衡量影响并优化高端请求单位（PRU）
高级请求单位（PRU）是 GitHub Copilot 最强大的评论功能背后的燃料。 每次分配 Copilot 来评审较大拉取请求，要求其将存储库的自定义指令应用到整个代码库，或对 IDE 中的更改进行深入分析时，你都会使用 PRU。 这些高级资源为 Copilot 提供所需的附加处理能力和上下文深度，以增强推理能力，提供更可靠的输出及符合团队标准的建议。
学习目标
在本单元结束时，你将能够：
- 定义 PRU，并解释它们如何支持 Copilot 的高级评审功能。
- 衡量由 PRU 驱动的评审对你的工作流的影响。
- 将策略应用于预算，并优化 PRU 以实现最大价值。
了解 PRU
将高级请求单位（PRU）视为解锁科皮洛特“额外装备”的令牌。 常规的轻量级任务（例如，建议对单个行进行小规模重构）通常不使用 PRU。 但高级任务确实会使用。 例如，要求 Copilot 评审跨多个文件的 1,500 行代码更改，应用你的 .github/copilot-instructions.md 文件，并检查安全性和样式问题，这需要更多的上下文信息和推理能力。
使用 PRU，Copilot 可以扫描整个差异，解释自定义评审准则，并在几秒钟内返回可操作的修补程序。 如果没有它们，它仅提供其默认的轻量级建议。 PRU 让快速提示与符合团队标准、上下文丰富的完整分析高下立见，所有操作直接在拉取请求或 IDE 中完成。
示例应用场景：
开发人员推送了一个涉及数十个文件的大规模重构。 Copilot 被分配为审阅者，它使用 PRU 将存储库的安全和样式准则应用于整个更改，标记了多个不安全的字符串插值，甚至起草了解释问题的 Markdown 注释。 人工审阅者现在可以专注于重构的体系结构影响，而不是花费数小时进行手动检查。
为什么 PRUs 对团队很重要
PRU 是使 Copilot 在高容量环境中真正具备可扩展性的因素。 借助它们，可以：
- 获取更深入的分析：在到达生产环境之前，识别大型差异中的潜在漏洞、重复逻辑或样式冲突。
- 强制实施一致性： 自动在每个拉取请求中应用相同的安全性、可读性或样式检查。
- 处理活动的突发： 在繁忙的发布周期中，依靠 PRU 支持的评审来保持质量稳定，而人工审阅者处理复杂的设计决策。
示例应用场景：
你的团队在 Go、Python 和 TypeScript 中维护微服务体系结构。 在预发布关键时刻，Copilot 使用 PRUs 检测每个服务的特定语言最佳做法，标记出 JavaScript 中存在风险的 eval() 调用，并建议使用更安全的解析器，同时在 Go 处理程序中捕捉缺失的错误检查。 这样，团队就可以在所有服务中快速合并修复，而无需缺少关键详细信息。
衡量 PRU 驱动的评审的影响
若要了解 PRU 的回报情况，请跟踪指标，比如：
- PR 提前期：添加 Copilot 评审后，拉取请求从创建到合并的耗时。
- 质量指标：通过其他工具标记的合并后安全或样式问题是否减少。
- 开发人员体验：关于 Copilot 是否使评审更快或更清晰的反馈。
示例指标：
在使用 PRU 之前，大型 PR 平均需要三天时间才能合并，并且经常在发布后触发样式问题修复。 启用由 PRU 驱动的评审后，同样的 PR 仅需一天即可完成合并，且后续提交大幅减少。
优化 PRU 使用情况
对 PRU 进行管理，确保它们用于能够增加最大价值的环节：
- 提前规划： 在达到每月 PRU 使用量的 75%、90%和 100% 时设置警报。
- 策略性地使用 PRU：将高级评审留给大规模或高风险更改；对于简单编辑，则依赖标准 Copilot 建议。
- 优化您的提示： 具体而明确的请求可以减少不必要的重试并避免 PRU 的浪费。
- 按需扩展：如果团队持续耗尽 PRU，请考虑升级至更高层级的 Copilot 计划以支持工作负载。
示例应用场景：
团队注意到，许多 PRU 用于简单文档更改。 他们会更新工作流，以使用非 PRU 请求进行小规模编辑，并保留由 PRU 驱动的评审，用于影响生产的代码。 因此，他们的每月 PRU 使用量下降了 30%，而不会降低质量。
PRUs 不仅仅是一个技术细节，它们使 Copilot 的高级审查功能成为可能。 通过了解 PRU 的工作原理、衡量其影响和优化其使用方式，你可以提供更深入、更丰富的上下文评审，而没有浪费资源。 这样，团队即使在紧迫的截止日期下也能扩展高质量代码审查，同时依然将最终判断和签署交给人工审核者。