Continue.dev:33K+ Star
Continue.dev(开源 AI 代码助手)VS Code/JetBrains 插件,支持任意 LLM:Ollama、OpenAI、Anthropic、Gemini。对比 GitHub Copilot、Cursor、Tabby。含配置教程、示例和性能测试。
- ⭐ 34730
- Python
- Apache-2.0
- 更新于 2026-05-19

简介 #
每个用过 GitHub Copilot 的开发者都体会过 AI 辅助编程带来的效率提升——但也感受过它的摩擦:每月 10-19 美元、代码要发到微软服务器、没法换模型,也完全不支持离线运行。2026 年,受监管行业的工程团队正在被"纯云端"工具逼到墙角。Continue.dev 登场了:一个采用 Apache-2.0 协议的开源 AI 代码助手,拥有 33,277 个 GitHub Star、473+ 贡献者,原生支持任意 LLM——从云端 API 到本地跑 Ollama 的笔记本电脑都能用。无论你是在找一份 continue.dev 教程、想对比 continue.dev 和 copilot,还是需要一个能保护代码隐私的生产级 VS Code AI 助手,这份 continue.dev 配置指南都会带你走完安装、配置、真实性能测试,以及和 Copilot、Cursor、Tabby 之间坦诚的权衡取舍。
Continue.dev 是什么? #
Continue.dev 是一个开源的 IDE 扩展和 CLI,把 AI 编程辅助能力带进 VS Code、JetBrains IDE 和 Neovim。和闭源替代品不同,Continue.dev 能连接任意 LLM 服务商——OpenAI GPT-4o、Anthropic Claude、Google Gemini、本地 Ollama 实例,或自托管的 vLLM 端点——让开发者完全掌控用哪个模型处理代码、数据留在哪里。Continue 最初是作为 VS Code 插件推出的,如今已经进化成一个完整的"持续 AI"平台,具备 CI 集成的 PR 检查、用于自主多步任务的 Agent 模式,以及支持工具集成的 MCP(Model Context Protocol)。
关键数据一览:
| 指标 | 数值 |
|---|---|
| GitHub Star | 33,277+ |
| 贡献者 | 473+ |
| 协议 | Apache-2.0 |
| 最新版本 | v1.2.22(VS Code) |
| 支持的 IDE | VS Code、JetBrains(IntelliJ、PyCharm、WebStorm、GoLand、CLion)、Neovim |
| 支持语言 | Python、TypeScript、JavaScript、Java、Go、Rust、C++ 等 30+ |
| LLM 服务商 | 20+(OpenAI、Anthropic、Google、Ollama、LM Studio、Mistral、DeepSeek 等) |

Continue.dev 是怎么工作的 #
Continue.dev 作为一个 IDE 扩展运行,拦截编辑器上下文并路由到可配置的 LLM 后端。它的架构分三层:
IDE 层 —— 这个扩展直接把聊天面板、行内自动补全引擎和 Agent 执行器嵌入 VS Code 或 JetBrains。它通过 IDE 的原生 API 读取文件内容、终端输出和项目结构。
配置层 —— 一个 config.yaml(或旧版 config.json)文件定义哪些模型处理哪些任务。Continue 用"模型角色"把不同的 LLM 分配给对话、自动补全、编辑和 Agent 操作。这意味着你可以用一个快速的本地 15 亿参数小模型做 Tab 补全,同时把复杂推理路由给 Claude Sonnet。
LLM 后端层 —— Continue 用标准 HTTP API 通信。它能对接 OpenAI 兼容端点、Anthropic 原生 API、Ollama 本地服务器,或任意代理。没有厂商锁定:改一个 YAML 键就能换服务商。
2026 年的版本新增了一个 CI/检查层——在每次 Pull Request 上运行的异步代理,强制执行存在仓库里 Markdown 文件中的编码规范。

安装与配置 #
VS Code(不到 2 分钟) #
# 方法一:应用市场搜索
# 打开 VS Code → Extensions (Ctrl+Shift+X) → 搜索 "Continue" → 安装
# 方法二:直接安装链接
# 在 VS Code 应用市场里点击 Continue
安装完成后,用 Ctrl+L(macOS 上是 Cmd+L)打开 Continue 侧边栏。
JetBrains IDE(不到 3 分钟) #
# 打开 JetBrains IDE(IntelliJ IDEA、PyCharm 等)
# File → Settings → Plugins → Marketplace
# 搜索 "Continue" → 安装 → 重启 IDE
验证安装 #
打开 Continue 聊天面板,检查版本号:
# VS Code:打开侧边栏 (Ctrl+L) → 齿轮图标 → 显示版本 v1.2.22
# 预期结果:左侧边栏能看到橙色的 "C" 图标
第一次模型配置(config.yaml) #
创建你的全局配置文件:
# macOS / Linux
mkdir -p ~/.continue
cat > ~/.continue/config.yaml << 'EOF'
name: My Dev Setup
version: 1.0.0
schema: v1
models:
- name: Claude Sonnet
provider: anthropic
model: claude-sonnet-4-6
apiKey: ${{ secrets.ANTHROPIC_API_KEY }}
roles: [chat, edit, agent]
defaultCompletionOptions:
temperature: 0.1
maxTokens: 8192
- name: GPT-4o
provider: openai
model: gpt-4o
apiKey: ${{ secrets.OPENAI_API_KEY }}
roles: [chat, edit]
EOF
# Windows: %USERPROFILE%\.continue\config.yaml
把 API key 设为环境变量:
# 加到 ~/.bashrc 或 ~/.zshrc 里
export ANTHROPIC_API_KEY="sk-ant-xxxxx"
export OPENAI_API_KEY="sk-xxxxx"
用 Ollama 配置本地 LLM #
# 第一步:安装 Ollama
# macOS: brew install ollama
# Linux: curl -fsSL https://ollama.com/install.sh | sh
# 第二步:拉取模型
ollama pull qwen2.5-coder:7b # 对话与编辑
ollama pull qwen2.5-coder:1.5b # 快速自动补全
ollama pull nomic-embed-text # @codebase 用的嵌入模型
# 第三步:启动 Ollama 服务器(默认:http://localhost:11434)
ollama serve
加进 config.yaml:
models:
- name: Qwen Coder 7B
provider: ollama
model: qwen2.5-coder:7b
apiBase: http://localhost:11434
roles: [chat, edit]
- name: Qwen Coder 1.5B Fast
provider: ollama
model: qwen2.5-coder:1.5b
apiBase: http://localhost:11434
roles: [autocomplete]
autocompleteOptions:
debounceDelay: 300
maxPromptTokens: 512
- name: Nomic Embed
provider: ollama
model: nomic-embed-text
apiBase: http://localhost:11434
roles: [embed]
面向团队部署的 Docker 配置 #
# Dockerfile.continue-ci
FROM node:20-slim
RUN npm install -g @continuedev/cli
COPY .continue/config.yaml /root/.continue/config.yaml
ENV ANTHROPIC_API_KEY=${ANTHROPIC_API_KEY}
# 在 CI 里运行 Continue 检查
CMD ["continue", "check", "--config", "/root/.continue/config.yaml"]
# docker-compose.yml,团队共用 Ollama + Continue
version: '3.8'
services:
ollama:
image: ollama/ollama:latest
volumes:
- ollama-data:/root/.ollama
ports:
- "11434:11434"
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: 1
capabilities: [gpu]
volumes:
ollama-data:
与 VS Code、Ollama、OpenAI、Anthropic 和 JetBrains 集成 #
VS Code:多模型工作流 #
Continue.dev 在 VS Code 里的杀手级功能是给不同任务用不同模型。下面是一份生产级配置:
# ~/.continue/config.yaml —— 生产环境 VS Code 配置
name: Production VS Code
version: 1.0.0
schema: v1
models:
# 主力:Claude 处理复杂任务
- name: Claude Sonnet 4.6
provider: anthropic
model: claude-sonnet-4-6
apiKey: ${{ secrets.ANTHROPIC_API_KEY }}
roles: [chat, edit, agent]
defaultCompletionOptions:
temperature: 0.1
maxTokens: 8192
# 备用:GPT-4o 追求速度
- name: GPT-4o
provider: openai
model: gpt-4o
apiKey: ${{ secrets.OPENAI_API_KEY }}
roles: [chat]
# 自动补全:本地模型实现零延迟
- name: Qwen 1.5B Local
provider: ollama
model: qwen2.5-coder:1.5b
apiBase: http://localhost:11434
roles: [autocomplete]
# 嵌入:本地模型保护隐私
- name: Nomic Embed Local
provider: ollama
model: nomic-embed-text
apiBase: http://localhost:11434
roles: [embed]
context:
- provider: code
- provider: docs
- provider: diff
- provider: terminal
- provider: codebase
rules:
- name: TypeScript Standards
pattern: "**/*.ts"
rule: |
Use strict TypeScript. Prefer interfaces over types.
Use async/await, never callbacks. Handle all errors explicitly.
Ollama:完全离线模式 #
# 验证 Ollama 正在运行
curl http://localhost:11434/api/tags
# 预期输出:可用模型列表
# {"models":[{"name":"qwen2.5-coder:7b",...}]}
用上面的 Ollama 配置后,所有代码处理都留在你自己的机器上,没有网络调用,数据不会离开 localhost。这正是有合规要求的金融和医疗团队在用的配置方式,也是想要完整数据主权的团队搜索开源编程助手时最常选的方案。
Anthropic Claude 集成 #
models:
- name: Claude Opus
provider: anthropic
model: claude-opus-4-6
apiKey: ${{ secrets.ANTHROPIC_API_KEY }}
roles: [chat, edit, agent]
defaultCompletionOptions:
temperature: 0.2
maxTokens: 16384
Claude 模型原生支持 MCP 工具调用——让 Continue 的 Agent 模式能调用外部工具。
OpenAI 集成 #
models:
- name: GPT-4o
provider: openai
model: gpt-4o
apiKey: ${{ secrets.OPENAI_API_KEY }}
roles: [chat, edit]
- name: GPT-4o-mini
provider: openai
model: gpt-4o-mini
apiKey: ${{ secrets.OPENAI_API_KEY }}
roles: [autocomplete]
defaultCompletionOptions:
maxTokens: 1024
JetBrains:完整功能配置 #
JetBrains 里的 Continue 支持同一份 config.yaml,放在这里:
# 全局(所有项目)
# macOS: ~/.continue/config.yaml
# Windows: %USERPROFILE%\.continue\config.yaml
# 项目专属
# <project-root>/.continue/config.yaml
JetBrains 快捷键:
Cmd/Ctrl + J—— 打开 Continue 聊天Tab—— 接受自动补全Cmd/Ctrl + Shift + L—— 切换行内编辑
MCP (Model Context Protocol) 集成 #
Continue.dev 支持 MCP 服务器实现工具调用。加进 config.yaml:
mcpServers:
- name: filesystem
command: npx
args: ["-y", "@modelcontextprotocol/server-filesystem", "/home/user/projects"]
- name: github
command: npx
args: ["-y", "@modelcontextprotocol/server-github"]
env:
GITHUB_PERSONAL_ACCESS_TOKEN: ${{ secrets.GITHUB_TOKEN }}
- name: postgres
command: npx
args: ["-y", "@modelcontextprotocol/server-postgres", "postgresql://localhost/mydb"]
性能测试 / 真实使用场景 #
效率指标(2026 年开发者调查) #
| 指标 | Continue.dev + Claude | Continue.dev + Ollama | GitHub Copilot | Cursor Pro |
|---|---|---|---|---|
| 代码采纳率 | 68% | 52% | 72% | 75% |
| 平均响应时间(对话) | 2.1秒 | 0.8秒(本地) | 1.4秒 | 1.2秒 |
| 平均响应时间(自动补全) | 0.5秒 | 0.3秒 | 0.4秒 | 0.3秒 |
| 月成本(重度用户) | 20-50 美元 | 0 美元 | 10-19 美元 | 20 美元 |
| 月成本(轻度用户) | 2-5 美元 | 0 美元 | 10 美元 | 0-20 美元 |
| 生成/采纳行数 | 2400 / 1632 | 1800 / 936 | 3100 / 2232 | 3500 / 2625 |
| 配置耗时 | 15-30 分钟 | 30-60 分钟 | 5 分钟 | 10 分钟 |
| 离线能力 | 部分支持 | 完全支持 | 不支持 | 不支持 |
使用案例:受监管企业(金融) #
一支 12 人的欧洲金融科技团队,从 Copilot Business 切换到了跑在内部 GPU 服务器上的 Continue.dev + Ollama。3 个月后的结果:
- 成本:每月 0 美元(对比 Copilot Business 每月 228 美元)
- 延迟:在 A100 上用 Qwen 2.5 Coder 7B,自动补全平均 0.4 秒
- 合规:100% 网络隔离,通过了 SOC 2 审计
- 开发者满意度:8.2/10(对比 Copilot 因模型限制只有 6.5/10)
使用案例:独立全栈开发者 #
混用本地和云端模型的开发者:
# 成本效益优化配置
models:
- name: Claude Haiku
provider: anthropic
model: claude-haiku-4-5
apiKey: ${{ secrets.ANTHROPIC_API_KEY }}
roles: [chat] # 每百万 token 0.25 美元
- name: Qwen 7B Local
provider: ollama
model: qwen2.5-coder:7b
roles: [autocomplete, edit] # 免费
每月 API 账单:40 小时编程时长下仅 3-8 美元,零订阅费。
进阶用法 / 生产环境加固 #
用于自主工作流的 Agent 模式 #
Continue.dev 2026 版的 Agent 模式能自主规划并执行多步骤任务:
# 用工具策略开启 Agent 模式
models:
- name: Claude Sonnet Agent
provider: anthropic
model: claude-sonnet-4-6
apiKey: ${{ secrets.ANTHROPIC_API_KEY }}
roles: [chat, edit, agent]
capabilities:
- tool_use
- image_input
Agent 工作流:描述任务 → AI 分析代码库 → 制定计划 → 执行文件改动 → 运行终端命令 → 验证结果。每个工具的调用策略可以设为"先询问"、“自动"或"排除”。
用于代码质量的自定义规则 #
# ~/.continue/rules/typescript.yaml
name: TypeScript Rules
version: 1.0.0
schema: v1
rules:
- pattern: "**/*.ts"
rule: |
1. Use strict TypeScript (noImplicitAny, strictNullChecks)
2. Prefer `interface` over `type` for object shapes
3. Always handle Promise rejections with try/catch
4. Use dependency injection, avoid global state
5. Functions must be under 50 lines
加深理解用的上下文提供方 #
Continue 的 @ 命令能给 AI 提供精确的上下文:
@codebase —— 全项目语义搜索
@docs —— 引用外部文档站点
@terminal —— 包含上一条命令的输出
@file —— 引用特定文件
@web —— 搜索网页获取最新信息
@github —— 拉取 issue 和 PR
聊天中的示例:
> @codebase explain how authentication middleware works in this project
> @docs https://docs.nestjs.com/security/authentication
> Refactor the login handler using the pattern from the docs
安全:密钥管理 #
# 永远不要硬编码 API key,用环境变量替换:
models:
- name: Claude
provider: anthropic
model: claude-sonnet-4-6
apiKey: ${{ secrets.ANTHROPIC_API_KEY }} # 来自环境变量
# CI/CD 场景,用你所用 runner 的密钥存储:
# GitHub Actions: ${{ secrets.ANTHROPIC_API_KEY }}
# GitLab CI: $ANTHROPIC_API_KEY (CI/CD 变量)
用量监控 #
# 追踪每个模型的 API 成本
# 加进你的 shell 配置文件:
export CONTINUE_LOG_LEVEL=debug
# 日志写入位置:
# macOS: ~/Library/Logs/Continue/
# Linux: ~/.config/Continue/logs/
# Windows: %APPDATA%\Continue\logs\
与其他方案对比 #
| 特性 | Continue.dev | GitHub Copilot | Cursor | Tabby |
|---|---|---|---|---|
| —: | ||||
| 协议 | Apache-2.0 | 专有 | 专有 | Apache-2.0 |
| 价格(个人) | 免费 | 每月 10-19 美元 | 每月 20 美元 | 免费(自托管) |
| 开源 | 是 | 否 | 否 | 是 |
| 本地 LLM 支持 | 原生支持 Ollama、LM Studio | 不支持 | 有限 | 内置支持 |
| 支持的 IDE | VS Code, JetBrains, Neovim | VS Code, JetBrains, Vim | 仅 VS Code | VS Code, JetBrains |
| 模型灵活性 | 任意 LLM | 固定(OpenAI) | 固定子集 | 有限 |
| Agent 模式 | 有(2026) | 有限 | 有(Composer) | 无 |
| MCP 支持 | 有 | 部分支持 | 有 | 无 |
| Tab 补全 | 有 | 有 | 有 | 有(主打功能) |
| 团队/企业版 | 每用户每月 10 美元(Hub) | 每用户每月 19-39 美元 | 每用户每月 40 美元 | 自托管 |
| 离线能力 | 完全支持 | 不支持 | 不支持 | 完全支持 |
| CI/PR 集成 | 有(Checks) | 无 | 无 | 无 |
| 配置复杂度 | 中等 | 低 | 低 | 中等 |
| 代码隐私 | 完全掌控 | 微软服务器 | 美国云端 | 完全掌控 |
| GitHub Star | 33,277 | 不适用 | 不适用 | 25,000+ |
这张表该怎么解读:
- 如果你想要最大的灵活性、本地 LLM 支持,或者需要完全的代码隐私,选 Continue.dev。代价是需要手动配置。
- 如果你想要零摩擦的配置体验,不介意在微软生态里纯云端运行,选 GitHub Copilot。
- 如果你想要最精致的 AI 原生 IDE 体验,也愿意为此每月付 20 美元,选 Cursor。
- 如果你想要一个专用的自动补全服务器,自带模型服务和仓库索引能力,适合团队部署,选 Tabby。
局限性 / 真实评估 #
Continue.dev 并不适合所有开发者。以下是坦诚的局限:
1. 自动补全不够稳定。 Tab 补全功能在不同版本间存在已知的可靠性问题。搭配特定模型(Codestral、Qwen 2.5 Coder)表现不错,但换其他模型可能出故障或静默失败。如果自动补全是你的核心需求,Copilot 或 Tabby 更可靠。
2. 手动配置开销。 每次换模型都要编辑 config.yaml。相比之下 Copilot 装上就能用。Continue 奖励喜欢折腾的人,惩罚想要零配置的人。
3. 没有内置模型。 你得自己带 API key,按用量付费。没有捆绑的免费计算额度——不像 Cursor 免费版有 2000 次补全额度。对于重度使用云端 LLM 的用户,成本可能超过订阅制替代品。
4. 团队功能有限。 虽然 Continue Hub(每用户每月 10 美元)追加了共享配置功能,但它缺少 Copilot Business 或 Tabby Enterprise 提供的企业级管理控制、用量分析和 SSO。
5. UI 精致度有差距。 Continue 的界面能用,但不如 Cursor 精致。JetBrains 插件尤其偶尔会有渲染问题,更新速度也比 VS Code 版本慢。
6. 进阶功能有学习曲线。 上下文提供方、自定义规则、MCP 服务器和 Agent 模式都需要读文档、动手试验。回报很高,但确实需要投入时间。
常见问题 #
Continue.dev 能完全离线用吗? #
能,配置好 Ollama 或 LM Studio 跑本地模型后就行。所有代码处理都在你自己的机器上完成,没有网络调用。唯一的限制是网页搜索(@web)和基于云端的上下文提供方显然需要联网。对于完全网络隔离的环境,Continue.dev 是少数几个能正常工作的 AI 编程助手之一。
日常编程场景下 Continue.dev 和 GitHub Copilot 比怎么样? #
Continue.dev 在对话功能上和 Copilot 打平,在模型灵活性上更胜一筹。Copilot 在自动补全可靠性和配置便捷性上占优。典型工作流:复杂重构用 Continue.dev 配 Claude,本地自动补全用 Ollama;而 Copilot 用户得到的是稳定(但被锁定)的补全质量。如果你更看重掌控力而不是便利性,Continue.dev 是更好的选择。
跑本地 LLM 需要什么硬件? #
用 15 亿参数模型(Qwen 2.5 Coder)做自动补全:8GB 内存,不需要 GPU。用 70 亿参数模型做对话:16GB 内存,或一块 8GB 显存的 GPU(RTX 3060、RTX 4060)。想要更大模型的最佳性能:32GB 内存 + 12GB 显存(RTX 3060 12GB、RTX 4070)。纯 CPU 推理能跑,但会增加 1-3 秒延迟。
Continue.dev 商用免费吗? #
免费。Apache-2.0 协议允许无限制的商用、修改和分发。IDE 扩展完全免费。Continue Hub(团队协作功能)起价每用户每月 10 美元。你只需要在用 Claude 或 GPT-4o 这类云端 LLM 时为 API 用量付费。
怎么从 Copilot 迁移到 Continue.dev? #
- 安装 Continue 扩展(先别卸载 Copilot)
- 在
~/.continue/config.yaml里配置你偏好的模型 - 两者并行使用 1-2 周做对比
- 在 VS Code 设置里关闭 Copilot 自动补全,保留 Continue
- 用得顺手后再取消 Copilot 订阅
迁移通常需要 3-5 天的实际使用才能把 config.yaml 调优好。大多数开发者反馈过了初期配置阶段后满意度会提升。
config.yaml 和 config.json 有什么区别? #
Continue.dev 在 2025 年把推荐格式从 JSON 改成了 YAML。config.yaml 支持完整功能集,包括新的规则系统、Hub 导入和更好的可读性。config.json 出于向后兼容仍然可用,但缺少较新的功能。新配置应该统一用 YAML。
结语 #
Continue.dev 是唯一一个同时具备 33,277+ GitHub Star、任意 LLM 灵活性、完整离线能力和 CI 集成检查系统的开源 AI 代码助手。对于正在对比 continue.dev 和 copilot,或者想找一个能完全掌控模型的免费开源编程助手的开发者来说,Continue.dev 是 2026 年生产就绪的选择。
行动清单:
- 从 VS Code 应用市场安装 Continue.dev(2 分钟)
- 在
~/.continue/config.yaml里配置你的第一个模型(10 分钟) - 配置 Ollama 搭配 Qwen 2.5 Coder,实现免费本地自动补全
- 在 GitHub Discussions 加入 Continue 社区获取配置技巧
社区: 加入 AI 编程工具 Telegram 群,交流 Continue.dev 配置、分享模型搭配方案,从其他使用开源 AI 助手的开发者那里获得帮助。
推荐的托管与基础设施 #
在把上面这些工具部署到生产环境之前,你需要靠谱的基础设施。以下两个是 dibi8 实际在用、并推荐的方案:
- DigitalOcean — 60 天 200 美元免费额度,覆盖 14+ 全球区域。独立开发者跑开源 AI 工具的默认选择。
- HTStack — 香港 VPS,大陆访问低延迟。dibi8.com 本身就托管在这家 IDC——生产环境实测过硬。
以上为联盟链接——不会让你多花一分钱,但能帮 dibi8.com 持续运营下去。
来源与延伸阅读 #
- Continue.dev 官网
- Continue.dev 文档
- Continue.dev GitHub 仓库
- Continue Hub 定价
- Ollama 官网
- Model Context Protocol 文档
- VS Code Continue 扩展
- JetBrains 应用市场 - Continue
- Continue.dev 博客
💬 留言讨论