（一）Prompt Engineering
- 利用AI工具生成prompt
- 设计好的prompt结构
- 使用MarkDown语法，按Role, Skills, Constrains, Background, Requirements和Demo这几个维度描述需求。然后收输入提示词：作为 [Role], 拥有 [Skills], 严格遵守 [Constrains]，根据[Background]和[Requirements], 参考[Demo]开始工作.
1.Specific Persona 明确Copilot的身份
- 好的例子
1.你是一个Senior的Typescript Developer，非常注重代码质量、抽象度、稳定性和代码执行效率
2.Break Down 任务拆解
- 原则
1.AI最了解AI自己，与AI聊天，合作完成任务的拆解
2.不要试图在一次对话或者一个文件中让AI全部扫描，让它自己做拆分逐个学习和理解，反复提问
3.Specific Requirements with Constrain 明确需求，包括输入输出和实现标准及约束条件
目的明确
确定约束条件
用什么语言或格式输出
可以提供示例
4.Keep the context Relevant保持上下文关联
- 原则
1.让AI逐个理解你的输入，询问它的疑惑点或者询问其是否对项目有了进一步的了解，check它理解的正确性，并考察它几个重要的概念，纠正它的错误理解，并最终让它编写"学习笔记"，形成Knowledge Bases的Local MD文件
2.在具体功能细节上使用注释和函数作用声明
3.在Setttings中声明Instructions，文件内包含了对Copilot的各种规范、规则、和期望
4.由于GitHub Copilot 的Search能力，除了自带的Github Search之外，得基于第三方Participant（比如Bing），所以结合ChatGPT的Search能力帮助其进行竞品分析，这也是一个获取其他相关材料来投喂的一种方式
5.可以主动询问AI一次可以分析多少条case
6.当AI无法分析PDF或DOC等文件时，可以让它提供代码，转化成文本文件，然后作为AI的输入
（二）Reviewing and Redifining Suggestions
- 原则
1.Check and then Accept, check的过程中如果发现AI理解或者建议错误，不要盲目接受，而是直接指出错误的地方，让它重新调整后再给出建议，不断的沟通和要求其调整，直到满意后才Accept
- 好的例子
1.明确告知AI你给的是A，而我想要B，避免机械地重复给我B
2.先对其认知，询问它对需求的理解是什么，问它有什么困惑，并给予逐一回答并再三确认，先给予再要求输出
3.直接重开一个Chat
（三）Efficient Collaboration
- 原则
从Chat到Edit到Inline，是一个从Overview到Detail，从整体到细节的过程，从High Level的讨论 （用Chat），到执行（Edit）, 再到微调（Inline Suggestion）。这个流程下来，自己不用动手写一行代码，全程在指挥（聊天）
- 好的例子
1.GitHub Copilot其实在代码相关的功能方面表现比较有优势，比如代码、命令行、注释、数据库查询生成；API与框架设计；代码解释、Debugging；以及IaC方面的建议生成等。 结合VSCode，可以直接进行文件编辑，比如测试用例编写。
ChatGPT 则能够在代码之外给出更多更详细的建议，有趣的是，我跟ChatGPT了解该如何用好GitHub Copilot，它倒是给出了不少有效的建议。