零基础入门AI：四步快速搭建本地的编程助手 Step 1

发表于

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：
1.png
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）。
2.png

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 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。

关于Ollama的更多介绍和安装方法请参见 零基础入门AI：一键本地运行各种开源大语言模型 - Ollama。

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

参数版本 链接 命令
7 billion View ollama run codellama:7b
13 billion View ollama run codellama:13b
34 billion View ollama run codellama:34b
70 billion View ollama run codellama:70b

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<ollama server IP>:11434。（具体可参见 零基础入门AI：一键本地运行各种开源大语言模型 - Ollama）

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：

1
2
3
4
5
6
7
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：

3.png

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：
4.png

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 Write comments for the highlighted code
  • edit: 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：

1
2
3
4
5
6
7
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。

本文转载自: 掘金

开发者博客 – 和开发相关的 这里全都有

0%