KeyFrame內部研究專用

How to Use Qwen 3 with VS Code (FREE) | The Best QWEN 3 Setup with Ollama?

The Code Street8 min英文
觀看原始影片

三句話摘要

在 VS Code 中用 Ollama 本地部署 Qwen3 模型,實現免費的 AI 編碼助手。 Ollama + Qwen3 + When Code 的組合提供了一套完全本地、零成本的 AI 編碼環境,效能足以應對日常開發任務。 Ollama 提供本地運行方案:無需雲端訂閱或付費,模型完全在本機執行,相比雲端模型節省成本且隱私更好。

重點整理

  1. Ollama 提供本地運行方案:無需雲端訂閱或付費,模型完全在本機執行,相比雲端模型節省成本且隱私更好。

  2. Qwen3.6 的多工能力:講者透過提問展示該模型可執行文案編寫、程式碼生成、除錯、分析、學習教程等任務,並清楚列出無法做的事(如瀏覽網際網路、執行本機代碼、預訂機票)。

  3. When Code 作為 Copilot 替代方案:VS Code 擴充套件原生支援 Diff Review、Edit、Accept 等功能,提供類似 GitHub Copilot Chat 的使用體驗。

  4. 配置簡單但須注意細節:選擇 Custom Provider 並設定為 OpenAI 相容協議是關鍵,Ollama 已內置相容的 API 端點,只需複製正確的模型名稱即可運作。

實用技巧與重點

  • 模型版本:Qwen3.6 有 24GB 版本(支援文字與圖像)、27B 版本、35B 版本
  • 軟體工具:Ollama、When Code 擴充套件(預覽版)、VS Code
  • API 設定:本地 API 端點為 `localhost:11434/v1`、OpenAI Compatible 協議、需輸入模型確切名稱
  • 首次載入時間:第一次生成程式碼耗時約 2-3 分鐘
  • 支援語言:Python、JavaScript、HTML、CSS、SQL 等
  • 模型能做的:寫程式、編輯、分析、編碼幫助、除錯、解釋、學習教程、創意工作、生產力規劃
  • 模型不能做的:瀏覽網際網路、存取個人隱私資料、執行本機代碼、預訂機票等實世界行動

結論

Ollama + Qwen3 + When Code 的組合提供了一套完全本地、零成本的 AI 編碼環境,效能足以應對日常開發任務。

完整解析

這支影片展示了如何在本地環境中組建一套無需付費的 AI 編碼系統。講者首先從下載 Ollama 開始,這是一個能在本機執行大型語言模型的工具。Windows 用戶可直接從官網下載安裝程式或使用 PowerShell 命令安裝。

安裝完成後,講者進入模型選擇階段。Ollama 模型庫中既有需付費訂閱才能使用的雲端模型,也有免費的本地模型。講者選擇了 Qwen3.6 系列,特別是 35 億參數的版本,因為它在功能完整性和資源消耗間取得平衡。下載模型只需複製相應指令到終端機執行,無須其他複雜操作。

接著講者在 VS Code 中安裝 When Code 擴充套件,這是微軟提供的 AI 助手工具,目前還在預覽階段。為了連接本機運行的 Qwen3 模型,關鍵設置是選擇 Custom Provider 並指定為 OpenAI Compatible 協議。Ollama 已內置了 OpenAI 格式的 API,暴露在本機的 11434 埠上,講者只需在擴充套件設定中輸入正確的 API 端點和模型名稱即可完成連接。

連接成功後,講者進行了實際測試。首先詢問模型的能力邊界,模型準確地回答了自身能做與不能做的事,展示了邏輯理解能力。隨後講者要求生成一個簡單的 HTML 滑片應用,模型在 2-3 分鐘內生成了完整代碼。最後講者進一步要求添加深色模式和響應式設計,模型再次成功完成並提供了亮暗主題切換選項。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。