由于种种原因，小伙伴们在写代码时，不一定能用上Github Copilot；或者由于代码安全的原因，不能使用外网的编程助手。今天我就介绍一种利用开源大语言模型在本地搭建编程助手的方案：

IDE插件：Continue本地开源大语言模型框架：Ollama本地开源大语言模型（推荐 Code Llama）

该方案适用于 VS Code 和 PyCharm，搭建的步骤类似，如下步骤中以VS Code为例说明。

Step 1: 安装 Continue 插件

在VS Code 和 PyCharm的插件市场中搜索并安装 Continue 插件，以VS Code为例，安装步骤截图如下：

安装完成后，默认会有一些在线的大语言模型供试用（需要联网）。

更多关于Continue插件的细节，可以参考Continue插件的官网：Continue官网

Continue插件支持GPT-4 / Claude-2 等收费大语言模型，只需要将自己的 api key 更新到配置文件中的 <code>apiKey 即可，以下步骤将介绍如何使用 Continue 插件调用本地开源大语言模型。

Step 2: 安装本地开源大语言模型框架 Ollama

Ollama 是一个可以在本地部署和管理开源大语言模型的框架，由于它极大的简化了开源大语言模型的安装和配置细节，一经推出就广受好评，目前已在github上获得了46k star。

Step 3: 下载代码大语言模型 Code Llama

安装Ollama后，即可一键安装开源大语言模型。Ollama支持大部分主流的开源大语言模型，但是在编程助手的使用场景下，我更推荐Meta发布的 CodeLlama，包含 7b / 13b / 34b / 70b 四种参数规模，小伙伴们可以根据本地GPU的性能，下载合适的Code Llama版本

PS: Code Llama除了有不同的参数版本，根据微调语料的不同类型，还有基础、Python、instruct三种类型的微调版本，其中instruct是经过自然语言指令微调的，更适合本文的使用场景，所以推荐使用 instruct 版本，以上表格中的命令默认下载的就是instruct版本。

Step 4: 配置 Continue + Ollama

Ollama服务运行后，默认的API接口地址是localhost:11434，能够为本机提供服务。

也可以在Ollama中配置环境变量 OLLAMA_HOST=0.0.0.0:11434 来对局域网提供服务，API接口地址就是:11434。（

将大语言模型的信息和API接口地址添加到 Continue 的配置文件中，举例如下：

json复制代码"models": [

{

"title": "codellama:7b",

"provider": "ollama",

"model": "codellama:7b",

"api_base": "localhost:11434"

}

修改完配置文件后，在 IDE 的 Continue 插件界面选择本地大模型，就可以愉快的使用本地大模型玩耍了：

至此，Continue插件就可以和本地大语言模型联动，调用本地的大语言模型来辅助编程，实现本地的编程助手。

Bingo! 运行 Continue + Ollama

如下图中的例子，我让大模型帮忙写一下python的函数，用于判断输入的数字是不是质数：

添加常用的快捷指令 (可选)

阅读 Continue 插件的配置文件，会发现其中已经内置了一些快捷指令，其实就是将一段提示词简化为一个命令，比如:

comment: 为选中的代码添加注释，对应的提示词是 <code>Write comments for the highlighted codeedit: 编辑选中的代码，对应的提示词是 Edit highlighted code

参照这些示例，我们也可以添加自己常用的快捷指令，比如我添加了一个代码评审的快捷指令 review，具体配置如下：

json复制代码"custom_commands": [

{

"name": "review",

"prompt": "Act as a comprehensive code review assistant to help me analyze and improve the selected code",

"description": "Code review for highlighted code"

}

]

PS:

实际使用时，可以用大语言模型来辅助生成代码、改BUG、添加注释、解释代码等等。以上例子中，我仅以最小规模的7B版本为例，本地GPU性能更强的话，可以尝试更大参数规模的版本，使用效果会更好一些。本文推荐的代码大语言模型 Code Llama 的训练语料中，中文语料所占的比例较少，所以使用英文提问的效果会更好一些。Ollama同样也支持一些中文的开源模型，比如qwen 、Yi等等，这些大模型对中文的支持就会更好一些，可以参照文中的方法安装使用。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

大模型 AI 能干什么？大模型是怎样获得「智能」的？用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例：向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示（Embeddings）向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

为什么要做 RAG什么是模型什么是模型训练求解器 & 损失函数简介小实验2：手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身：基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例：如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【<code>保证100%免费】