Continue 让您能够在集成开发环境（IDE）中打造个人专属的 AI 代码助手。利用开源的 VS Code 和 JetBrains 插件，让开发者始终保持高效工作状态。

引言

Continue 让你可以轻松地在 Visual Studio Code 和 JetBrains 中创建自己的编程助手，它们基于开源的大语言模型（LLMs）。这一切既可以完全在你的笔记本电脑上运行，也可以通过在服务器上部署 Ollama 来远程提供代码补全和聊天体验，具体取决于你的需求。

开始之前，你需要安装：

Continue 的 VS Code 或 JetBrains 版本
Ollama 的 macOS、Linux 或 Windows 版本

下载好这些软件后，我们建议你尝试以下几点：

尝试 Mistral AI 的 Codestral 22B 模型，用于代码自动补全和聊天

目前，Codestral 是我们最喜欢的模型，因为它能同时进行代码自动补全和聊天。这个模型展示了大语言模型在编程任务上的进步。不过，由于它拥有 22B 参数且仅限于非商业用途的许可，因此需要大量的 VRAM，可能并不适合日常本地使用。

1. 在终端中运行以下命令下载并运行 Codestral：

ollama run codestral

2. 点击 Continue 右下角的设置图标，打开你的 config.json 文件并添加如下配置：

{
  "models": [
    {
      "title": "Codestral",
      "provider": "ollama",
      "model": "codestral"
    }
  ],
  "tabAutocompleteModel": {
    "title": "Codestral",
    "provider": "ollama",
    "model": "codestral"
  }
}

尝试使用 DeepSeek Coder 6.7B 进行代码自动补全和使用 Llama 3 8B 进行聊天

根据你的电脑上的 VRAM 大小，你可能可以利用 Ollama 同时运行多个模型和处理多个并发请求的能力，使用 DeepSeek Coder 6.7B 进行代码自动补全和使用 Llama 3 8B 进行聊天。如果你的电脑无法同时处理这两个任务，那么可以分别尝试它们，决定你是更倾向于本地代码自动补全还是本地聊天体验。之后，你可以为另一种体验使用远程托管或 SaaS 模型。

1. 在终端中运行以下命令下载并运行 DeepSeek Coder 6.7B：

ollama run deepseek-coder:6.7b-base

2. 在另一个终端窗口中运行以下命令下载并运行 Llama 3 8B：

ollama run llama3:8b

3. 点击 Continue 右下角的设置图标，打开你的 config.json 文件并添加如下配置：

{
  "models": [
    {
      "title": "Llama 3 8B",
      "provider": "ollama",
      "model": "llama3:8b"
    }
  ],
  "tabAutocompleteModel": {
    "title": "DeepSeek Coder 6.7B",
    "provider": "ollama",
    "model": "deepseek-coder:6.7b-base"
  }
}

使用 Ollama 的 nomic-embed-text 嵌入技术来增强 @codebase 功能

Continue 自带了一个 @codebase 上下文提供者，可以让你自动检索代码库中最相关的代码片段。假设你已经设置了一个聊天模型（如 Codestral 或 Llama 3），你可以通过使用 Ollama 和 LanceDB 的嵌入技术保持整个体验的本地化。目前，我们推荐使用 nomic-embed-text 嵌入技术。

1. 在终端中运行以下命令下载 nomic-embed-text：

ollama pull nomic-embed-text

2. 点击 Continue 右下角的设置图标，打开你的 config.json 文件并添加如下配置：

{
  "embeddingsProvider": {
    "provider": "ollama",
    "model": "nomic-embed-text"
  }
}

3. 根据你的代码库的大小，索引可能需要一些时间，然后你可以提出问题，重要的代码库部分会自动被找到并用于回答中（例如：“@codebase Llama 3 默认的上下文长度是多少？”）

在你的开发数据上微调 StarCoder 2，并将其推送到 Ollama 模型库

当你使用 Continue 时，你会自动生成关于如何构建软件的数据。这些开发数据默认保存在你本地机器上的 .continue/dev_data 文件夹中。结合最终提交的代码，这些数据可以用来改进你或你的团队使用的大语言模型（如果你允许的话）。例如，你可以利用团队接受的代码自动补全建议来微调像 StarCoder 2 这样的模型，以获得更好的建议。

提取并加载“接受的标签建议”到 Hugging Face 数据集
使用 Hugging Face 监督式微调训练器来微调 StarCoder 2
将模型推送到 Ollama 模型库，供你的团队使用，并观察接受率的变化

通过使用 @docs 向 Continue 提出问题来了解更多关于 Ollama 的信息

Continue 还内置了一个 @docs 上下文提供者，可以让你索引和检索任何文档站点的片段。假设你已经设置了一个聊天模型（如 Codestral 或 Llama 3），你可以通过提供 GitHub 上 Ollama README 的链接并提问，保持整个体验的本地化，以此作为上下文来学习更多。

在聊天侧边栏输入 @docs，选择“添加文档”，复制并粘贴 “https://github.com/ollama/ollama” 到 URL 字段，并在标题字段输入 “Ollama”
它会快速索引 Ollama README，然后你可以提出问题，重要部分会自动被找到并用于回答中（例如：“@Ollama 我该如何运行 Llama 3？”）

资源链接：

continue：https://www.continue.dev/

万普插件库

jQuery插件大全与特效教程

编辑器中的完全开源 AI 代码助手（代码编辑器插件）