VSCode 接入本地 AI 写代码实战 2：Continue 深度配置与 AI 知识体系

前提：Continue 已装好、Ollama 在 11434 端口跑、qwen3-vl:8b + qwen2.5-coder:1.5b-base + nomic-embed-text:latest 已下载。

楔子

第一篇把 Continue 装好、模型配好——但装好不等于会用，会用不等于懂。

本篇直接回答 6 个核心问题：Continue 6 大菜单都干啥？Chat/Edit/Agent 三种模式本质区别？@codebase 怎么配？怎么给 AI 立规矩？本地 8B 到底够不够用？跟云端比差在哪？

🚀 从「会装」到「懂」。

1. 完整的 config.yaml 结构

上一篇只写了 models 段。Continue v2.0 的完整 config.yaml 长这样：

name: Main Config               # 配置名（必填）
version: 1.0.0                  # 配置版本（必填）
schema: v1                      # schema 版本（必填）

models:                         # 模型列表
  - name: Qwen3-VL-8B
    provider: ollama
    model: qwen3-vl:8b
    roles: [chat, edit, apply]
  - name: Qwen2.5-Coder 1.5B
    provider: ollama
    model: qwen2.5-coder:1.5b-base
    roles: [autocomplete]
  - name: Nomic Embed
    provider: ollama
    model: nomic-embed-text:latest
    roles: [embed]

context:                        # @ 菜单里能选的 context provider
  - provider: codebase          # 全项目语义搜索
  - provider: currentFile       # 当前文件
  - provider: file              # 手动选文件
  - provider: diff              # Git 未提交改动
  - provider: terminal          # 终端输出
  - provider: problems          # 问题面板
  - provider: rules             # 引用规则

rules:                          # 自定义规则（系统提示词）
  - |
    你是一个熟悉 C# 和 .NET 10 的编程助手。请遵守以下规则：
    1. 所有回复用中文
    2. 代码用 C# 14 / .NET 10 语法
    3. public 方法必须有 XML 注释
    4. 不要用 var，明确指定类型
    5. 错误处理用 ArgumentNullException

docs:                           # 外部文档知识源（可选）
  - name: Microsoft Learn
    url: https://learn.microsoft.com/...

mcpServers:                     # MCP 服务器（外部工具，可选）
  - name: github
    url: https://...

记住：UI 改配置经常不灵，直接编辑 config.yaml 是最可靠的方式。

2. Continue 6 大菜单详解

打开 Continue 侧边栏（Ctrl+L），顶部能看到一排菜单。

2.1 Chat（聊天）

默认模式，99% 时间在这。跟 AI 聊天问代码、问概念、生成代码。

底部还能切换子模式：

  • Chat：只回答，不动你的文件（最安全）
  • Edit：改你选中的代码（按 Ctrl+I）
  • Agent：自主操作（读文件、改文件、跑命令）

2.2 Models（模型管理）

分配模型角色。Continue 把模型分成 7 种角色：

角色 干啥 推荐模型
chat 聊天 qwen3-vl:8b
edit 选中改写（Ctrl+I） qwen3-vl:8b
apply 应用 AI 生成的代码 qwen3-vl:8b
autocomplete Tab 补全 qwen2.5-coder:1.5b-base
embed @codebase 嵌入 nomic-embed-text
rerank 搜索结果排序 可选
summarize 摘要 可选

为什么 Chat 和 Autocomplete 要用不同模型：

  • Chat 要聪明（参数多，慢点没事）
  • Autocomplete 要快（参数小，专精补全）

2.3 Rules（规则）

给 AI 立"人设"和"规矩"。每次对话，规则会自动注入到 prompt 里。

三种规则位置：

类型 保存路径 适用范围
Default agent system message Continue 内置 Agent 模式默认行为（不用改）
Workspace rule <项目>\.continue\rules\xxx.md 只对当前项目生效
Global rule C:\Users\liuxin\.continue\rules\xxx.md 对所有项目生效

创建规则的两种方式：

方式 A：UI 创建（容易踩坑）

  1. Rules 菜单 → "Add workspace/global rule"
  2. Rule name 框只填一个简短英文名（如 csharp-style）

    ⚠️ 不是填规则内容！这是文件名

  3. Create → 自动打开 csharp-style.md
  4. 在 md 文件里写规则内容
  5. Ctrl+S 保存

方式 B：直接改 config.yaml（推荐）

rules:
  - |
    你是一个熟悉 C# 和 .NET 10 的编程助手。请遵守以下规则：
    1. 所有回复用中文
    2. 代码用 C# 14 / .NET 10 语法
    3. public 方法必须有 XML 注释
    4. 优先使用 LINQ
    5. 错误处理用 ArgumentNullException
    6. 异步方法用 async/await，不用 .Result 或 .Wait()
    7. 不要用 var，明确指定类型

2.4 Tools（工具）

AI 在 Agent 模式下能调用的工具。

  • Built-in Tools（15 个内置）：read_file、edit_file、create_file、run_command、search_web、codebase_search 等
  • MCP Servers：外部工具协议，能接入 GitHub、数据库、Jira 等

新手不用配，15 个内置够用。

2.5 Configs（多套配置）

可以配多套配置切换：

  • Main Config（日常）
  • Code Review Config（审查代码用更强模型）
  • Quick Chat Config（快速问答用小模型省时间）

新手一套就够。

2.6 Indexing（索引）

给整个项目建索引，支持 @codebase 全项目搜索。

⚠️ Continue v2.0 这个菜单被标记为 deprecated——意思是旧版 UI 以后会移除，但功能还在。新版直接在聊天框输入 @codebase 即可。

需要在 config.yaml 加：

context:
  - provider: codebase

3. Chat / Edit / Agent 三种模式详解

3.1 Chat（聊天模式）⭐

AI 只回答、给代码片段，不动你的文件。

  • 你问："C# 怎么读 JSON？"
  • AI 回：贴一段代码 + 解释
  • 代码不会进你的项目
  • 想用就复制粘贴，或点 "Apply to editor"

适合：问概念、生成新代码、解释报错、讨论方案

3.2 Edit（编辑模式）

AI 直接改你选中的代码，改完显示 diff（红绿对比），你点 Accept 接受。

操作：

  1. 选中一段代码
  2. 按 Ctrl+I
  3. 输入 "加参数校验"
  4. AI 改好，显示 diff
  5. Accept 接受

适合：重构、加功能、改风格、翻译注释

3.3 Agent（智能体模式）

AI 自主完成任务：读项目、改多个文件、跑终端命令、调用工具。

操作：

  1. 切 Agent 模式
  2. 输入 "加一个用户登录功能"
  3. AI 自己：读项目结构 → 创建 Controller → 改 Startup.cs → 跑 dotnet build → 修复错误 → 报告完成

适合：复杂任务、多文件协同改动

风险：AI 可能改错文件，用之前先 Git 提交一次，方便回滚。

3.4 三种模式对比

⚠️ 注意区分两个容易混淆的概念：

  • 2.2 节的「模型角色」（chat / edit / autocomplete / embed）：是 Continue 在配置层给模型分配的任务类型——哪个模型负责聊天、哪个负责补全
  • 本节的「交互模式」（Chat / Edit / Agent）：是你与 AI 在使用层的交互方式——你是只想聊天、还是要改选中的代码、还是让 AI 自主干活

简单说：模型角色是"后台分工"，交互模式是"前台操作"。

维度 Chat Edit Agent
改你的代码 ❌ ✅（你选中的） ✅（自主选）
读你的文件 ❌ ❌ ✅
跑终端命令 ❌ ❌ ✅
速度 快 中 慢
安全性 最高 高 中
适合新手 ⭐⭐⭐ ⭐⭐ ⭐

新手建议：先用 Chat 跑通基础对话，再试 Edit，最后才试 Agent。

4. @ 菜单（Context Providers）

聊天框输入 @，弹出 context 菜单。Continue v2.0 默认提供的：

选项 含义
File 指定某个文件作为上下文
Current File 当前打开的文件
Git Diff 当前 Git 未提交改动
Terminal 终端输出（报错给 AI 看）
Problems VSCode 问题面板内容
Rules 引用某条自定义规则
Add more context providers 添加更多（如 codebase）

4.1 怎么加 Codebase

Continue v2.0 默认不显示 @codebase，需要手动加：

  1. 改 C:\Users\liuxin\.continue\config.yaml
  2. 加 context: 段：
context:
  - provider: codebase
  - provider: currentFile
  - provider: file
  - provider: diff
  - provider: terminal
  - provider: problems
  - provider: rules
  1. Ctrl+Shift+P → Reload Window
  2. 再输入 @，菜单里会出现 codebase

4.2 @codebase 是什么

让 AI 能搜索整个项目，找到相关代码。属于"高级功能"。

典型用法：

  • @codebase 项目里有哪些 Controller？
  • @codebase 找到所有处理用户登录的代码
  • @codebase 用现有 Controller 风格写一个新的

4.3 不加 @codebase 也能用 Continue 吗

完全可以。@codebase 只是个增强功能：

能力 不加 @codebase
聊天、写代码、改代码 ✅ 能用
Tab 补全 ✅ 能用
Ctrl+I 改选中代码 ✅ 能用
@file 指定文件给 AI ✅ 能用
Agent 模式 ⚠️ 能用但找文件效果差

新手建议：先把核心功能用熟，再回来配 @codebase。

5. AI 知识体系（关键认知）

📖 点击展开 / 收起 — 必读：5 层架构 + 模型类型；选读：概念层次、训练流程等

学 AI 不能只会用，必须懂原理。下面按「实用度从高到低」排序。

5.1 AI 工具栈 5 层架构 ⭐（必读）

┌─────────────────────────────────────────────┐
│   第 5 层：AI 应用                           │
│   ChatGPT、Claude.ai、Continue、Cursor、     │
│   Claude Code、通义千问客户端                │
└─────────────────────────────────────────────┘
                  ↓ 用 API
┌─────────────────────────────────────────────┐
│   第 4 层：API 协议                          │
│   - OpenAI 兼容协议（事实标准）              │
│   - Anthropic 协议                           │
│   - Ollama 协议                              │
│   - MCP（工具调用协议）                      │
└─────────────────────────────────────────────┘
                  ↓
┌─────────────────────────────────────────────┐
│   第 3 层：模型管家 / 运行环境               │
│   云端：OpenAI API、Anthropic API、          │
│         DeepSeek API、阿里 DashScope         │
│   本地：Ollama、LM Studio、llama.cpp         │
└─────────────────────────────────────────────┘
                  ↓
┌─────────────────────────────────────────────┐
│   第 2 层：模型本身                          │
│   - 闭源：Claude、GPT-5、Gemini              │
│   - 开源：Qwen3、DeepSeek-R1、Llama 4、      │
│           Mistral、Phi-4                     │
│   格式：.gguf、.safetensors                  │
└─────────────────────────────────────────────┘
                  ↓
┌─────────────────────────────────────────────┐
│   第 1 层：硬件                              │
│   云端：H100/B200 GPU 集群                   │
│   你的：RTX 5070 Ti 12GB                     │
└─────────────────────────────────────────────┘

关键认知：

你的栈 同事的栈
Continue（应用层） Claude Code（应用层）
Ollama（管家层） Anthropic API（管家层）
qwen3-vl:8b（模型层） DeepSeek V4（模型层）
5070 Ti（硬件层） H100 集群（硬件层）

Claude Code ≠ Ollama——它们不在同一层。Claude Code 对应的是你的 Continue，不是 Ollama。

5.2 四种模型类型 ⭐（必读）

类型 干嘛的 例子
LLM（生成式） 会聊天写代码 qwen3-vl:8b, Claude, GPT-5
嵌入模型 把文字转向量（不生成文本） nomic-embed-text
Reranker 给搜索结果重新排序 cohere-rerank
专用模型 只干一件事 Whisper（语音）、Stable Diffusion（画图）

这就是为什么 Continue 需要 3 种模型：qwen3-vl 做生成、nomic-embed 做向量化、qwen2.5-coder 专做补全——各司其职。

5.3 LLM 关键参数 ⭐（必读）

参数 含义 影响
参数量（B） 模型有几十亿"权重" 智商、显存占用
上下文长度（K） 一次能看多少 token 能读多少代码
温度（temperature） 输出随机性 0=严谨，1=创意
量化等级 FP16/Q8/Q4/Q2 显存占用 vs 精度

参数量等级

1B-3B    → 手机能跑
7B-14B   → 入门级（你的 qwen3-vl:8b）⭐
32B-70B  → 进阶级（需要 24GB+ 显存）
100B+    → 顶级（只能云端）

量化等级

FP16（原始）  → 8B 模型约 16GB 显存
Q8           → 8B 模型约 8GB
Q4           → 8B 模型约 5GB ⭐ 你下的就是这个
Q2           → 8B 模型约 3GB（智商损失大）
🔍 选读：概念层次树 + 训练流程

5.4 AI 概念层次（选读）

AI（人工智能）
└── 机器学习（ML）
    └── 深度学习（DL）
        ├── 计算机视觉（CV）  ← 看图
        ├── 自然语言处理（NLP）← 处理文字
        │   └── LLM（大语言模型）  ← ChatGPT 这类
        │       ├── 文本模型（GPT-3, Llama, qwen3）
        │       ├── 多模态模型（VLM：qwen3-vl, GPT-4o）
        │       └── 推理模型（DeepSeek-R1, o3）
        └── 强化学习（RL）
            └── RLHF  ← 训练 LLM 用

5.5 LLM 是怎么训练出来的（选读）

1. 预训练（Pre-training）
   - 喂数 TB 级互联网文本、代码
   - 学会"下一个词"预测
   - 几千张 H100 跑几个月
   - 成本：千万美元级
   ↓
2. 监督微调（SFT）
   - 喂"指令-回答"对
   - 学会"听人话"
   ↓
3. RLHF（人类反馈强化学习）
   - 让人给回答打分
   - 训练奖励模型
   - 用强化学习优化
   ↓
4. 对齐（Alignment）
   - 让模型不胡说、不害人
   - 你看到的"作为 AI 我不能..."就是这个

qwen3-vl:8b 训练完成
   ↓
你下载的就是训练好的"权重文件"（.gguf 格式）

6. AI Agent 是什么

🤖 点击展开 / 收起 — Agent 三大能力 + 常见工具

6.1 普通 LLM vs AI Agent

普通 LLM:
你: "写一个登录函数"
AI: 输出一段代码（结束）

AI Agent:
你: "给项目加登录功能"
Agent:
  1. 调用 read_file 看现有代码
  2. 调用 list_dir 找 Controller
  3. 调用 create_file 写 LoginController.cs
  4. 调用 edit_file 改 Startup.cs
  5. 调用 run_command 跑 dotnet build
  6. 看到 build 失败
  7. 调用 read_file 看错误
  8. 调用 edit_file 修复
  9. 重新 build 成功
  10. 报告完成

6.2 Agent 三大核心能力

能力 干嘛 例子
工具调用（Tool Use） 调外部工具干活 read_file, run_command, web_search
规划（Planning） 把大目标拆成小步骤 "加登录功能" → 5 个步骤
记忆（Memory） 记住之前发生的事 "刚才 build 失败因为缺 using"

6.3 常见 Agent 工具

工具 类型 收费
Claude Code 命令行 Agent（Anthropic 出） $20/月
Cursor IDE 内置 Agent $20/月
Continue Agent 模式 VSCode 扩展 免费（用本地模型）
AutoGPT 通用 Agent 框架（开源） 免费
LangChain 开发框架（写代码用） 免费

7. 相关概念一次性讲清

🧩 点击展开 / 收起 — 按与 Continue 的关联度从高到低排序

7.1 RAG（检索增强生成）⭐ 核心（@codebase 原理）

传统 LLM: 你问 → AI 用训练时的知识答
问题: 训练时的知识不够新、不知道你公司内部代码

RAG: 你问 → 先去知识库找相关内容 → 把内容塞进 prompt → AI 基于内容答

Continue 的 @codebase 就是 RAG：

  • 知识库 = 你项目的代码
  • 找相关内容 = nomic-embed-text 算向量距离
  • 塞进 prompt = 把代码传给 qwen3-vl
  • AI 答 = qwen3-vl 基于代码回答

7.2 MCP（Model Context Protocol）⭐ 重要（Agent 工具协议）

以前: 每个 AI 工具自己定义"怎么调工具"
问题: 工具不能复用，每个 AI 都要重写集成

MCP: Anthropic 提的标准协议
"任何 AI 都按统一格式调用工具"

类比: USB 协议
- 任何电脑（AI）都能用任何 USB 设备（工具）
- 不用为每个设备单独写驱动

7.3 Function Calling（函数调用）（Agent 底层）

LLM 训练时学会了"识别什么时候该调函数"：

用户: "今天天气怎么样"
LLM: → 调用 get_weather("今天")
     → 拿到 "晴 25度"
     → 回答 "今天晴，25 度"

是 Agent 的底层能力之一。

7.4 Token（令牌）（常识）

"Hello, world"
   ↓ 分词
["Hello", ",", " ", "world"]
   ↓ 转 ID
[15496, 11, 220, 995]

LLM 不直接读文字，读 token。1 个中文字 ≈ 1-2 token，1 个英文单词 ≈ 1 token。

计费按 token。DeepSeek V4 大概每百万 token 几块钱。

7.5 Context Window（上下文窗口）（常识）

模型一次能"看到"的最大 token 数

qwen3-vl:8b 默认 4K (4096 token)
            最高 32K
Claude Sonnet: 200K
Gemini 1.5: 2M  ← 能塞一本书

8. 本地 vs 云端的真实对比

8.1 不准确的类比纠正

之前说"qwen3-vl:8b 相当于 GPT-3.5"——这个说法不准确。

维度 GPT-3.5（2022） qwen3-vl:8b（2025）
发布年份 2022 2025
多模态 ❌ 只能读文字 ✅ 能看图
上下文 4K-16K 32K
代码能力 一般 较强
中文 一般 优秀
工具调用 弱 中等

真实定位：qwen3-vl:8b 大约相当于"轻量版 GPT-4"，比 GPT-3.5 强，比顶级模型弱。

8.2 诚实对比

模型 智商 写 C# 代码能力 改 DLL 二进制那种复杂任务
你的 qwen3-vl:8b（本地） 中等偏上 ✅ 90% 日常够用 ❌ 不行
阿里云 qwen-max（千问客户端） 高 ✅✅ ⚠️ 勉强
DeepSeek V4（云端） 顶级 ✅✅✅ ✅ 能做
Claude Sonnet 4.5（云端） 顶级 ✅✅✅ ✅

8.3 8B 模型真实能力清单

图例说明：✅ = 完全胜任　⚠️ = 能做但需人工分步骤监督　❌ = 做不了

✅ 完全能做

任务 能力
23 种 GOF 设计模式应用 ✅
把过程式代码改成面向对象 ✅
单例、工厂、策略、观察者模式实现 ✅
提取接口、抽象基类 ✅
依赖注入改造 ✅
写单元测试 ✅
async/await 改造 ✅
解释 C# 概念 ✅
简单三层架构 ✅
看代码建议改进 ✅
中等规模重构（分步骤做） ⚠️

❌ 真正做不了（极端任务）

任务 难度
改 DLL 二进制（Halcon 那种） 顶级
整个项目级重构（100+ 文件） 顶级
设计全新微服务架构 顶级
跨多文件自主 Agent 任务 顶级

8.4 学设计模式用本地反而更好

维度 本地 qwen3-vl 公司 CC+DeepSeek V4
试错成本 0 元 按 token 计费
反复问 随便问 省着问
实验 不心疼 心疼 token
调试 不限次 限次
离线 ✅ ❌

学设计模式的核心是"反复实操"：把代码改成工厂模式 → 看效果 → 改成单例 → 看效果。这种反复试错用本地最好。

9. 双轨制策略（最优方案）

如果你公司可以申请 token 用 Claude Code + DeepSeek V4——这是完美搭配：

日常 90% 任务：本地 qwen3-vl:8b（免费、隐私）
   ├─ 学 AI 概念
   ├─ 学设计模式、改造代码
   ├─ 写简单代码
   ├─ 调试简单问题
   └─ 隐私敏感代码（公司机密）

复杂 10% 任务：公司 token 用 CC + DeepSeek V4
   ├─ Halcon DLL 冲突那种
   ├─ 重构大模块
   ├─ 设计架构
   └─ 自主 Agent 任务

这才是聪明做法——不是非此即彼。

10. Continue 的最大优势

维度 GitHub Copilot Continue
模型 OpenAI/Claude 云端 任意（本地 Ollama 或云端）
付费 $10/月 免费
数据 代码传云端 本机不出门
可定制 几乎不行 高度可定制（config.yaml）
开源 闭源 完全开源（Apache 2.0）
智商 顶级 看你接的模型

Continue 的核心价值是"灵活"——同一个客户端，按需切换本地/云端模型：

# 本地（隐私敏感代码用）
- name: Qwen3-VL-8B (Local)
  provider: ollama
  model: qwen3-vl:8b
  roles: [chat, edit]

# 云端（复杂任务用，要 API key）
- name: DeepSeek V4 (Cloud)
  provider: deepseek
  apiKey: sk-xxxxx
  model: deepseek-v4
  roles: [chat, edit]

在 Continue 顶部下拉框切换即可。

💡 Ollama 服务是否正常？ 用 Test-NetConnection 127.0.0.1 11434 验证，TcpTestSucceeded : True 即可。更详细的端口/协议/浏览器验证说明见附录 D。

11. 实操测试建议

11.1 测试 1：让 AI 教你设计模式

请用 C# 写一个策略模式的完整示例：电商系统的折扣计算（满减、打折、满件优惠三种策略），要有详细中文注释。

8B 模型 100% 能写出完整正确的代码。

11.2 测试 2：让 AI 改造你的代码

把一段你写过的代码贴到 .cs 文件，选中，按 Ctrl+I：

请用策略模式重构这段代码，消除 if-else 分支。

11.3 测试 3：架构咨询

我现在有一个 ASP.NET Core 项目，Controller 直接调用 SqlConnection 查数据库。我想改成三层架构（Controller-Service-Repository），应该怎么重构？给我一个分步骤的方案。

11.4 测试 4：Tab 补全

新建 test.cs，输入：

public static bool IsPalindrome(string s) {

停 0.5~1 秒，看灰字出现没。

12. 常见问题

Q1：Continue UI 创建规则失败

症状：点 "Add rule" → 输入名字 → Create → 没反应或文件名乱码。

原因：Rule name 框应该填简短英文名（如 csharp-style），不是填规则内容。

解决：直接改 config.yaml 加 rules: 段（见 2.3 节）。

Q2：@codebase 默认没出现

症状：输入 @ 后菜单里没有 codebase 选项。

原因：Continue v2.0 默认不启用 codebase provider。

解决：在 config.yaml 加 context: 段（见 4.1 节）。

Q3：点 "Add more context providers" 跳到 404 页面

原因：Continue v2.0 UI 引用了不存在的文档链接（官方 bug）。

解决：直接改 config.yaml 加 context provider。

Q4：ollama pull 下载模型很慢/卡住

解决：详见《[Ollama 本地部署实战](file:///d:/TraeProject/Default/Ollama本地部署实战-qwen3-vl-8b.md)》第 8.3 节。

Q5：Continue 模型下拉框没有 qwen3-vl:8b

原因：config.yaml 里模型配置没生效。

解决：

  1. 检查 config.yaml 缩进是否正确
  2. Ctrl+Shift+P → Reload Window
  3. 在 Continue 顶部下拉手动选

Q6：8B 模型智商够不够用

够用 90% 日常任务：

  • 学设计模式 ✅
  • 改造代码 ✅
  • 写单元测试 ✅
  • 解释概念 ✅
  • 调试简单问题 ✅

不够用的 10%：

  • 改 DLL 二进制
  • 整个项目级重构
  • 复杂 Agent 任务

对策：双轨制，复杂任务用公司 token。

13. 学习路径建议

阶段 1：会用（1-2 周）

学什么 怎么学
Continue 聊天、补全、Ctrl+I 用着用着就会
Prompt 基础 试不同问法看效果
区分 Chat/Edit/Agent 模式 实操三种模式

阶段 2：懂原理（1-2 个月）

学什么 资源
LLM 工作原理（Transformer） B 站搜 "3Blue1Brown Transformer"（备用：YouTube 原版 "Transformer Neural Networks, But What Is A Transformer?"）
Token、Context Window、温度 OpenAI 文档
量化、参数量、显存关系 Ollama 文档
嵌入模型 / 向量数据库 看 nomic-embed-text 怎么用

阶段 3：能改造（3-6 个月）

学什么
用 C# Microsoft.Extensions.AI 库调用 Ollama
自己写 RAG 系统（接你的 SQL Server 数据）
写 MCP Server 让 AI 操作你的系统
LangChain（Python）/ Semantic Kernel（C#）

阶段 4：能开发（半年+）

学什么
微调模型（LoRA）
部署自己的 AI 服务
多 Agent 系统
评估和优化

总结

核心要点回顾

  1. Continue 6 大菜单：Chat / Models / Rules / Tools / Configs / Indexing
  2. 三种模式：Chat（安全）/ Edit（精准）/ Agent（自主）
  3. @ 菜单：通过 config.yaml 的 context: 段添加 codebase 等 provider
  4. AI 工具栈 5 层：应用 / API 协议 / 模型管家 / 模型 / 硬件
  5. Agent 三大能力：工具调用 / 规划 / 记忆
  6. RAG = @codebase 的原理：检索 + 生成
  7. MCP = AI 工具调用的 USB 协议
  8. 8B 模型真实水平：比 GPT-3.5 强，比顶级模型弱，90% 日常够用
  9. 双轨制最优：本地日常 + 云端复杂
  10. Continue 最大优势：灵活切换本地/云端模型

关键认知

误解 真相
"本地等于 GPT-3.5，废了" ❌ 错。比 GPT-3.5 强，90% 日常够用
"本地可以完全替代云端" ❌ 错。复杂任务做不了
"Claude Code = Ollama" ❌ 错。Claude Code 对应的是 Continue
"必须用云端顶级模型才能学设计模式" ❌ 错。学设计模式本地更好
"双轨制最好" ✅ 对。日常本地免费，复杂任务用云端

最终建议

阶段 用什么
现在（学习期） 本地 Continue+qwen3-vl，把基础打牢
日常写代码 本地 Continue+qwen3-vl，够用
隐私代码 本地 Continue+qwen3-vl，必须用
复杂任务 申请公司 token，用 Claude Code+DeepSeek V4
学 AI 概念 本地实操，理解原理

本地化没白搞——它是你"懂 AI"的入门券，不是"省钱替代品"。

附录 A：完整 config.yaml 参考模板

⚠️ YAML 对缩进极其敏感：复制本模板后，请确认所有缩进为 2 个空格（不要用 Tab，不要用 4 空格），缩进错误会导致 Continue 无法解析配置，模型不显示。

name: Main Config
version: 1.0.0
schema: v1

models:
  # 聊天+编辑用：qwen3-vl 多模态通用模型
  - name: Qwen3-VL-8B
    provider: ollama
    model: qwen3-vl:8b
    apiBase: http://localhost:11434
    roles:
      - chat
      - edit
      - apply

  # Tab 补全用：qwen2.5-coder 专为代码补全训练
  - name: Qwen2.5-Coder 1.5B
    provider: ollama
    model: qwen2.5-coder:1.5b-base
    apiBase: http://localhost:11434
    roles:
      - autocomplete

  # 代码库嵌入：用于 @codebase 搜索
  - name: Nomic Embed
    provider: ollama
    model: nomic-embed-text:latest
    apiBase: http://localhost:11434
    roles:
      - embed

  # 可选：接云端顶级模型处理复杂任务
  # - name: DeepSeek V4 (Cloud)
  #   provider: deepseek
  #   apiKey: sk-xxxxx
  #   model: deepseek-v4
  #   roles:
  #     - chat
  #     - edit

context:
  - provider: codebase
  - provider: currentFile
  - provider: file
  - provider: diff
  - provider: terminal
  - provider: problems
  - provider: rules

rules:
  - |
    你是一个熟悉 C# 和 .NET 10 的编程助手。请遵守以下规则：
    1. 所有回复用中文
    2. 代码用 C# 14 / .NET 10 语法
    3. public 方法必须有 XML 注释（/// <summary>）
    4. 优先使用 LINQ
    5. 错误处理用 ArgumentNullException / ArgumentException
    6. 异步方法用 async/await，不要用 .Result 或 .Wait()
    7. 不要用 var，明确指定类型
    8. 文件路径用 Windows 风格（反斜杠 \）

附录 B：常用命令速查

# Ollama 命令
ollama list                    # 列出已下载模型
ollama ps                      # 列出运行中的模型
ollama serve                   # 启动后台服务
ollama pull <模型名>           # 下载模型
ollama run <模型名>            # 命令行交互
ollama show <模型名>           # 查看模型详情

# VSCode 命令
code --list-extensions         # 列出已装扩展
code --install-extension <名>  # 命令行装扩展

# 网络诊断
Test-NetConnection -ComputerName 127.0.0.1 -Port <端口>
Get-NetTCPConnection -State Listen

# 环境变量
[Environment]::GetEnvironmentVariable("OLLAMA_MODELS", "User")

# .NET 验证
dotnet --version               # SDK 版本
dotnet --list-sdks             # 已装 SDK 列表
dotnet --list-runtimes         # 已装运行时

附录 C：端口速查表

端口 服务 协议
80 HTTP / IIS HTTP ✅
443 HTTPS HTTP ✅
135 RPC（Windows 远程调用） 私有
445 SMB（文件共享） 私有
1433 SQL Server TDS
1434 SQL Server Browser UDP
3306 MySQL MySQL
5432 PostgreSQL PostgreSQL
6379 Redis RESP
8080 备选 HTTP HTTP ✅
11434 Ollama HTTP ✅

附录 D：验证本地服务的方法（认知补充）

D.1 浏览器访问能验证什么

浏览器是 HTTP 协议的客户端，只能直接访问说 HTTP 协议的服务。

服务 端口 协议 浏览器能访问吗
Ollama 11434 HTTP ✅ 显示 "Ollama is running"
Web 服务器 80 HTTP ✅ 显示网页
MySQL 3306 MySQL 私有协议 ❌ 显示乱码
SQL Server 1433 TDS 协议 ❌ 同上

D.2 端口列表 ≠ 已装软件列表

Get-NetTCPConnection -State Listen

只能看到正在监听网络端口的进程：

进程 在端口列表吗 已装吗
ollama ✅（一直跑） ✅
dotnet ❌（用完退出） ✅
git ❌（根本不监听端口） ✅
node ⚠️（跑 npm start 时才在） ✅

正确验证 .NET SDK 装没装：

dotnet --version

输出 10.0.302 → ✅ 已装 .NET 10 SDK。

D.3 万能端口检测命令

Test-NetConnection -ComputerName 127.0.0.1 -Port <端口号>

TcpTestSucceeded : True → 端口在监听。

后记

本篇是 [第一篇 Continue 实战](file:///d:/TraeProject/Default/VSCode接入本地AI写代码-Continue-Ollama实战.md) 的续集，主要补全：

  1. Continue v2.0 完整配置（models / context / rules / docs / mcpServers）
  2. 6 大菜单详解（Chat / Models / Rules / Tools / Configs / Indexing）
  3. 三种模式对比（Chat / Edit / Agent）
  4. @codebase 配置方法（默认不启用，要手动加）
  5. AI 知识体系科普（5 层架构 / 4 种模型类型 / Agent 概念）
  6. RAG / MCP / Function Calling / Token 等概念
  7. 本地 vs 云端真实对比（双轨制策略）
  8. 常见问题排查

希望这篇博客能帮你从"会装"到"懂"，从"会用"到"会改造"。

核心结论：本地化不是省钱替代品，是「懂 AI」的入门券。理解了 RAG、Agent、MCP 这些概念后，回头看本地配置的每一步，都对应着 AI 工程的核心机制。

📌 下一步：第三篇将是「总结篇」——3 分钟速查卡，涵盖配置要点、三种模式选择、@codebase 使用、双轨制策略 4 个核心模块，方便日常随时查阅。

共勉。

posted @ 2026-08-10 23:49  孤沉  阅读(70)  评论(0)    收藏  举报