GitHub Copilot CLI 教程：从安装登录到修复测试、创建 PR

GitHub Copilot CLI 怎么安装和登录？

通过 npm 安装 GitHub 的稳定版包 @github/copilot，需要 Node.js 22 或更高版本。Windows 还需要 PowerShell v6 或更高版本。如果 Copilot 由所在组织提供，管理员必须先启用 Copilot CLI 策略。安装要求。

在终端中运行：

npm install -g @github/copilot

如果 ~/.npmrc 设置了 ignore-scripts=true，GitHub 给出的替代命令是 npm_config_ignore_scripts=false npm install -g @github/copilot。官方文档还列出了其他安装方式：Windows 使用 winget install GitHub.Copilot；macOS 或 Linux 使用 brew install --cask copilot-cli，也可以运行 curl -fsSL https://gh.io/copilot-install | bash。Node.js 是 npm 安装方式的前置要求。GitHub 安装命令。

进入要处理的仓库目录，输入 copilot。随后确认是否信任该文件夹，可以只在当前会话中信任，也可以让后续会话沿用。如果尚未登录，按提示在 Copilot 会话内输入 /login。首次启动。

选择 GitHub.com，或你使用的 GitHub Enterprise Cloud 数据驻留主机名。本地桌面环境选择浏览器登录；远程或无图形界面的环境通常会优先提供设备码登录。完成浏览器授权；如果相关组织使用 SAML SSO，还需为这些组织授权，并批准 GitHub Copilot CLI 应用的访问请求。登录完成后回到终端。也可以直接在 shell 中运行 copilot login 来发起认证。认证说明。

如果 CLI 登录到了错误的账号，检查环境中是否已有 COPILOT_GITHUB_TOKEN、GH_TOKEN 或 GITHUB_TOKEN：显式导出的令牌会覆盖已保存的登录信息。自动化场景下，GitHub 支持使用个人账号的细粒度令牌，但必须授予 Copilot Requests 账号权限。不支持经典个人访问令牌。认证方式与令牌优先级。

上手先做什么？理解项目、修复测试，再创建 PR

先问清项目情况，再做一处能验证的修改，最后创建 PR。可以把 CLI 看作坐在工作台旁的开发者：它能查看项目、调用工具，而哪些操作可以执行，由你决定。

下表区分了在 shell 中运行的命令和在交互式 copilot 会话中输入的内容。表中的每条命令或提示词都来自 GitHub 文档。每次模型交互都会消耗 AI 积分，但 GitHub 没有为这些任务公布固定的积分价格。CLI 计费机制。

改代码之前，先让它解释仓库

接手陌生项目时，可以先运行表中的仓库解释命令。GitHub 的示例选择了 Claude Haiku 4.5；-p 发送一条提示词后退出，-s 隐藏额外输出，--model 指定模型。如果套餐或组织策略不允许使用该模型，可以进入交互式会话，通过 /model 选择可用模型。Free 和 Student 账号使用 Auto 自动选择。程序化调用示例、模型访问权限。

根据解释找到入口文件和测试配置，再亲自核查这些文件。这样能得到一份具体、可追问的项目导览，不必漫无目的地在目录之间来回查找。

修复失败的测试，先说清验收标准

维护者遇到测试失败时，可以先运行仓库实际使用的测试命令，把失败输出交给 Copilot，再输入表中的交互式提示词。GitHub 在测试驱动开发流程中给出了这句提示词，使用时机是在编写并检查失败测试之后。如果要修复已有的失败，也应补齐同样的上下文：哪个测试失败了，修改后必须保留什么行为。接受改动前，检查 diff，并重新运行相关测试。GitHub 测试流程。

如果失败发生在 CI，也就是已有 PR 关联的自动检查中，GitHub 给出的命令是 /pr fix ci focus on test failures。它会查看日志、应用修复，还可能推送改动，因此要按另一套工作流程处理。使用前，当前分支必须已有 PR。修复 CI 失败。

检查改动后，再创建 PR

创始人要交付一个小修复时，可以先检查并提交改动，再从工作分支运行 /pr create。当前目录必须是托管在 GitHub 上的 Git 仓库。Copilot 会推送本地提交、创建 PR，并按仓库的 PR 模板撰写标题和说明。如果该分支已经有 PR，命令会更新现有 PR。创建 PR。

这样就能沿用团队现有的 GitHub 流程，把工作交给其他人审查。分支里的改动，仍然需要你负责。

执行命令之前，Copilot 会怎样请求授权？

信任文件夹和允许工具执行，是两项独立的决定。 操作需要批准时，可以只允许执行这一次，也可以批准该工具在当前会话中使用，或拒绝并给出反馈。会话级批准涵盖该工具及其选项。授权提示。

只读操作可以自动执行；可能造成破坏的操作、写入操作和 URL 访问，除非已经获得授权，否则都需要批准。有些提示允许为仓库或目录保存授权。永久批准的 URL 域名会在后续会话中继续生效。保存权限。

GitHub 给出的预配置权限示例是：

copilot --allow-tool='shell(git:*)' --deny-tool='shell(git push)'

这会允许 Git 命令，但禁止推送。拒绝规则优先于允许规则和已保存的授权。/reset-allowed-tools 会清除当前会话的授权，以及当前位置已保存的工具授权，恢复到启动时设定的权限。允许与拒绝规则。

--allow-all-tools 会批准所有可用工具。--allow-all 或 --yolo 还会批准所有路径和 URL。GitHub 建议在隔离环境中使用这类宽泛授权。刚上手时，保留常规的逐次授权流程。宽泛授权选项。

GitHub Copilot 价格与额度：哪些套餐包含 CLI？

**所有 Copilot 套餐都包含 CLI：**Free、Student、Pro、Pro+、Max、Business 和 Enterprise。已有 Copilot 席位，无需再购买单独的 CLI 订阅。以下是 GitHub 套餐页面当前列出的月费和额度。Copilot 套餐。

Flex 弹性额度会变化，因此当前总额不代表永久承诺。每个 AI 积分相当于 $0.01 USD。 实际消耗取决于所选模型的价格，以及输入、输出和缓存 token 的数量。聊天和 CLI 使用同一份额度。付费套餐的代码补全和下一步编辑建议仍然不限量，不消耗 AI 积分。个人用户计费。

已有 Pro 订阅的用户，月费仍是 $10；终端里的模型调用会与其他任务共同使用当前的 1,500 积分额度。这才是有用的成本判断：先试用已经付费获得的能力，再看共享额度是否够用。付费个人用户可以为额外用量设定预算、升级套餐，或等到下个月重置。公开价格表没有为 Free 提供额外积分购买选项。个人用户额度、Free 套餐购买限制。

Business 和 Enterprise 的积分在计费主体层级汇入共享额度池。额外付费用量默认启用，管理员可以关闭。用户预算或企业支出上限可能阻止访问，即使其他额度尚有余额。GitHub 建议使用 CLI 1.0.48 或更高版本，以准确显示计费和用量信息。组织计费。

完成任务后，运行 /usage 查看会话消耗的积分和模型 token 用量。交互式会话中可以用 /limits set max-ai-credits NUMBER 设置额度，把 NUMBER 替换为你选定的数值。最低为 30 积分。该功能处于公开预览阶段，而且属于软限制：正在生成的响应会继续完成，因此可能略微超出上限。用量显示、会话用量限制。

Copilot CLI 模型有哪些？如何选择？

在 Copilot 会话内使用 /model 查看可选模型；从 shell 调用时，可以通过 --model 指定。GitHub 当前的客户端列表将下列模型标为 CLI 支持的模型，但套餐和管理员策略可能进一步限制访问范围。支持的模型。

GitHub 单独列出的 CLI Auto 模型表还包含 GPT-6.1 Sol。Free 和 Student 只能使用 Auto。可用性会变化，账号当前能用哪些模型，以模型选择器为准。Auto 与各套餐的模型可用性。

配置项目指令，接入 MCP 工具

反复让它改代码之前，先写好仓库的工作规则。 自定义指令是 Markdown 文件，Copilot 会将其纳入上下文。项目通用的构建命令、测试命令和约定放在 .github/copilot-instructions.md 中。针对特定路径的规则，放在 .github/instructions/**/*.instructions.md 中，并通过 applyTo 模式指定适用范围。自定义指令。

CLI 还会发现 AGENTS.md、CLAUDE.md、.claude/CLAUDE.md 和 GEMINI.md。用户级偏好可以放在 ~/.copilot/copilot-instructions.md 或 ~/.copilot/instructions/**/*.instructions.md 中。适用的指令会合并使用；GitHub 没有定义它们之间通用的优先级顺序。应保持这些文件的规则一致，并通过 /instructions 查看或禁用已发现的文件。指令发现与交互。

MCP，即 Model Context Protocol（模型上下文协议），用于连接智能体与外部工具和数据。 可以把它理解为给工作台接入外部服务。GitHub MCP server 已经内置。添加其他服务器时，使用 /mcp add，按 Tab 在字段之间切换，按 Ctrl+S 保存。本地或 stdio 服务器会运行一个进程；HTTP 服务器连接远程端点。旧版 SSE 也受支持。添加 MCP 服务器。

GitHub 给出的终端示例是 copilot mcp add --transport http sentry https://mcp.sentry.dev/mcp。用户配置保存在 ~/.copilot/mcp-config.json 中；项目配置可以使用 .mcp.json 或 .github/mcp.json。专门的 MCP 指南说明，已配置的组织注册表和允许列表策略也适用于 CLI。终端示例、配置与策略。

什么时候用 CLI，什么时候选 IDE 或其他智能体？

我的建议是：如果任务本来就在终端里完成，而且已有 Copilot 席位，先试 Copilot CLI。 如果希望贴着正在编辑的文件工作、直观检查改动，并一直留在编辑器中，就选择 IDE 扩展。我们的 Cursor 与 GitHub Copilot 对比可以帮助你做编辑器选择。

熟悉基础任务后，还可以考虑这些用法：

• 维护者准备代码审查时，可以让它审查工作分支，核查发现的问题，再把 diff 交给人工审查者。如果这些发现经得起验证，就能形成一份重点明确的审查清单。GitHub 文档介绍了本地审查流程。代码审查指南。
• 开发者处理 PR 审查反馈时，可以使用 /pr fix feedback，检查建议的改动，再批准相应的推送。这样能把所要求的修改和讨论放在一起处理。该命令还可以回复并解决已处理的审查讨论线程，批准前应先确认操作范围。处理审查反馈。

如果需要不同的订阅额度、模型提供商方案，或对智能体本身有不同的控制要求，可以考虑其他终端智能体。我们的 Claude Code 替代方案与终端使用成本对比可以帮助你做购买决定。先检查 Copilot 自带的模型选项是否已经满足需求：GitHub 也提供了接入自有模型提供商的文档，其中包括兼容的本地模型。该方式需要单独配置提供商，并要求支持工具调用和流式输出，配置流程与使用 Copilot 额度的方式不同。接入自有模型。

小团队可以围绕它做什么产品？

面向仓库的项目上手资料包，是最值得先试的方向。 开发者会搜索“how to understand a new codebase”和“ai tool to understand codebase”。团队可以把持续维护的架构说明、经过验证的构建指令，以及范围明确的上手任务打包，卖给工程负责人。最小可用版本应围绕客户的仓库，演示理解项目、运行测试和创建 PR 的流程。难点在于：通用提示词容易复制，买家愿意付费的是持续维护的项目知识。

为代码审查做准备的工作流，也是一个方向。 “ai code review tools”和“ai powered code review platform”这类搜索指向了相应需求。团队可以整合项目指令和关联的 issue 上下文，生成一份包含改动、测试证据和待解决问题的审查资料包。目标买家是希望规范工作交接的团队负责人。难点在于：生成的发现需要验证，这套流程还必须证明自己在 GitHub 现有审查功能之外的价值。这些是产品构想，尚无实际成果验证。

使用前，需要考虑哪些限制？

CLI 可能生成看似合理、实际错误的改动。 GitHub 的负责任使用指南指出，生成内容可能不准确或不完整，并要求用户核查 CLI 生成的代码和命令。运行相关测试、检查 diff，仍然是工作的一部分。负责任使用指南。

信任文件夹并不等于获得可靠的隔离。 GitHub 说明，目录权限范围依赖启发式判断，并不保证能保护可信目录之外的每个文件。应从你打算处理的仓库中启动。需要更严格的限制时，可以通过 /sandbox enable 启用工具的本地沙箱；GitHub 的本地和云端沙箱都处于公开预览阶段。目录信任与沙箱。

模型访问限制和支出上限仍然适用。 文档中列出的模型可能不对你的套餐开放，也可能被策略禁用。CLI 与其他 Copilot 工作共享积分，预览中的会话上限可能略微超出。组织预算可能直接停止使用，并不会自动切换到更便宜的模型。模型访问权限、会话上限、预算行为。

下次工作时，可以在能审查改动的分支上，挑一个确实失败的测试。先让它解释相关代码，批准修复所需的工具请求，再重新运行测试、查看 /usage，最后创建 PR。用这次实际任务，判断工作流是否适合你、消耗是否合理。

如果你希望围绕团队的检查流程和已连接的工具搭建仓库工作流，我们可以为你构建 AI 自动化。