微软表示"可靠性是优先考虑的",针对Visual Studio中的AI功能——这一保证可能会让那些已经在忍受Copilot各种问题的开发者们感到意外。
近年来,微软一直在不断地将AI助手塞进这个历史悠久的代码编辑器中,但现在表示:"我们正在将重点转向可靠性和优化。"
遗憾的是,这种关注并没有延伸到处理那些经过几十年演变而变得偶尔笨重和臃肿的工具集。相反,微软专注于"收紧核心工作流程,提高智能体稳定性,并在我们一直在打造的MCP基础上进行构建。"
虽然该公司谨慎地没有承诺交付任何具体功能,但它表示正在努力在上下文增长时保持Copilot的快速响应,启动将Copilot CLI集成到Visual Studio Copilot中的早期工作,并迈出专门用于多步骤任务规划和执行的智能体的初步步骤。
微软还表示将处理Copilot和IntelliSense相互冲突或建议同时出现的场景。"为了解决这些冲突,我们将优先考虑IntelliSense的补全而不是Copilot的建议,因为它更可预测,也是一个备受喜爱的功能。"
IntelliSense首次出现在30年前的Visual Basic 5中,尽管代码补全的概念更早就存在了。Copilot试图生成有用的代码片段,而IntelliSense专注于基本的代码补全。
2023年,微软宣布Visual Studio中的IntelliSense将根据开发者在IntelliSense列表中的选择来"引导"GitHub Copilot。
虽然微软宣布将优先考虑可靠性和IntelliSense补全而不是Copilot建议的声明将受到欢迎,但该套件中有很多方面可能需要关注,但不属于AI功能的范畴。
这在微软公告的一条评论中得到了清楚的表达:"我知道只有一小部分人对AI感兴趣,但为什么在有这么多其他事情需要做的时候,必须将所有注意力都集中在将AI硬塞进每个产品中?SDK存在错误且不完整(MAUI/WinUI3等),但完全得不到任何关注。Visual Studio还有数百个真正的问题和/或增强功能有待解决,而微软所关注的只是该死的Co-Pilot。"
果真如此吗?
Q&A
Q1:微软为什么要将Visual Studio AI功能的重点转向可靠性?
A:因为开发者们已经在忍受Copilot的各种问题和缺陷,微软意识到需要优先解决AI功能的稳定性和可靠性,而不是继续添加新功能。
Q2:IntelliSense和Copilot有什么区别?
A:IntelliSense专注于基本的代码补全功能,首次出现在30年前的Visual Basic 5中,更可预测且备受开发者喜爱。而Copilot试图生成更复杂的代码片段,但有时会与IntelliSense发生冲突。
Q3:开发者对微软专注AI功能有什么看法?
A:一些开发者认为微软过分专注于AI功能,而忽视了其他重要问题。他们指出SDK存在错误且不完整,Visual Studio还有数百个真正的问题和增强功能有待解决。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。