本指南帮助你在数字调制解调实验中有效使用 GitHub Copilot 和其他 AI 编程助手。
GitHub Copilot 是一个 AI 编程助手，可以：
- 根据注释自动生成代码
- 补全函数和代码块
- 提供多个实现方案供选择
- 解释现有代码
- 帮助调试错误
- 访问 GitHub Education
- 使用学校邮箱申请 GitHub Student Developer Pack
- 审核通过后，Copilot 将自动激活
- 打开 VS Code
- 在扩展市场搜索 "GitHub Copilot"
- 安装并登录你的 GitHub 账号
✅ 好的提示（详细且明确）：
def bpsk_modulate(bits):
"""
BPSK调制函数
将二进制比特序列映射到符号序列
0 -> +1, 1 -> -1
返回复数数组
"""
# [Copilot会在这里生成代码]❌ 不好的提示（过于简略）：
def bpsk_modulate(bits):
# 实现BPSK将复杂任务分解成小步骤：
def qpsk_modulate(bits):
# 步骤1: 检查输入长度是否为偶数
# 步骤2: 将比特序列reshape成(N/2, 2)
# 步骤3: 对每对比特应用格雷码映射
# 步骤4: 归一化到单位功率
return symbolsCopilot 会逐步生成每个部分的代码。
提供示例输入输出：
def qpsk_modulate(bits):
"""
示例:
输入: [0, 0, 0, 1, 1, 1, 1, 0]
输出: [(1+1j)/√2, (-1+1j)/√2, (-1-1j)/√2, (1-1j)/√2]
"""
# Copilot会根据示例生成代码推荐提示词：
def bpsk_modulate(bits):
"""
实现BPSK调制
参数:
bits: numpy数组，元素为0或1
返回:
symbols: numpy复数数组
- 比特0映射到+1
- 比特1映射到-1
实现提示:
使用numpy的向量化操作，避免循环
"""推荐提示词：
def plot_constellation(symbols, title):
"""
绘制星座图
参数:
symbols: 复数符号数组
title: 图表标题
要求:
- 使用matplotlib绘制散点图
- 显示实部和虚部坐标轴
- 添加网格
- 保存到results/目录
"""推荐提示词：
def add_awgn(signal, snr_db):
"""
向信号添加加性高斯白噪声
参数:
signal: 复数信号数组
snr_db: 信噪比（分贝）
返回:
noisy_signal: 加噪后的信号
实现步骤:
1. 计算信号功率
2. 根据SNR计算噪声功率
3. 生成复高斯噪声（实部和虚部独立）
4. 将噪声加到信号上
"""当代码报错时，选中错误信息和相关代码，然后：
- 打开 Copilot Chat (Ctrl+I 或 Cmd+I)
- 输入：
我的代码报错了：
[粘贴错误信息]
请帮我找出问题并建议修改方案。
Copilot 生成代码后，务必：
- 阅读并理解：确保代码逻辑正确
- 运行测试：验证输出是否符合预期
- 检查边界条件：输入异常值测试
在函数内按 Alt+] (或 Cmd+]) 查看 Copilot 提供的其他实现方案，选择最优的。
打开 Chat 面板进行对话式编程：
提示: 请帮我实现QPSK调制，要求使用格雷码映射，
并将符号归一化到单位能量。
Copilot: [生成代码并解释]
你: 能否添加输入验证，检查比特数组长度是否为偶数？
Copilot: [更新代码]
选中一段代码，在 Chat 中输入：
请优化这段代码，提高可读性和性能。
# 输入：请为bpsk_modulate函数生成完整的pytest测试用例
# Copilot会生成：
def test_bpsk_modulate():
# 测试基本映射
bits = np.array([0, 1, 0, 1])
symbols = bpsk_modulate(bits)
expected = np.array([1, -1, 1, -1])
assert np.allclose(symbols, expected)
# 测试全0
...- 理解原理：先学习调制原理，再使用 Copilot
- 独立思考：AI 生成的代码可能有错，需要人工审查
- 学习为主：Copilot 是辅助工具，不是替代思考
- 使用 Copilot 辅助编程是允许的
- 但必须理解并能解释所有提交的代码
- 在报告中注明使用了 AI 助手
Copilot 生成的代码可能：
- 缺少错误处理
- 效率不是最优
- 不符合代码规范
提交前务必：
- 运行
pylint检查代码质量 - 运行所有测试用例
- 手动 review 关键逻辑
A:
- 检查提示词是否足够详细
- 尝试分步引导
- 查看其他建议（Alt+]）
- 手动修改并学习正确实现
A:
- 确认已登录 GitHub 账号
- 检查网络连接
- 重启 VS Code
- 查看扩展是否已启用
A:
- 编写详细的函数文档
- 提供示例输入输出
- 使用清晰的变量命名
- 保持代码上下文简洁
如果无法使用 GitHub Copilot，可以尝试：
在网页中与 AI 对话：
你: 请帮我用Python实现BPSK调制函数，
输入是numpy数组[0,1,0,1]，输出应该是[1,-1,1,-1]
AI: [生成代码]
你: 如何绘制星座图？
AI: [提供matplotlib代码]
在 VS Code 中使用 Copilot Agent（需要付费）：
@workspace 帮我配置Python环境并安装numpy、matplotlib
- Cursor：AI-first 编辑器
- Tabnine：代码补全工具
- Amazon CodeWhisperer：AWS 的 AI 编程助手
在报告的"实验心得"部分，可以这样写：
示例1（简洁版）：
在本实验中，我使用了 GitHub Copilot 辅助编程。Copilot 在实现基础映射逻辑时提供了很大帮助，但在归一化和格雷码映射部分，我需要根据理论知识手动调整。总体而言，AI 助手可以提高编程效率，但理解原理仍然是最重要的。
示例2（详细版）：
AI 助手使用情况
本实验中使用了 GitHub Copilot 进行辅助编程，主要体会如下：
有帮助的场景：
- 生成NumPy数组操作的样板代码
- 快速实现matplotlib绘图框架
- 自动补全函数参数和类型提示
需要人工修正的场景：
- QPSK格雷码映射的具体实现
- 16-QAM归一化因子的计算
- 边界条件的错误处理
学习收获：
- 学会了如何有效地与AI协作
- 理解了提示工程（Prompt Engineering）的重要性
- 体会到AI是工具而非替代，扎实的理论基础仍然必不可少
GitHub Copilot 是强大的辅助工具，但：
✅ 应该：
- 用于加速编程流程
- 生成样板代码
- 探索不同实现方案
- 学习新的API用法
❌ 不应该：
- 完全依赖而不理解原理
- 不加审查地提交生成的代码
- 把AI当作"作业代写工具"
记住：AI是助手，你才是工程师！ 🚀
祝实验顺利！如有问题，请随时向教师或助教求助。