash
    git push origin refs/stashes/my-stash

    # 在另一台機器上
    git fetch origin '+refs/stashes/*:refs/stashes/*'
    git stash import refs/stashes/my-stash
  • git cat-file 改進:
    • git cat-file 是用於列印物件原始內容的專用工具。
    • 在 Git 2.51 之前,查詢子模組路徑會顯示 missing。
    • Git 2.51 改善了此輸出,使其在指令碼場景中更有用,現在能正確識別子模組物件 ID 和類型。
    # [ pre-2.51 git ]
    echo HEAD:sha1collisiondetection | git cat-file --batch-check
    # HEAD:sha1collisiondetection missing

    # [ git 2.51 ]
    echo HEAD:sha1collisiondetection | git cat-file --batch-check
    # 855827c583bc30645ba427885caa40c5b81764d2 submodule
  • Bloom Filter 改進:
    • Git 2.51 增加了對使用多個路徑規範項目的支持,例如 git log -- path/to/a path/to/b,這些以前無法利用已更改路徑的 Bloom filter。
  • git switch 和 git restore 不再是實驗性命令:
    • 這兩個命令自 Git 2.23 引入以來,已穩定運行六年,其命令列介面已穩定並向後相容。
  • git whatchanged 命令被棄用:
    • 此命令已被標記為棄用,並計畫在 Git 3.0 中移除,但仍可透過 --i-still-use-this 旗標使用。
  • Git 3.0 的重大變更預告:
    • reftable 後端將成為 Git 3.0 中新建立儲存庫的預設格式。
    • SHA-256 哈希函數將成為 Git 3.0 中初始化新儲存庫的預設哈希函數。
  • Git 內部開發流程更新:
    • 允許在程式碼庫中使用 C99 bool 關鍵字。
    • 修訂了貢獻補丁的準則,允許貢獻者使用其合法姓名以外的身份提交補丁,與 Linux 核心的方法更接近。

TechSummary 2025-08-14

· 閱讀時間約 22 分鐘
Gemini
AI Assistant

GPT-5 在 GitHub Copilot:我如何在 60 秒內建構一款遊戲 🚀​

Source: https://github.blog/ai-and-ml/generative-ai/gpt-5-in-github-copilot-how-i-built-a-game-in-60-seconds/

  • GPT-5 現已整合至 GitHub Copilot,可在 VS Code 的 ask、edit 及 agent 模式中使用,顯著提升開發流程中的推理能力與回應速度。
  • 啟用方式簡單,僅需在 Copilot 介面中開啟模型選擇器並選取 GPT-5 即可。企業用戶需經管理員啟用。
  • 透過「規範驅動開發」(spec-driven development) 方法,首先讓 GPT-5 生成產品需求(如 MVP 功能、資料模型),再以「Build this」簡潔提示,GPT-5 即可在 60 秒內自動生成可運行的 Magic Tiles 遊戲原型(HTML、CSS、JavaScript)。
  • GitHub Model Context Protocol (MCP) server 是一個標準,能讓 AI 助手與外部工具(如 GitHub 儲存庫、Gmail、SQL 伺服器)互動,將 LLM 從隔離環境轉變為強大的自動化引擎。
  • 設定 GitHub MCP 伺服器僅需不到 5 分鐘,透過在工作空間根目錄建立 .vscode/mcp.json 配置檔並進行 GitHub OAuth 驗證即可。
  • 實際應用範例包含透過自然語言創建 GitHub 儲存庫及批量建立議題,大幅減少上下文切換,提高開發效率。
  • 這個工作流程的優勢在於 GPT-5 的處理速度、上下文保留能力,以及將自然語言作為開發介面,同時保持「人機協同」的控制。