从订阅到自由：基于VSCode+Continue+Ollama手搓本地开源AI辅助编程工作台

引言：从“复制粘贴”到“氛围编程 (Vibe Coding)”

在上一篇文章《AI辅助编程：从“复制粘贴”到“氛围编程 (Vibe Coding)”》中，我们探讨了AI如何改变开发者的心智模型。所谓的 氛围编程 (Vibe Coding)，本质上是让开发者从繁琐的语法细节中抽离，通过自然语言驱动 AI 完成复杂的逻辑构建。

要实现这种“行云流水”的体验，一个成熟的 AI Coding Agent 必须具备以下核心能力：

• LLM 语义理解：深度理解代码意图，而非简单的字符补全。
• 项目结构解读：具备 RAG 能力，能扫描工程目录并建立上下文索引（@Codebase）。
• 多文件编辑与生成：能够自动创建文件并跨文件协同重构。
• 内联编辑 (Inline Edit)：支持代码行间的 Diff 对比与一键采纳。
• 工具调用 (Tool Use)：自动运行终端命令或读取系统文件。

1. 商业战场的博弈：能力强大但“金钱”驱动

目前市场上的商业级 AI 编程工具主要由 SaaS 服务驱动，依托闭源大模型提供服务。

AI Coding Agent	License	CLI	VS Code	其他 IDE	Ollama 支持
GitHub Copilot	Commercial	✅	✅	JetBrains, Vim	✅
Claude Code	Commercial	✅	✅	Terminal	✅
Cursor	Commercial	❌	✅	Standalone	✅
Droid	Commercial	✅	✅	Slack	✅

• 优势：依托云端顶级模型，不占用本地资源，响应逻辑强。
• 缺点：按月订阅收费；代码隐私存在风险；如果不是合理使用会造成额度浪费。

2. 极客的选择：在 Mac M3 上打造本地“大脑”

如果你拥有一台 MacBook Pro M3，其独特的统一内存架构（Unified Memory）简直是为运行中大型本地模型而生的。相比于昂贵的 SaaS 订阅，利用开源工具在本地搭建工作台，不仅能榨干 M3 的性能，还能确保代码资产的绝对安全。

(1) 底层引擎的选择：为什么是 Ollama？

在本地运行 LLM 的工具链中，虽然有 LM Studio, vLLM 等选择，但 Ollama 依然是目前的最佳实践：

• 极致的本地化体验：一行命令 ollama run 即可部署，完全不依赖外部网络。
• 资源调度优化：针对 Apple Silicon 的 GPU 进行了深度优化，加载 32B 模型也能实现极低延迟。
• 标准的 API 接口：提供兼容 OpenAI 格式的本地 HTTP 接口，让前端 Agent 插件（如 Continue）能够无缝对接。

(2) 交互层的对比：AI Coding Agent 哪家强？

在开源社区中，有几个备受瞩目的 AI Coding Agent 方案，我们对其进行了横向对比：

开源 Agent 项目	License	CLI	VS Code	核心特色与推荐理由
OpenCode	Open Source	✅	✅	轻量极客风，对 NeoVim 用户极其友好。
Aider	Open Source	✅	🛠️	终端交互战神。擅长复杂重构，支持 Git 自动提交变更。
Cline	Open Source	✅	✅	功能激进。支持 Agent 模式直接执行终端指令和读写文件。
Continue	Open Source	✅	✅	全能选手。插件生态成熟，上下文索引强大，能完美适配 Ollama。

最终选择：Continue
经过权衡，我最终选择了 Continue。它的优势在于高度的自定义自由度，能够灵活配置不同的本地模型（Chat 用大模型，补全用小模型），且其 UI 交互与 GitHub Copilot Chat 高度一致，是目前手搓 AI 工作台的“满分”底座。

Continue 与 GitHub Copilot Chat 的详细比较

我们可以从以下三个维度来拆解它们的关系：

1. 核心功能的“平替”：在侧边栏对话 (Cmd+L)、内联编辑 (Cmd+I) 和代码自动补全上，Continue 完全复刻了 Copilot Chat 的核心体验。
2. Continue 的“降维打击”：Copilot 只能用 OpenAI 的模型，而 Continue 让你实现“模型自由”——用 Qwen 30B 搞深度思考，用 DeepSeek 16B 做代码重写。同时，它的 @ 体系（如 @Codebase）提供了 Copilot 难以触及的精准本地上下文。
3. 与 Cursor/Cline 的区别：不同于魔改整个 IDE 的 Cursor 或频繁执行系统指令的 Cline，Continue 保持了插件的纯粹性，不改变你的 IDE 习惯，仅作为超强增强包存在。

3. 落地实践：手把手配置你的 AI 工作台

在 Mac M3 环境下，我们将使用 Ollama 作为后端，结合 Qwen3 Coder 30B（高性能大模型）与 DeepSeek Coder V2 16B。

(1) 安装 Ollama 与模型准备

首先，通过 Homebrew 安装 Ollama 并将其设为后台服务。

# 安装 Ollama
brew install ollama

# 将 Ollama 设为 brew service 后台运行
brew services start ollama

# 下载并运行模型进行测试
ollama run qwen3-coder:30b

# 下载备用模型及向量索引模型
ollama pull deepseek-coder-v2:16b
ollama pull nomic-embed-text  

(2) 安装 VS Code Continue 插件并配置

安装Continue插件后，修改配置文件 ~/.continue/config.yaml 如下：

name: Local Ollama Config
version: 1.0.0
schema: v1

models:
  # Primary Model (Default for Chat and Edit)
  - name: Qwen3 Coder 30B
    provider: ollama
    model: qwen3-coder:30b
    contextLength: 32768
    roles:
      - chat
      - edit
    apiBase: http://localhost:11434

  # Secondary Model (Available in dropdown)
  - name: DeepSeek Coder V2 16B
    provider: ollama
    model: deepseek-coder-v2:16b
    contextLength: 32768
    roles:
      - chat
      - edit
    apiBase: http://localhost:11434

  # Dedicated Autocomplete Model
  - name: Qwen3 Autocomplete
    provider: ollama
    model: qwen3-coder:30b
    roles:
      - autocomplete

  # Embeddings Model (for @codebase)
  - name: Nomic Embed
    provider: ollama
    model: nomic-embed-text
    roles:
      - embed

context:
  - provider: currentFile 
  - provider: file        
  - provider: folder   
  - provider: open        
    params:
      onlyPinned: false
  - provider: code        
  - provider: terminal    

(3) 开启 Vibe Coding：实战演练

配置完成后，你可以通过Continue的侧边栏或快捷键进入“氛围编程”模式。核心技巧在于利用 @ 符号 精确喂给 AI 上下文，以及让它跨越当前文件去创造新内容。

实战场景示例：快速构建一个天气预报 CLI 工具
假设你正在开发一个 Python 项目，现在需要增加一个处理 API 请求的模块。

• 第一步：利用 @ 精确注入上下文 (Context)
  在 Continue 侧边栏（Cmd + L）中输入：

  “使用 @currentFile 作为参考，参考其中定义的错误处理逻辑，帮我写一个新的工具类。需求是：调用 OpenWeather API 获取天气，需要包含单元测试。”
  技巧点：通过输入 @，你会看到一个下拉菜单。选择 @file 可以指定特定文件，选择 @folder 可以让 AI 了解整个目录结构。这比手动复制粘贴代码块高效得多。

• 第二步：生成新的代码文件
  AI 生成代码后，你不需要手动创建文件。在 Continue 的对话框上方通常有一个 “Insert into new file” 或 “Create file” 的图标（或者你直接要求它："Generate the code and save to weather_service.py"）。
  动作：Qwen3 会写出完整的 weather_service.py 逻辑。你只需点击代码块右上角的“应用”按钮，系统会自动弹出保存对话框或直接创建文件。

• 第三步：多文件协同与内联编辑 (Inline Edit)
  现在你需要将这个新服务集成到主程序 main.py 中：

  1. 打开 main.py。
  2. 按下 Cmd + I (MacOS) 唤起内联编辑框。
  3. 输入：“导入并调用 @weather_service.py 中的类，在程序启动时打印伦敦的天气”。
     观察：AI 会自动在 main.py 顶部添加 import 语句，并在合适的位置插入调用逻辑。你会看到一个类似 Git Diff 的界面，绿色为新增代码，红色为删除代码。

• 第四步：通过 @terminal 闭环调试
  如果在运行 python main.py 时报错（例如缺少 requests 库）：
  在侧边栏输入：@terminal 帮我分析这个报错。
  结果：AI 会读取终端最后几行的错误日志，告诉你 ModuleNotFoundError，并直接给出 pip install requests 的指令。

总结

通过 VS Code + Continue + Ollama 的组合，我们成功在本地 Mac M3 上构建了一个完全属于自己的 AI 编程大脑。这不仅省去了每月的订阅费，更重要的是它实现了代码资产的100%隐私安全，并将 AI 的响应速度提升到了极致。

真正的“氛围编程(vibe coding)”不在于AI替你写所有代码，而在于你能够通过简单的 @指令 和 意图描述，指挥AI在你的项目阵地里开疆拓土。