企业官网建设流程全解析

最近好几个朋友都在问同一件事：VS Code 里的 Continue 插件到底怎么配自定义 API。有人想接 DeepSeek 官方接口，有人手里有 Claude 的 Key 想直接用，还有人把自己电脑上的 Ollama 拉满了开源模型，想把本地模型塞进编辑器当聊天和自动补全用。这三条路我都实际跑过，踩过的坑也不少，今天一次性把配置方法、参数含义和排错思路讲清楚。

Continue 是个开源 AI 编程助手插件，最大的特点就是模型层完全开放。它不像 Copilot 那样把模型、后端、计费全部锁死，而是给你一个配置文件，让你自己决定聊天、编辑、代码补全分别走哪个模型、哪个接口。这个自由度很高，但也意味着你不理解配置文件里每个字段是干嘛的，就会反复遇到 400、401、无补全之类的怪问题。这篇文章就从配置文件的底层逻辑讲起，覆盖 DeepSeek 官方 API、Claude 兼容端点、本地 Ollama 三套方案，最后附上我整理好的报错速查表，适合所有用 VS Code 写代码、又想低成本接入 AI 辅助的开发者。

1. Continue 插件：一个把模型“接进编辑器”的开放框架

1.1 Continue 能干什么，和 Copilot 有什么区别

先说清楚 Continue 的定位。它是一个在 VS Code 和 JetBrains 系 IDE 里运行的 AI 编程助手，核心功能包括：对话聊天（选中代码提问、解释报错）、代码编辑（让 AI 直接改选中的代码块，支持 diff 预览后应用）、代码补全（边打字边提示下一段代码）、以及代码库问答（通过 @codebase 索引你整个项目的结构，回答“这个项目里登录逻辑在哪”这类问题）。

和 GitHub Copilot 最大的区别在于，Copilot 的模型和服务器是固定的，你没法换。Continue 则是把“界面”和“模型”彻底解耦，你的 Key、你的模型、你的服务器，它全都支持。这意味着你可以用 DeepSeek 这种按量计费性价比很高的云 API，也可以用 Ollama 跑一个完全离线、数据不出本机的开源模型，甚至可以接企业内部统一网关。对于在意成本、隐私，或者单纯想跟着开源社区最新模型走的开发者来说，这个灵活性是 Copilot 给不了的。

1.2 配置文件的底层逻辑：models、roles、providers

Continue 的所有模型配置都集中在一个文件里。新版是~/.continue/config.yaml（Windows 在%USERPROFILE%\.continue\config.yaml），老版本是config.json，逻辑一样，只是格式从 JSON 换成了 YAML。打开方式很简单：装上插件后，左侧边栏会出现 Continue 图标，点开面板，找到齿轮图标，选择“Open Config”，就会自动打开这个文件。

配置里最核心的是一个叫models的数组。数组里的每一项描述一个“可用模型”，包括名字、provider（提供方类型）、model（模型标识）、apiBase（接口地址）、apiKey（密钥），以及 roles（这个模型承担什么角色）。

models: - name: DeepSeek Chat provider: openai model: deepseek-chat apiBase: https://api.deepseek.com/v1 apiKey: sk-xxxx roles: - chat - edit - apply

这里有几个关键概念需要理解透彻。首先是roles，它决定这个模型出现在哪里。chat是普通对话，edit是编辑修改代码，apply是执行修改后把 diff 应用到文件，autocomplete是自动补全（不过补全通常单独用tabAutocompleteModel字段配置）。同一个模型可以承担多个角色，你也可以给不同角色配不同的模型，比如用便宜的本地模型做补全、用云端强模型做编辑。

其次是provider，它告诉 Continue 用哪种协议去请求这个接口。最常见的是openai（OpenAI 兼容协议，DeepSeek、绝大多数中转网关都走这个）、anthropic（Claude 官方协议）、ollama（本地 Ollama 服务）。协议选错是新手最容易犯的错误，后面每一节我都会强调这一点。

1.3 API 路线选型：官方、网关、本地的取舍

配置之前先想清楚你要走哪条路，因为三条路的适用场景完全不同。

官方 DeepSeek API 是性价比最均衡的选项。它的模型足够聪明，价格便宜，而且接口协议是 OpenAI 兼容的，几乎所有工具都能直接接，配置成本极低。适合大多数日常开发场景，也是我最推荐新手先试的一条路。

Claude 兼容端点这条路稍微复杂。如果你手里的是 Anthropic 官方 Key，直接配provider: anthropic就行。但很多团队场景里，你拿到的是一个“兼容端点”——可能是内部网关暴露出来的 Anthropic 格式地址，也可能是本地跑的一个协议转换服务。这种端点能让你把 Claude 协议格式的请求转发给 DeepSeek、通义、Kimi 等其他模型，但你也需要为它单独指定 provider 和地址。

本地 Ollama 则适合对隐私敏感、或者想要完全免费无限量使用的场景。Ollama 是一个本地模型运行工具，能把开源模型跑在你自己电脑上。它的缺点是模型智商通常不如云端大模型，而且吃硬件资源。我的建议是：云端 API 作为主力模型干活，本地 Ollama 做代码补全、离线应急、或者敏感代码的本地分析，两者搭配着用最舒服。

2. DeepSeek 官方 API：五分钟跑通第一套配置

2.1 申请 Key 与模型命名：deepseek-chat / deepseek-reasoner

DeepSeek 的接入过程在国产大模型里算非常省心的。去 DeepSeek 开放平台注册账号，充值少量余额，然后在“API Keys”页面创建一个 Key，记下来就行。Key 长这样：sk-开头的一串字符，创建后只显示一次，务必及时保存。

在配置之前，要搞清楚 DeepSeek 官方提供的模型名。很多人报错说“400 supported api model names are deepseek-flash, deepseek-v4”，这说明他们连的根本不是 DeepSeek 官方端点，而是某个山寨网关。DeepSeek 官方当前实际可用的模型名只有两个：

这个细节非常重要，因为 Continue 的编辑、应用代码功能依赖函数调用能力，而deepseek-reasoner的函数调用支持不完整。所以我的建议是：chat角色给deepseek-reasoner用来分析复杂问题，edit和apply给deepseek-chat用来改代码，分工明确，能避开一多半诡异报错。

2.2 用 OpenAI 兼容协议接入 Continue

DeepSeek 官方 API 兼容 OpenAI 的请求格式，所以 Continue 里把它配置成openaiprovider 就行。关键点在于：必须覆盖apiBase。

Continue 的openaiprovider 默认指向https://api.openai.com/v1，如果你不写apiBase，它就会拿着 DeepSeek 的 Key 去请求 OpenAI 的服务器，结果自然是 401 认证失败。这也是配置 DeepSeek 时最常见的错误。

推荐的最小可运行配置如下：

name: My Config version: 0.0.1 schema: v1 models: - name: DeepSeek Chat provider: openai model: deepseek-chat apiBase: https://api.deepseek.com/v1 apiKey: sk-这里填你的key roles: - chat - edit - apply defaultCompletionOptions: temperature: 0.7 maxTokens: 4096 - name: DeepSeek Reasoner provider: openai model: deepseek-reasoner apiBase: https://api.deepseek.com/v1 apiKey: sk-这里填你的key roles: - chat defaultCompletionOptions: maxTokens: 8192

保存配置后，回到 Continue 聊天面板，顶部模型下拉框里应该就能看到这两个模型了。选一个，随便发句话试试。能正常回复，就说明接入成功了。

有两点要说明。第一，apiBase官方有两种写法都支持，https://api.deepseek.com和https://api.deepseek.com/v1，/v1是为了兼容 OpenAI SDK 习惯，加不加都能通，我建议统一写带/v1的版本，因为有些工具对路径解析很死板。第二，defaultCompletionOptions里的temperature控制随机性，代码编辑类任务我建议不要超过 0.7，否则容易跑飞，生成一些语法上看着对、实际上逻辑混乱的代码。

2.3 配置前先命令行自测，别让 Continue 背锅

在改 Continue 配置之前，强烈建议先用一条 curl 命令验证你的 Key 是否有效、余额是否充足、模型名是否正确。这一步能帮你把“API 本身的问题”和“Continue 配置的问题”清晰分开，排错时省下大量时间。

curl https://api.deepseek.com/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer 你的key" \ -d '{ "model": "deepseek-chat", "messages": [{"role": "user", "content": "你好"}], "stream": false }'

如果返回一段带choices的 JSON，说明 Key 没问题，问题必然出在 Continue 侧。如果返回 401，说明 Key 错了或者余额不足；如果返回 400 且提示模型名不对，说明你请求的模型标识写错了。先做这个自测，后面不管遇到什么问题，心里都有底。

关于 Key 的安全，我也多说一句。配置文件里直接写明文 Key 方便，但如果你用 Git 管理~/.continue目录，很容易把 Key 提交到远程仓库。更稳妥的做法是把 Key 放进系统环境变量，在配置里通过${env.DEEPSEEK_API_KEY}这种形式引用，具体支持情况以你安装的 Continue 版本文档为准，但方向肯定是往不写死明文的方向靠。

3. Claude 兼容端点：从官方 Anthropic 到自建网关

3.1 官方 Claude 模型的直连配置

如果你有 Anthropic 官方账号和 API Key，接入 Continue 同样简单，只是 provider 要换成anthropic。Claude 官方模型的命名带日期后缀，比如claude-sonnet-4-20250514、claude-opus-4-20250514，这个字符串不能写错，写错了就会报模型不存在。

models: - name: Claude Sonnet 4 provider: anthropic model: claude-sonnet-4-20250514 apiBase: https://api.anthropic.com apiKey: sk-ant-这里填你的key roles: - chat - edit - apply defaultCompletionOptions: maxTokens: 4096

这里需要注意，anthropicprovider 的apiBase默认就是官方地址，理论上可以不写。但我建议还是写出来，因为这样逻辑清晰，也方便你以后切换到其他 Anthropic 兼容端点时只改地址、不改 provider。

Claude 的代码编辑能力在目前的主流模型里是第一梯队，尤其在理解大型代码库上下文方面表现很强。代价是价格比 DeepSeek 高一个量级，因此我的用法是：日常小改动走 DeepSeek，遇到需要深入理解业务逻辑、跨文件重构这种高难度任务，再切到 Claude。Continue 支持在同一配置文件里同时挂多个模型，配合面板上的下拉切换，非常顺手。

3.2 兼容网关：一个端点接入多种模型

很多公司内部会部署统一的 AI 网关，比如 one-api、new-api 这类开源项目。它们做的事情很简单：把 DeepSeek、通义、Kimi、Claude 等各种模型的 Key 统一管起来，对外暴露一个统一的 API 地址，你用一把 Key 就能访问所有模型。

这类网关通常同时兼容多种协议。如果它暴露的是 OpenAI 兼容的/v1地址，那在 Continue 里配置方式其实和 DeepSeek 完全一样，只是apiBase指向网关地址、model填网关里配置的模型别名：

models: - name: Claude via Gateway provider: openai model: claude-sonnet-4-20250514 apiBase: http://你的网关地址:3000/v1 apiKey: sk-网关发的key roles: - chat - edit - apply

注意，走 OpenAI 兼容协议时，model这个字段填什么，取决于网关后台把哪个上游模型绑定到了这个名字上。有些网关会起内部别名，比如把 Claude 模型命名为claude-v1，那你这里就填claude-v1。填错会报上游模型不存在，所以配网关类端点时，第一件事是去网关后台确认模型别名。

另一类网关会暴露 Anthropic 协议的端点，这时 provider 要改成anthropic。判断标准很简单：看它给你的文档里，请求地址是/v1/chat/completions还是/v1/messages。前者是 OpenAI 格式，后者是 Anthropic 格式。选错协议，请求会 404 或 400，连错误信息都会让你摸不着头脑。

3.3 本地协议转换代理的适用场景

还有一种“Claude 兼容端点”是在本机跑的协议转换服务，典型代表是各大开源社区里那个很火的 claude-code-router。它的用途是把 Anthropic 协议的请求转换成 OpenAI 协议，再转发给 DeepSeek 等模型，这样你就能用 Claude Code 这个官方命令行工具时，后端偷偷跑 DeepSeek，省钱效果显著。

如果你已经跑了这类本地转换服务，它通常会在http://localhost:14555这类地址监听一个 Anthropic 格式的端点。Continue 也可以直接指过去：

models: - name: DeepSeek via Claude Router provider: anthropic model: deepseek-chat apiBase: http://localhost:14555 apiKey: 随便填一个占位符 roles: - chat - edit

但说实话，如果你只使用 Continue 这个工具，我不太推荐为了它专门搭转换服务，直接用 OpenAI 协议接 DeepSeek 更简单、少一层转发、故障点更少。这种路由器方案真正的价值场景是：你同时在用 Claude Code、Continue 等多个工具，希望它们的模型路由策略统一到一个地方管理，比如“白天用 DeepSeek，晚上用本地模型”。这时候在路由器层面统一配置，比在每一个工具里分别改配置要高效得多。

4. 本地 Ollama：把模型完全跑在自己机器上

4.1 安装 Ollama 与模型拉取加速

Ollama 是目前最流行的本地模型运行工具，把模型的下载、加载、API 服务全部封装好了。去官网下载对应系统的安装包，Windows 和 macOS 都是图形化安装，Linux 用一行脚本：

curl -fsSL https://ollama.com/install.sh | sh

安装完成后，命令行里执行ollama --version验证安装，然后就可以拉模型了。代码场景我推荐这几个模型：

# 聊天和编辑主力，7B 参数，普通电脑能带得动 ollama pull qwen2.5-coder:7b # 轻量补全模型，速度快，资源占用小 ollama pull qwen2.5-coder:1.5b # 推理模型，适合分析复杂问题 ollama pull deepseek-r1:7b # 代码库索引嵌入模型，后面讲 @codebase 时会用到 ollama pull nomic-embed-text

很多人反馈 Ollama 下载模型特别慢，官网下载安装包也慢。安装包慢的话，可以换用第三方下载工具从官方渠道拉取，或者让朋友帮忙下载好安装包再传给你。模型拉取慢的核心原因是模型文件托管在海外对象存储上，这时候可以考虑配置国内可访问的镜像源来加速，具体地址以社区最新可用信息为准。另外OLLAMA_MODELS环境变量可以指定模型存放目录，如果你有多块硬盘，把它指到大容量盘上，避免系统盘被几十 GB 的模型文件塞满。

4.2 配置本地模型作为聊天 / 编辑 / 补全主力

Ollama 装好、模型拉好之后，它默认会在本机11434端口起一个 HTTP 服务。可以用curl http://localhost:11434/api/tags验证一下，能返回模型列表就说明服务正常。

Continue 内置了ollamaprovider，配置方式非常简洁：

models: - name: Qwen Coder Local provider: ollama model: qwen2.5-coder:7b roles: - chat - edit - apply defaultCompletionOptions: temperature: 0.5 maxTokens: 2048

provider: ollama的默认地址就是http://localhost:11434，所以本地场景可以不写apiBase。如果你有两个电脑，或者电脑上装了多张显卡想分开跑服务，Ollama 还可以通过OLLAMA_HOST环境变量监听局域网，那样就得在 Continue 里显式写apiBase: http://192.168.x.x:11434。

这里我要提醒一个很多人忽略的问题：Ollama 的默认上下文长度并不大，小模型通常只有 4K 到 8K 的上下文窗口。这意味着你让本地模型去理解一大段代码时，它会“忘记”前面的内容。可以通过启动 Ollama 服务时设置OLLAMA_CONTEXT_LENGTH环境变量来扩大默认上下文，比如OLLAMA_CONTEXT_LENGTH=16384。但上下文拉长之后，显存和内存占用会明显上涨，7B 模型建议至少 16GB 内存，最好有一张 8GB 显存以上的显卡，Apple Silicon 芯片的 Mac 则依赖统一内存，16GB 内存的机器跑 7B 模型会比较勉强，建议用小一号的 3B 或 1.5B 模型。

4.3 嵌入模型与代码库索引

Continue 的 @codebase 功能需要嵌入模型（embedding model）来把代码片段向量化，然后做相似度检索。这里又有一个常见的坑：DeepSeek 官方 API 目前不提供嵌入模型接口，所以你配完 DeepSeek 之后，会发现 @codebase 不可用。解决思路就是本机跑一个嵌入模型来补位。

embeddingsProvider: provider: ollama model: nomic-embed-text apiBase: http://localhost:11434

nomic-embed-text是个 274M 的轻量嵌入模型，跑起来几乎不占资源，但嵌入质量足够支撑代码检索了。配置完之后，重启 VS Code 窗口，在聊天面板输入@codebase再提问，Continue 就会先检索项目里相关的代码片段，再结合上下文回答。

说实话，@codebase 在有云端上下文压缩能力的模型加持下体验会更好，但本地嵌入方案胜在免费、离线、私密，对于公司内部代码、敏感项目来说，这个价值远大于体验上的一点点损失。

4.4 WSL2 与远程开发环境的地址连接问题

写代码的开发者里，有很大一批人用 WSL2 作为 Linux 开发环境，Ollama 也喜欢装在 WSL2 里。这时候 VS Code 在哪、Ollama 在哪，组合起来有两种情况。

第一种，VS Code 直接装在 Windows 上，通过 Remote-WSL 打开 Linux 里的项目，而 Ollama 跑在 WSL2 里面。这种情况 Windows 访问 WSL2 里的服务，localhost:11434一般能直接通，因为 WSL2 默认做了 localhost 转发。如果你发现不通，先检查是不是改过.wslconfig的网络模式，或者干脆用wsl hostname -I查一下 WSL2 的 IP，把apiBase直接写http://<WSL的IP>:11434。

第二种，VS Code 通过 Remote-SSH 连接到一台远程开发机，Ollama 也在这台远程机上。这时 Continue 配置里的localhost:11434指向的是远程机自己，反而是对的，不需要改。容易搞混的是，如果你从本地电脑直连远程机上某台容器里的 Ollama，那localhost就失效了，必须写容器的映射地址。

我的经验是，处理这类连接问题，永远从“Continue 这个进程在哪个机器上跑”出发，问自己：它能不能直接访问到apiBase写的那个地址？能通就是配置问题，不能通就是网络问题，思路清晰，排查就快。

5. 常见报错与排查实录

5.1 API 400 错误的几种典型情况

400错误是我见过最多的一类报错，但 400 本身只说明“你的请求格式有问题”，具体原因千差万别。我把遇到过的几种典型情况整理成了表格，方便你对照。

这里我要重点说下invalid schema for function 'artifact'这个问题。它出现在 Continue 尝试调用工具修改代码时，多见于模型对工具定义格式支持不好。我的处理习惯是：把deepseek-reasoner这类推理模型从edit和apply角色里撤掉，只让它做chat,因为推理模型的强项是分析，不是执行工具调用；执行类任务交给deepseek-chat。这么做之后，这个报错基本就不再出现了。

另一个值得警惕的现象是，市面上存在不少冒充 DeepSeek 的中转站，用很低的价格吸引你充值，给的模型名五花八门，实际后端可能是个更小、更弱的模型。遇到“便宜得离谱”的 API 服务，我的建议是多个心眼，先在官方渠道用一两块钱验证一下官方接口的正常返回长什么样，再决定要不要用第三方。API Key 的保管也一样，别拿去注册那些来路不明的平台。

5.2 Ollama 下载慢、模型拉取失败

Ollama 相关的报错相对直白，集中在这几类。

连接不上服务，通常是ECONNREFUSED或connection refused。先确认 Ollama 进程是否真的在跑，Windows 和 macOS 上安装后它默认以后台服务形式运行，Linux 上你可能忘了执行ollama serve。然后确认端口，curl http://localhost:11434/api/tags能返回 JSON 就是正常。

模型不存在，报model not found，绝大多数情况是模型名写错。Ollama 模型名严格遵守仓库名:标签格式，比如qwen2.5-coder:7b，标签漏写会默认拉 latest，但你本地没拉过 latest 就会报错。用ollama list看一眼本地实际有哪些模型，照着抄名字最保险。

下载慢的问题我在前面提过，这里再补充一个技巧：Ollama 拉模型是支持断点续传的，如果中途断了，重新执行ollama pull会从断点继续。所以不用因为它慢就反复删掉重来，耐心等就行。另外，拉大模型时注意磁盘剩余空间，deepseek-r1:7b要 4.7GB，多个模型叠加很容易吃满磁盘。

5.3 Continue 不生效、补全不出现的排查顺序

配置完发现自己用不上，是另一类常见挫败感。如果你配置了本地补全模型，但打字时没有补全提示，按我的经验按这个顺序排查。

第一步，确认插件面板里有没有正确加载配置。点开 Continue 侧边栏，看模型下拉框里有没有你配置的模型名。没有，说明配置文件没生效，重启 VS Code 窗口再试，还不行就检查config.yaml的缩进格式。

第二步，确认自动补全是开着的。VS Code 的设置里搜continue.enableTabAutocomplete，确保它是启用状态。有时候别的插件冲突会把它顶掉。

第三步，确认tabAutocompleteModel配置正确。补全模型在 Continue 里是单独配置的，不在models数组里：

tabAutocompleteModel: name: Qwen Coder Local provider: ollama model: qwen2.5-coder:1.5b

第四步，看输出日志。VS Code 的“输出”面板里选 Continue，会有详细的请求日志，包括模型加载时间、请求是否发出、返回了什么。这一步能直接看到模型到底有没有被调用。

还有个容易忽略的问题：Continue 的编辑和补全功能，需要你打开一个真实的文件夹或工作区。如果你只是开了一个单独的文件，很多功能会提示please open a folder or workspace to continue。这不是配置问题，是使用姿势问题，Ctrl+KCtrl+O打开一个项目文件夹就解决了。

最后说几句实在的

三套方案都跑通之后，我实际使用下来的组合是：主力模型用 DeepSeek 官方deepseek-chat处理日常对话和代码编辑，遇到特别烧脑的重构任务切 Claude 的 Sonnet，本地的qwen2.5-coder:1.5b专职做自动补全，nomic-embed-text做代码库索引。这个组合既有云端的智商，又有本地的速度和隐私，每个月的 API 花费也压得很低。

最后分享一个小技巧：Continue 的配置改完之后不需要重启 VS Code，在命令面板（Ctrl+Shift+P）里执行“Continue: Reload Config”就能即时生效，调试配置时比反复重启窗口高效得多。不管你是刚接触 AI 编程助手的新手，还是已经在不同模型之间反复横跳的老手，把配置文件理解透，这套工具链就能真正按你的想法工作，而不是被它的默认设置牵着走。