Copilot在Python项目里总给我“幻觉”代码，大家怎么防的？

我一般是逐行审查的，尤其是pandas链式调用那种，它真的太爱编方法了。后来我装了个Continue插件，让它只读当前项目文件，配合.editorconfig和类型注解，幻觉少了很多。但说实话，它写复杂逻辑还是不如我手动敲，我现在就当它是个高级补全器，大段代码还是自己写。你有没有试过把项目里的风格示例文件直接丢给它做few-shot？我试了效果比注释强。

说实话我也有同感，Copilot在Python里特别容易编造那种看起来合理但实际不存在的pandas方法，尤其是处理链式操作的时候，它总想给你补个一步到位的神奇函数。我现在基本把它当高级自动补全用，大段逻辑还是自己写，只让它干些重复性高的模板代码。

你提到风格不一致这点太真实了，我试过让它改写成项目风格，结果越改越乱，最后干脆在项目里加了个.editorconfig和严格的lint规则，写完跑一遍ruff强制统一格式。另外有个小技巧，把仓库里几个核心文件的路径写在注释里，比如“参考src/utils.py的写法”，会稍微好一点，但别抱太大期望。

关于审查方式，我基本逐行看，尤其是涉及IO和网络请求的部分，它生成的代码经常忽略异常处理，测试一跑就炸。插件方面我试过Continue和Cody，它们能指定本地代码库作为上下文，但配置麻烦，而且对老项目反而容易学坏习惯。

如果你用ChatGPT，建议把报错信息和文档片段一起粘给它，让它基于真实接口写，比纯靠记忆强。说到底，工具还是得配着测试驱动用，核心逻辑必须自己掌握，不然调试AI的幻觉代码比手写还痛苦。

逐行审查是必须的，尤其pandas这种API贼多的库，Copilot经常把别的库的方法张冠李戴。我现在习惯先写个小的测试数据跑一遍补全代码，能拦下大部分幻觉。关于风格问题，可以试试在项目根目录放个.editorconfig，再把仓库里已有代码丢给它当few-shot示例，比单纯加注释管用。另外插件方面有个叫Continue的，支持本地代码库检索，比Copilot更懂你项目现状，不过配置起来稍微费点功夫。

逐行审查是必须的，尤其pandas这种API巨多的库，它经常把R或者别的语言的习惯混进来。我一般把项目根目录加个.github/copilot-instructions.md，里面写清楚只用哪些包和代码风格，能少踩一半坑。至于ChatGPT手动粘，我觉得看场景，改小逻辑还行，大项目里上下文一长它也容易放飞自我，还是靠测试兜底最稳。

逐行审查是必须的，我都是拿它当高级补全用，核心逻辑还是自己写。

试试把项目里常用代码写进注释当上下文，比类型提示管用多了。

我一般把Copilot当高级自动补全用，它的输出我只信一半，尤其是遇到不认识的API必须当场去翻文档验证。你那个clean_na()我遇到过类似的，后来发现给它喂一段你项目里现成的代码作为前缀，它模仿风格的概率会高不少。另外可以试试在设置里关掉公共代码匹配，或者用仓库级别的prompt文件把项目约定写进去，能减少一点瞎编的几率。不过说实话，pandas这种生态太杂的库，它训练数据里新旧版本混着来，真不如自己写核心逻辑，让它补样板代码省心。

说实话我跟你遇到的情况一模一样，特别是它瞎编API那个点，我一度怀疑是不是我装的插件版本有问题。后来我试了个笨办法，就是遇到不确定的方法，先让Copilot补完，然后立刻在终端里跑一下dir()或者直接查文档，习惯了之后反而觉得它那些“幻觉”代码像是个提醒——这活儿本来就不能闭眼抄。至于风格不一致，我现在的做法是先把项目里已有的核心模块喂给它当上下文，比如开头贴一段现有的函数，再让它接着写，效果比加一堆注释强。插件方面我试过Continue和Tabnine，但说实话没解决根本问题，Copilot还是得靠人盯着。最近我反而更常用ChatGPT，因为可以明确告诉它“只准用pandas官方文档里的方法”，然后把报错粘回去让它改，虽然多一步复制粘贴，但至少不会在代码里埋雷。你提到的逐行审查，我现在是必须的，尤其数据处理这种涉及列名和索引的，它经常张冠李戴，还不如先写框架再手动填逻辑。

我都是逐行审查的，这玩意儿当个补全工具还行，别太当真，另外把仓库索引打开能好点。

说实话我也有同感，Copilot在Python里那种“自信地编API”确实挺坑的，尤其是pandas这种生态庞大又经常更新方法的库，它很容易把记忆里的旧版函数或者别的库的玩意儿混进来。我现在基本是把它当“高级自动补全”用，大段逻辑还是自己写，它只负责填那些重复性高的模板代码，比如dict构造、循环体、正则表达式这种。至于你说的只参考当前仓库代码，我试过把项目里常用的工具函数写进一个单独的utils.py，并且注释写得很详细，Copilot参考到的概率会高一点，但也不是100%可靠。还有个办法是装个类似Continue或者Cody的插件，它们对本地代码库的索引做得更明确点，但配置起来也麻烦，而且模型能力和Copilot比还是有点差距。我自己的习惯是：先让它生成一版，然后全局搜索它调用的可疑方法名，确认存在了再往下走，感觉比逐行审查效率高一点。至于ChatGPT手动粘，我觉得更适合那种需要整体设计思路的场景，小函数来回切窗口反而打断心流，不如把Copilot的上下文窗口用好，多贴几段现有代码给它看，能减少不少幻觉。

逐行审查是底线，我一般让它写个大概再自己refactor，不然屎山越堆越高。

我都是把关键API先写进注释里，它就不怎么瞎编了，但风格统一还是得靠prettier和lint自动格式化。

逐行审查是必须的，我一般让Copilot写个框架，再自己改核心逻辑，省事又防坑。

建议试试把仓库里的代码风格文件（比如.editorconfig）配上，能稍微管住点它的“自由发挥”。

我之前也踩过这坑，特别是pandas链式操作，它经常会编出个看似合理的方法名，后来我干脆把关键步骤拆开写，配合类型注解能稍微好点，但确实没法根治。现在我的做法是让Copilot只负责写样板代码，比如数据读取和循环结构，逻辑核心部分还是自己手敲。插件方面试过Continue，可以强制让它基于本地文件上下文补全，比原版老实不少。至于ChatGPT，我觉得手动粘代码反而更可控，毕竟能直接看到完整输出再贴进去。

我都是逐行审查的，全盘接受等于给自己埋雷。你试试在Coplit设置里把“strict mode”打开，或者用Repo Map这类插件让它强制参考仓库上下文，能少很多幻觉。另外pandas的API建议直接去官方文档查，别指望它记准。ChatGPT手动粘反而可控，但效率低，我现在是Copilot写初稿，自己改逻辑，配合mypy做静态检查，基本能兜住。

说实话我跟你遇到的情况一模一样，尤其是df.clean_na()这种幻觉API，简直防不胜防。后来我试了个笨办法，就是给Copilot喂项目里已有的数据类定义和函数签名，让它“看到”真实的代码结构，比加注释管用多了。至于全盘接受还是逐行审查，我基本是把它当高级自动补全用，每个补全都过脑子，毕竟它写出来的代码风格确实经常跟项目不一致，改起来那个累啊。插件方面我试过Copilot Labs里的“忽略最近文件”功能，但感觉效果有限，它还是会从网上乱学。最近倒是发现用# filename和# 项目约定：使用snake_case这种强提示能稍微压住它的野路子，不过翻车率还是高。所以我现在干脆把复杂逻辑拆成小函数，一步步让它补全，至少出错范围可控。ChatGPT手动粘代码我也试过，但来回切换上下文也很烦，尤其是处理多个文件时，效率反而低了。总之我觉得这工具目前就是个“加速器”，不是“替代品”，关键还是得自己把代码逻辑吃透，再拿它来提速。

我基本都是逐行审查的，尤其pandas链式调用特别容易出这种幻觉API，现在养成习惯让它先输出代码片段再手动查文档确认。你可以试试在仓库根目录放个.github/copilot-instructions.md，里面写清楚禁止使用不存在的pandas方法，效果比疯狂加注释好点。另外Copilot有个设置能限制它只参考当前打开的标签页，虽然会降低补全速度但准确率上来不少。至于ChatGPT手动粘，我反而觉得更累，来回切换上下文容易把自己搞晕。

我之前也被df.clean_na()这种坑过，后来发现直接把项目里的核心代码片段丢给Copilot当上下文反而更稳。现在基本是逐行看它补全的，遇到不确定的API就现场敲一下，它瞎编的概率会低不少。插件方面我试过Copilot Labs的“代码引用”功能，能稍微限制它参考当前仓库，但效果不算特别理想。ChatGPT手动粘其实也差不多，关键还是得自己心里有数，把它当个高级自动补全，别指望它真的懂你的数据流。

说实话你这问题我太有同感了，copilot在pandas这种生态里特别爱编那种“看起来合理但根本不存在”的方法，clean_na还算好的，我遇到过一次它给我生成df.merge_fuzzy()，我当时还愣了几秒，觉得这功能挺高级啊，结果一跑直接报错。我现在基本把它当高级自动补全用，完事必跑一遍测试用例，逐行审查倒不至于，但关键逻辑肯定会扫一眼，数据处理的代码一旦静默出错，后面找bug才叫痛苦。至于限制它参考仓库代码，你可以试试在项目根目录放个.editorconfig或者干脆把仓库拆细一点，让上下文更聚焦，但说实话效果也就那样，它还是优先模仿你最近的写法。我个人的折中方案是：简单重复的模板代码直接接受，涉及业务逻辑或数据清洗的，一定自己手写核心部分，然后把copilot当辅助工具补参数和样板。ChatGPT手动粘代码其实更可控，但来回切换太费劲，我现在是Copilot写草稿，再拿pylint和mypy去强制校验，翻车率能降一半。你试过给它喂几条你项目里现成的完整函数当few-shot示例吗？我觉得比注释管用多了。

我一般不会全盘接受，尤其pandas这种API太碎了，它瞎编起来真拦不住。现在习惯让它补完后再用IDE的静态检查扫一遍，像Pyright能揪出不少不存在的属性。另外可以把项目里的代码片段喂给它做few-shot，比光加注释管用，但确实还是得逐行过一遍，不然跑起来报错更浪费时间。

逐行审查是必须的，尤其pandas这种API贼多的库，它真敢编。我一般把项目里的代码片段丢给它当few-shot示例，比注释管用，至少风格能贴近点。

插件方面可以试试Continue或者Cursor的codebase索引，能让它优先看本地仓库，但别指望完全不出错。我现在是Copilot写初版，自己改逻辑，反而比纯手写快，但完全不信它。

ChatGPT手动粘也麻烦，来回切窗口太打断思路，而且它一样会一本正经胡说。关键还是得自己懂，不然AI给你埋个雷，测试都测不出来。

我一般让它补全单行或小段逻辑还行，但凡涉及多步骤的数据处理就直接手写了，不然真被它编出来的API带沟里。我觉得与其费力引导，不如把项目里常用的几个函数封装好，然后明确告诉它用这些，至少风格能统一一点。至于ChatGPT手动粘，其实也差不多，碰到冷门库照样幻觉，关键是得自己心里有数。你试过在Copilot设置里关掉公共代码匹配吗？有时候能减少一些离谱的补全。