微软Visual Studio Code(VS Code)团队发布了1.103版本,引入了包括GitHub Copilot聊天检查点在内的新功能。
当开发者意识到最近几次AI聊天交互的结果出现问题时,"恢复检查点"选项将把聊天和工作区都回退到创建检查点时的状态。还提供了"重做"选项以应对进一步的想法变更。该功能目前处于预览状态。
文档显示,检查点会在"聊天交互的关键时刻"自动创建,这些时刻似乎与聊天请求保持一致。相关功能还会显示每个聊天请求结束时修改了哪些文件。
聊天检查点只是众多AI相关更新中的一项,其他功能包括为MCP(模型上下文协议)服务器重新设计的工具选择器、支持OpenAI GPT-5,以及移除单次聊天请求中128个MCP工具限制的解决方案。智能体模式还新增了实验性任务列表功能,Copilot可以自主执行高级指令。任务列表现在出现在聊天面板中,并随着每个任务完成而更新。
另一个预览版聊天增强功能是使用KaTeX渲染数学表达式的能力。该功能默认关闭,但可以在设置中启用。
VS Code现在内置AI统计功能(预览版),记录AI插入字符与手动输入字符的百分比。虽然这是一个粗略的衡量标准,但能够提供开发者AI使用程度的某些指示。
仔细阅读发布说明的用户还会发现一些非AI更改,最值得注意的是对Git工作树的支持,这是一个从2019年2月就被请求的功能。Git工作树允许开发者同时检出多个分支。
此版本支持新的TypeScript 5.9版本。TypeScript和JavaScript开发者还获得了新的用户界面,通过IntelliSense在鼠标悬停在符号上时显示类型信息。基本信息默认显示,但可以通过加号符号展开以显示复杂类型的更多详细信息。
VS Code的1.0版本于2016年4月发布,其初衷是构建"感觉像原生应用的基于浏览器的代码编辑器",结合Electron工具包后成为跨平台桌面编辑器和轻量级IDE。
由于良好的设计、易于扩展性和免费提供,VS Code从一开始就很受欢迎。尽管微软开源了产品核心(Code-OSS形式),但仍保留了VS Code发行版和扩展市场的所有权。公司利用它来推广GitHub Copilot,在产品中构建了许多Copilot专用功能,并在月度更新中重点关注这些功能,这可能让不使用Copilot或完全避免AI辅助的开发者感到被忽视。
微软/GitHub Copilot在VS Code中的专注是否降低了其受欢迎程度?根据最新的StackOverflow调查,76.2%的专业开发者使用VS Code,比2024年的74%有所上升,这一数字是排名第二的Visual Studio(29.7%)的两倍多,仅略高于排名第三的IntelliJ IDEA(28.4%)。因此答案似乎是:目前还没有。
不过,StackOverflow调查虽然基于大样本,但只显示了有多少开发者有时使用VS Code,而不是他们主要使用的编辑器。考虑到VS Code很难避免使用,值得注意的是,快速小巧的Rust驱动的Zed首次出现在调查中,占有7.5%的份额,显示了对其他选择的至少一些兴趣。
Q&A
Q1:VS Code聊天检查点功能是什么?
A:VS Code聊天检查点是GitHub Copilot的新功能,当开发者意识到AI聊天交互结果出现问题时,可以使用"恢复检查点"选项将聊天和工作区回退到创建检查点时的状态,还提供重做选项以应对进一步的想法变更。
Q2:VS Code 1.103版本还有哪些AI相关更新?
A:除了聊天检查点,还包括为MCP服务器重新设计的工具选择器、支持OpenAI GPT-5、移除单次聊天请求中128个MCP工具限制的解决方案、智能体模式的实验性任务列表功能,以及使用KaTeX渲染数学表达式的能力。
Q3:VS Code的市场占有率如何?
A:根据最新StackOverflow调查,VS Code被76.2%的专业开发者使用,比2024年的74%有所上升,这一数字是排名第二的Visual Studio(29.7%)的两倍多,显示其在开发者中仍然非常受欢迎。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。