Continue：开源 AI 代码助手，本地优先的隐私方案

一句话定位

Continue 解决的是代码助手的两大顽疾：数据隐私和模型锁定。你的代码可以留在本地跑私有模型，也可以随时切换到不同云厂商的模型，一套配置统一管理，不用再给每个编辑器装一堆各厂商的插件。

GitHub 数据

数据基于仓库公开信息，时间截至 2025 年 4 月。

项目背景

Continue 由 Ty Dunn 等开发者发起，最初是个人对现有 Copilot 类工具的不满：大家都把代码上传云端、模型不可替换、行为不可定制，企业内部更是直接因为合规问题被毙掉。于是他们做了这个 本地优先（local-first）的代码助手。项目早期以 VS Code 插件形式发布，后来扩展到了 JetBrains 全家桶，并且独立成立了公司继续维护。

核心痛点说得直白点：代码是你的资产，不是模型的训练饲料。Continue 让你自选模型、自选数据存储、自选是否联网。对于有保密要求的项目，这个前提条件基本就是唯一解。

核心功能解析

1. 任意模型自由切换

配置文件是 config.yaml，你可以同时定义多个模型和 Provider。官方支持 OpenAI、Anthropic、Azure、Ollama、LM Studio、vLLM、llama.cpp 甚至本地自定义 HTTP 服务。切换模型不需要换插件，改两行配置，热重载即可。

models:
  - name: CodeLlama
    provider: ollama
    model: codellama:7b
  - name: DeepSeek Coder
    provider: deepseek
    apiKey: sk-xxx
  - name: 企业内部网关
    provider: openai
    apiBase: http://10.0.0.8:8080/v1
    model: internal-coder

这个抽象层非常实用：云端模型、本地模型、公司私有网关混跑，在不同任务上按需分配。真正做到了不被任何一家厂商绑架。

2. 本地优先的代码库问答

不同于 Copilot 那种只聊当前文件的浅层分析，Continue 通过 embeddings 向量化你的整个仓库，在本地做检索增强生成（RAG），然后把你仓库的相关片段作为上下文交给模型。整个过程可以对公网完全不可见。

# 启动本地向量化服务（基于 Ollama 的 nomic-embed-text）
ollama pull nomic-embed-text
# 在 config.yaml 中启用 embeddings 配置
embeddings:
  - provider: ollama
    model: nomic-embed-text

这个功能解决的是"浏览老代码"和"跨模块改需求"时的定位成本。库越大收益越明显，而且你的代码库索引文件也完全存储在本地。

3. 可编程的规则与快捷命令

Continue 支持类似 .cursorrules 的全局规则，以及自定义 slash 命令。每个规则本质上是一段系统提示词外加钩子。你可以定义"提交前检查"、"按项目规范写代码"这类约定，然后通过 /命令名 直接调用。它甚至支持在规则里引用当前文件名、LSP 诊断结果变量，这让自动化程度比静态提示词高一截。

commands:
  - name: build-error
    description: "分析当前的编译错误"
    prompt: |
      请根据以下构建错误信息解决问题：
      $DIAGNOSTICS
      当前文件：$FILEPATH

快速上手

两种安装方式，推荐从插件市场直装。

# 方式一：VS Code 扩展市场
code --install-extension continue.continue

# 方式二：源码运行开发版
git clone https://github.com/continuedev/continue.git
cd continue/extensions/vscode
npm install
npm run build

装完建议立刻配一个本地模型试试水，比如用 Ollama 跑 deepseek-coder:6.7b。启动 Ollama 之后，直接加上面的 YAML 模型配置，重启 VS Code 即可在边栏里开始对话。整个链路不需要注册任何账号，断网也能用。

技术亮点

从架构上看，Continue 做得比较聪明的一点是模型接入层（Model Gateway）的设计。它没有自己造一套模型 SDK，而是将各种 Provider 的响应统一转成流式异步迭代器，完成 SSE 数据对齐。这意味着底层无论是 OpenAI 的 chat.completion.chunk 还是 Ollama 的 NDJSON，上层 UI 拿到的都是一样的 token 流。这种设计让新增一个模型厂商的成本降到了几十行代码，社区因此贡献了大量冷门 Provider 的支持。

另一个值得称道的是上下文预算机制。代码补全和聊天场景对 token 消耗非常敏感，Continue 内置了 tokenizer 预算计算器，会在发送请求前对系统提示词、检索到的代码片段、当前文件内容做优先级排序和自动截断。这避免了长项目中对话越聊越慢、最终爆上下文的尴尬，也是敢说"本地模型可用"的底气来源。

最后是扩展生态：整个对话界面由各种 Block 组成，支持以 TypeScript 编写自定义 Block 对接到内部工具/知识库。界面层和核心层分离彻底，这一点比很多同类项目的插件机制都要干净，也让它可以在多款 IDE 前端间复用同一套后端逻辑。

同类对比

Copilot 胜在开箱即用和 IDE 深度集成，但它在企业环境里就是个黑盒。Cline 虽然也是开源，但它更偏 Agent 模式（自主执行多步任务），而 Continue 更贴近 IDE 的原生交互思维——补全、问答、编辑，行为可控可预期。

总结

如果你对代码隐私有要求、想用本地大模型、或者不想被单一模型厂商套牢，Continue 是目前最合适的开源选择；它也许不如 Copilot 开箱即用，但懂行的开发者要的从来不是便利店的盒饭，而是能做主菜的厨房。如果你处于需要逐字审查模型输出的保守技术团队，选它准没错。