Continue白嫖任意模型：八个引擎级暗开关

首页 › tips-tricks › Continue白嫖任意模型：八个引擎级暗开关

中国开发者大多在两难里打转：要么咬牙订阅 Cursor / Copilot，要么自己折腾 API key 还要绕网络。但很多人不知道，开源的 Continue.dev 是一台"可换引擎"的 AI 编码平台——它不是"免费补全框"那么简单。今天拆 8 个藏在 config.ts 里的引擎级暗开关，让你用智谱 GLM、DeepSeek、通义 Qwen 甚至本地 Ollama 模型，零 API 成本、数据不出本机，跑出比付费工具更可控的工作流。

一、为什么 Continue 是"信息差"最大的工具之一

先说一个反常识的事实：在海外技术圈，Continue.dev 早就不被当成"补全插件"了。它的官方文档把它定义为一个可以自定义模型提供商、规则、提示和工具的平台（Customization Overview）。换句话说，它更像一个"空壳引擎"——模型、上下文、工具全是你插进去的。

但国内 90% 的人对它的认知停留在三层：

"哦，免费版的 Copilot 平替。"
"开源、能接自己的 key。"
"VS Code 和 JetBrains 都能用。"

这三句都对，但只说中了它 10% 的能力。真正的价值在于：它把"用哪个模型"这件事，变成了你可以用 TypeScript 编程的对象。对中国开发者来说，这意味着——

不用为 API 网络问题焦虑：本地 Ollama 直接跑，零外网依赖；
不用为账单肉疼：补全这种高频调用喂给本地模型，贵模型只在关键时刻出场；
不用为数据合规发愁：敏感代码不出本机。

下面这 8 个开关，每一个都能立刻上手。

二、八个引擎级暗开关

开关 1：`config.ts`——让配置"会思考"

绝大多数 Continue 用户这辈子只碰过 config.json 或 config.yaml。但 Continue 独家支持一份 TypeScript 配置：~/.continue/config.ts。

这意味着什么？配置不再是死的数据，而是可以跑逻辑的代码。你可以：

用 if 按项目自动切换模型（公司项目用内部端点，个人项目用 GLM）；
用 for 循环批量生成 provider；
用 fetch 从内部 API 动态拉取当前可用的模型清单，团队加了新模型，你这边自动出现。

操作步骤：在 VS Code 里 cmd/ctrl + L 打开 Continue 侧边栏，点 Agent 选择器上的齿轮图标进入配置；把 config.json 改名为 config.ts，导出一个返回配置对象的函数即可。

适用场景：企业内部部署了多个模型端点，需要按项目、按人路由模型。这是 JSON 配置永远做不到的事。

开关 2：Model Roles——一个 Continue 塞四套模型，按活儿分工

这是省钱的核心武器，但极少有人真正配齐。

Continue 内部有"模型角色"概念：chat（对话）、autocomplete（补全）、embeddings（向量化）、reranker（重排） 可以分别指定完全不同的模型。

关键洞察是调用量的悬殊：补全的触发频率是对话的近百倍。如果你把补全也喂给最贵的模型，账单会原地爆炸；反过来，把架构设计这种"智商活"丢给小模型，质量又跟不上。正确做法是按活分工：

flowchart LR
    subgraph 模型层["模型层（任意可换）"]
        A1["智谱 GLM / DeepSeek<br/>对话与架构设计"]
        A2["本地 Qwen-Coder<br/>每秒级补全"]
        A3["本地嵌入模型<br/>@codebase 索引"]
    end
    subgraph 引擎["Continue 引擎 config.ts"]
        R["Model Roles<br/>按活分工路由"]
        C["Context Providers<br/>@codebase @docs @url"]
        T["Tools / MCP<br/>调你的 API"]
    end
    subgraph 输出
        O1["Agent 改多文件"]
        O2["Tab 补全"]
        O3["Slash 命令"]
    end
    A1 --> R
    A2 --> R
    A3 --> R
    C --> 引擎
    T --> 引擎
    R --> 引擎
    引擎 --> O1
    引擎 --> O2
    引擎 --> O3

对话：智谱 GLM 最新版 / DeepSeek，处理复杂推理；
补全：本地 Qwen-Coder 或 DeepSeek-Coder，零成本、零延迟；
嵌入：本地 nomic-embed 之类，全离线建索引。

这一招单独就能把月度 AI 账单砍掉一大半——和"七成请求错喂最贵模型"的教训是一个道理，只是这里你拥有绝对的控制权。

开关 3：Context Providers——`@` 一下，把整个世界喂进去

Continue 最被低估的能力是 @ 上下文提供器。在聊天框敲一个 @，会弹出一份"上下文菜单"，每一个都是一种结构化的数据源：

@codebase——全仓库语义检索，基于本地嵌入，完全免费，相当于一个内置的免费 RAG；
@docs——把任意官方文档索引成上下文（LangChain、React、3GPP 规范都行）；
@url——直接把一个网页内容喂进对话；
@git diff、@terminal、@problems、@current、@folder——分别拉取改动、终端输出、报错、当前文件、整个目录。

中国用户最该用的一招：GLM 不知道你公司的内部框架？用 @docs 把内部 SDK 文档喂进去，它瞬间"懂"了你的私有 API。这一步把"通用大模型"变成了"懂你业务的专用模型"，而且不用微调、不用训练。

开关 4：自定义 Slash 命令——把团队 Prompt 沉淀成一条命令

每次评审代码都重复粘贴同一段提示词？Continue 让你把它固化成 /review 这样的命令。

在 ~/.continue/prompts/ 下放一个 .yaml 文件即可。文件用 frontmatter 声明描述和上下文，正文是 Handlebars 模板，能直接引用 {{selection}}（选中代码）、{{input}}（命令参数）：

/review——按团队标准跑代码评审；
/tests——为选中函数生成单元测试；
/commit——按规范写提交信息。

杀手级用法：把 prompts/ 目录提交进 Git 仓库，整个团队的 AI 行为完全一致。新人 clone 下来，敲 /review 就是资深工程师的水准。这是"把 Prompt 工程沉淀为团队资产"的最便宜路径。

开关 5：本地 FIM 补全——Ollama 跑 Qwen-Coder，补全免费且零网络

Continue 的补全引擎是为 FIM（fill-in-the-middle） 模型深度优化的。配合 Ollama，你可以把 qwen-coder / deepseek-coder 拉到本机推理：

配置 autocomplete provider 指向 localhost:11434；
不需要任何 API key、不需要海外信用卡、数据不出本机。

在中国网络环境下尤其香：补全这种高频、低延迟的需求，本地模型体验甚至比云端更稳。你写代码时模型就睡在你的 CPU/GPU 上，断网照常补全。对网优、核心网这类涉密场景的工程师，这是合规层面的刚需。

开关 6：MCP / 自定义 Tools——让 Agent 长出"你的手"

Continue 的 Agent 模式可以挂载 MCP Servers，也可以在 config.ts 里用它的 tool API 自己写工具函数。这意味着模型不再只是"说"，而是能"做"：

连数据库让 Agent 自己跑 SQL 查数；
接 Jira / 内部工单系统；
调内部测试服务、操作 K8s、触发 CI。

和纯聊天型工具的本质区别：你给它的不是 prompt，而是能力。一个能查你们生产环境日志的 Agent，和一个只会生成代码片段的助手，价值差一个数量级。

开关 7：`.continue/rules`——给每个仓库一套"人设"

全局 system prompt 太粗，每个项目的规范又不同。Continue 让你在仓库根目录放规则文件（或写在 config 的 rules 里），告诉模型：

这个项目用 React 18 + TypeScript，禁止 class 组件；
命名用 camelCase，API 层必须走 @/api；
通信协议代码必须符合 3GPP 规范措辞。

规则跟着仓库走，团队同步，比口头约定靠谱得多。新人接手项目，AI 输出的代码天然符合这个仓库的口味。

开关 8：团队 Hub + 本地嵌入库——零外泄的"企业级 AI"

最后一个是面向团队的落地开关。Continue 可以把 config、prompts、rules 托管到团队 Hub，新成员一键同步全套 AI 配置；同时 @codebase 的索引走本地嵌入，连嵌入模型都能选本地的——全链路离线。

对企业的价值很直接：全员一致的 AI 编码规范 + 代码数据零外泄。很多团队纠结"要不要上 Copilot Enterprise"，其实 Continue + 本地模型就是一套更可控、更便宜的替代。

三、信息差总结

维度	大多数人以为的	实际的引擎级玩法
定位	免费的 Copilot 补全平替	可换任意模型的可编程 Agent 引擎
配置	改改 `config.json`	`config.ts` 用 TypeScript 写路由逻辑
模型	一个 key 跑到底	四个角色分工，贵模型只在关键时刻出场
上下文	选中代码喂进去	`@codebase/@docs/@url` 喂整库、整站、内部文档
Prompt	每次手敲复粘贴	Slash 命令沉淀进 Git，团队共享
补全	走云端、要 key、要梯子	Ollama 跑本地 FIM 模型，零网络零成本
能力边界	只能生成代码	MCP/Tools 让它直接操作数据库、CI、内部系统
数据	发到海外服务器	全本地嵌入 + 本地模型，零外泄

四、行动指南（按优先级）

今天就做：cmd/ctrl+L 打开配置，把补全模型切成本地 Ollama（开关 5），立刻省掉最高频的调用成本。
本周做：按角色分工配置四个模型（开关 2），对话用 GLM/DeepSeek、补全用本地、嵌入用本地——这是性价比最高的一步。
本周做：把团队常用的两三个 Prompt 写成 Slash 命令（开关 4），提交进仓库。
进阶：用 @docs 灌入公司内部 SDK 文档（开关 3），让模型懂你的私有框架。
团队级：把 config/prompts/rules 推到 Hub（开关 8），统一全员 AI 工作流。

五、参考来源

Continue 官方文档——Customization Overview（模型、角色、提示、规则、工具、MCP）：https://docs.continue.dev/customize/overview
Continue Deep Dives——config.ts 可编程配置与内部机制：https://docs.continue.dev/customize/deep-dives/configuration
Continue MCP Tools——给 Agent 挂载工具：https://docs.continue.dev/customize/mcp-tools
Continue GitHub 仓库（开源、可自托管）：https://github.com/continuedev/continue
Ollama——本地运行 Qwen-Coder / DeepSeek-Coder 补全模型：https://ollama.com

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。

完成摘要（What was done）

下一步计划（What's next）

Round 3（use-cases 实战案例）：可写"用 Continue + 本地模型搭建一人公司零成本编码栈"的真实流程拆解（含 ROI）。
Round 4（cost-hacks）：可做"本地模型 vs 云端 API"的月账单横评（Continue 路由层是天然素材）。
建议优先级：本轮为 tips-tricks，下一轮按轮次表应进 Round 3 实战案例，与本文工具线可形成复利呼应。

注意事项（If applicable）

模型版本号（如 GLM-5.x、Qwen-Coder 具体版本）已尽量用泛指表述，避免硬编码可能过期的版本号；落地时按当月最新版填入。
搜索后端 7/18 才重置，若后续轮次需要 Product Hunt / Reddit 等社原始料，届时再补实时抓取。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

51学通信知识星球海报-扫码加入