企业官网建设流程全解析

1. 为什么要在 IDE 里折腾 Ollama + Continue 这套组合

如果你每天写代码时既想用 AI 补全，又不想把公司项目源码传到云端，那 Ollama + Continue 是目前门槛最低的一条路。Ollama 负责在你本机跑开源大模型，Continue 负责把模型接进 VS Code 和 IntelliJ IDEA，提供行内补全、侧边栏对话、内联修改这些能力。整套东西完全离线、完全免费，代码不出本机。

但实际用下来，纯本地方案有两个绕不开的坎：一是本地小模型在复杂重构、长上下文推理上确实吃力，二是团队里每个人机器配置不一样，有人跑 3B 流畅，有人想用 7B 就得换机器。所以更实用的做法是「本地为主、云端为辅」——日常补全走 Ollama 本地模型，遇到难题时通过 TaoToken 统一 Key 通道临时切到更强的云端模型，配置只改一个 provider 字段，不用来回折腾环境。

这篇就按这个思路走：先把 Ollama + Continue 的本地链路搭通，再演示怎么用 TaoToken 的 API 通道把多模型接入统一管理。全程给可复制的配置片段和验证命令，VS Code 和 IDEA 都覆盖。

适合谁看：对代码隐私敏感的后端/客户端开发者、网络环境不稳定想离线写代码的人、以及想用一套配置同时管本地模型和云端模型的团队。前置要求很简单：一台 16GB 内存起步的机器（8GB 也能跑 3B 模型，但会卡），装好 VS Code 或 IntelliJ IDEA，剩下的跟着做就行。

核心检索词先明确：Ollama 是本地大模型运行时，Continue 是 IDE 里的 AI 编程助手插件，两者配合就是一套离线 AI 编程助手方案。下面从环境准备开始。

2. Ollama 安装与模型拉取：本地离线 AI 编程助手的地基

Ollama 的安装没什么坑，去官网下对应系统的安装包，双击装完，任务栏出现羊驼图标就说明服务在后台跑起来了。Windows 用户注意：装完后ollama命令可能不在当前终端 PATH 里，重开一个终端再试。验证命令：

ollama --version

能打印版本号就 OK。如果提示找不到命令，去「系统环境变量」里确认 Ollama 的安装路径加进了 PATH，或者直接用开始菜单里的 Ollama 快捷方式启动服务。

接下来拉模型。本地代码补全对模型的要求是「小、快、对代码语料友好」，3B 到 7B 的量化模型是甜点区。以 StarCoder2-3B 为例，一行命令拉取：

ollama run novaforgeai/starcoder2:3b-optimized

这条命令会自动下载模型并进入交互对话模式，输入/bye退出。下载完成后模型名就是novaforgeai/starcoder2:3b-optimized，后面配置里要用到。

如果你的网络拉取慢，或者想把模型文件放到自定义目录，可以走手动导入。先去 ModelScope 镜像站下载带Q4_K_M的 GGUF 文件，然后在同目录建一个Modelfile：

FROM ./starcoder2-3b-instruct-q4_k_m.gguf

终端进入该目录执行：

ollama create my-starcoder2:3b -f ./Modelfile

之后用my-starcoder2:3b这个模型名即可。手动导入的好处是模型文件位置可控，方便备份和迁移。

拉完模型后，用一条命令确认本地服务能正常返回模型列表：

curl http://localhost:11434/api/tags

返回的 JSON 里应该能看到你刚拉的模型名。这一步很关键，因为 Continue 连接 Ollama 走的就是http://localhost:11434这个本地端口，如果这里不通，后面插件一定连不上。

注意：Ollama 默认监听 11434 端口，如果这个端口被别的程序占用，服务会启动失败。用netstat -ano | findstr 11434查一下占用情况。

模型选型上给个参考：StarCoder2-3B 量化后约 1.7GB，内存占用 2.2GB 左右，低配机器首选；CodeQwen-7B 约 4.1GB，适合更复杂的代码生成；DeepSeek-Coder-6.7B 约 3.8GB，中文注释和解释更友好。内存不够就选更小的 Q2_K 量化版本，代价是回答质量下降。

3. Continue 配置实战：VS Code 与 IDEA 的可复制 config 片段

Continue 在 VS Code 和 IDEA 里是同一个插件，但配置文件格式和路径不一样，这是最容易踩坑的地方。先讲 VS Code。

在扩展商店搜 Continue 安装，如果要 Tab 行内补全，还得额外装 Continue Autocomplete 插件——很多人配完发现没有补全，就是漏了这一步。装完后点左侧 Continue 图标，底部齿轮 → Open Config File，会打开config.json。把内容替换成下面这段（模型名换成你实际拉的）：

{ "models": [ { "title": "StarCoder2 (Code)", "provider": "ollama", "model": "novaforgeai/starcoder2:3b-optimized", "apiBase": "http://localhost:11434" } ], "tabAutocompleteModel": { "title": "StarCoder2 (Autocomplete)", "provider": "ollama", "model": "novaforgeai/starcoder2:3b-optimized", "apiBase": "http://localhost:11434" }, "allowAnonymousTelemetry": false }

关键点：tabAutocompleteModel必须单独配，它和models是两套东西，前者管行内补全，后者管侧边栏对话。allowAnonymousTelemetry设 false 关掉匿名遥测，纯离线场景建议关。改完完全关闭 VS Code 再打开，不是 reload window。

IDEA 这边，File → Settings → Plugins 搜 Continue 安装并重启。重启后右侧出现 Continue 图标，点开聊天窗口右上角设置图标进配置，或者直接编辑%USERPROFILE%\.continue\config.yaml。YAML 格式如下：

models: - title: "StarCoder2 (Code)" provider: ollama model: novaforgeai/starcoder2:3b-optimized apiBase: http://localhost:11434 tabAutocompleteModel: title: "StarCoder2 (Autocomplete)" provider: ollama model: novaforgeai/starcoder2:3b-optimized apiBase: http://localhost:11434

保存后完全重启 IDEA。IDEA 里Ctrl+I可能和默认快捷键冲突，去 Keymap 搜 Continue 重新分配。

现在讲 TaoToken 统一接入。本地模型跑简单补全够用，但遇到复杂重构时，你可以在同一个config.json里加一个云端模型条目，通过 TaoToken 的 API 通道接入，配置只多一段：

{ "title": "TaoToken Claude", "provider": "openai", "model": "claude-sonnet-4-20250514", "apiKey": "你的TaoToken Key", "apiBase": "https://taotoken.net/api" }

这样在 Continue 的模型下拉里就能一键切换本地和云端。TaoToken 在这里的作用是统一 Key 和 API 通道，你不用为每个云端模型单独管一套凭证。API 地址是https://taotoken.net/api，Key 在控制台创建。三件套记牢：Base URL 填https://taotoken.net/api，Key 填控制台生成的，Model ID 填你要用的模型名。

4. 验证请求是否生效：本地补全与对话的实测步骤

配置写完不代表生效，得实际验证。最直接的方法是断网测试：把电脑网络断开，在 IDE 里敲一段代码看有没有补全，或者打开 Continue 侧边栏问一个问题。如果断网状态下还能正常补全和回答，说明走的是本地 Ollama，完全离线。

第二种方法是看配置文件本身：provider是ollama，apiBase是http://localhost:11434，且没有apiKey字段——满足这三条就是纯本地。如果配了 TaoToken 的条目，那条会有apiKey和https://taotoken.net/api，用来区分。

第三种是命令行验证。先确认 Ollama 服务活着：

curl http://localhost:11434/api/tags

返回模型列表就说明服务正常。再发一个实际的生成请求：

curl http://localhost:11434/api/generate -d "{\"model\":\"novaforgeai/starcoder2:3b-optimized\",\"prompt\":\"写一个Python快速排序\",\"stream\":false}"

能返回response字段就说明模型推理链路通了。如果这一步卡住或报错，问题在 Ollama 侧，跟 Continue 无关。

第四种是看进程。打开任务管理器，确认ollama.exe在跑，提问时 CPU 和内存占用会明显上升，这是本地推理的特征。如果占用没变化，说明请求根本没到本地。

验证 TaoToken 通道时，可以在 Continue 里切到云端模型问一个本地模型答不好的问题，比如让它解释一段复杂正则。如果返回正常，说明apiBase和 Key 配对了。想单独测 API 通道，用 curl 打一下：

curl https://taotoken.net/api/v1/chat/completions -H "Authorization: Bearer 你的Key" -H "Content-Type: application/json" -d "{\"model\":\"claude-sonnet-4-20250514\",\"messages\":[{\"role\":\"user\",\"content\":\"hi\"}]}"

返回带choices的 JSON 就说明通道正常。这一步能帮你区分是 Continue 配置问题还是 API 通道问题。

实测下来，本地 3B 模型补全延迟在几百毫秒级，对话首字延迟一两秒，日常写业务代码够用。复杂算法题它会答得比较浅，这时候切 TaoToken 的云端模型补上就行。

5. 常见报错排查：从 401 到 local proxy failed 逐个击破

配这套东西最常见的报错就那么几个，逐个说。

Failed to connect to Ollama：Continue 连不上本地服务。九成是 Ollama 没启动，看任务栏羊驼图标在不在，不在就从开始菜单启动。如果图标在还报错，检查apiBase是不是写成了http://127.0.0.1:11434之外的地址，或者端口被占用。用curl http://localhost:11434/api/tags确认服务可达。

401 Unauthorized：这个报错基本出现在 TaoToken 云端条目上，说明 Key 不对或没带。检查apiKey字段有没有填、有没有多余空格、Key 是不是在控制台重新生成过导致旧的失效。Base URL 必须是https://taotoken.net/api，写成别的路径会 404 或 401。

local proxy failed：Continue 在转发请求时代理层出错，常见于apiBase末尾多了斜杠，或者 provider 和 apiBase 不匹配。比如 provider 写ollama但 apiBase 指向了云端地址，就会报这个。核对 provider 和 apiBase 是否成对。

reading choices 报错：返回体里没有choices字段，通常是模型名写错，或者 API 返回了错误结构。用上面那条 curl 单独测一下，看返回的 JSON 结构对不对。如果 curl 正常但 Continue 报错，检查 Continue 里 model 字段和实际模型名是否一致。

OAuth 相关报错：如果你在 Continue 里配了需要 OAuth 的 provider，但没走完授权流程，会卡在这里。纯 Ollama + TaoToken 场景一般不会遇到，除非你混用了别的 provider。遇到就检查该 provider 的认证方式，TaoToken 走的是 Bearer Key，不需要 OAuth。

Tab 补全不工作：VS Code 里最常见的原因是没装 Continue Autocomplete 插件，或者tabAutocompleteModel没配。IDEA 里检查config.yaml的tabAutocompleteModel缩进是否正确，YAML 对缩进敏感，多一个空格就解析失败。

改配置不生效：Continue 读配置有缓存，改完必须完全关闭 IDE 再打开，reload window 不够。IDEA 尤其要注意，后台进程没退干净的话新配置不加载。

模型下载慢或失败：走 ModelScope 镜像手动下载 GGUF，再用ollama create导入，比直接拉取稳。或者换更小的量化版本。

排查顺序建议：先 curl 测 Ollama 本地服务，再 curl 测 TaoToken 通道，最后看 Continue 配置。这样能快速定位问题在哪一层，不用瞎改配置。

6. 多模型统一管理：用 TaoToken 把本地和云端串起来

本地模型和云端模型不是二选一，而是分工。日常补全、简单问答、隐私敏感的代码，走 Ollama 本地；复杂重构、跨文件理解、需要强推理的场景，切 TaoToken 云端模型。Continue 的模型下拉让这个切换变成一次点击。

TaoToken 在这里的价值是统一入口。你不需要为每个云端模型单独申请 Key、单独记 Base URL，一个 Key 走https://taotoken.net/api就能访问多个模型。配置里多写几个 model 条目，每个指向不同的 Model ID，就能在 Continue 里自由切换。

如果你长期用 AI 辅助编码，或者在做 Agent 类项目需要频繁调模型，可以了解下 Coding Plan，它适合把模型调用纳入日常开发流的场景。想先验证模型效果，直接去模型对话页面试几个 prompt 最直观。Key 的创建和管理在 API Keys 页面，接入细节看接入文档。

回到配置本身，一个同时管本地和云端的config.json大概长这样：

{ "models": [ { "title": "本地 StarCoder2", "provider": "ollama", "model": "novaforgeai/starcoder2:3b-optimized", "apiBase": "http://localhost:11434" }, { "title": "TaoToken Claude", "provider": "openai", "model": "claude-sonnet-4-20250514", "apiKey": "你的TaoToken Key", "apiBase": "https://taotoken.net/api" } ], "tabAutocompleteModel": { "title": "本地补全", "provider": "ollama", "model": "novaforgeai/starcoder2:3b-optimized", "apiBase": "http://localhost:11434" }, "allowAnonymousTelemetry": false }

补全固定走本地，保证低延迟和隐私；对话按需切换。这套配置在 VS Code 和 IDEA 里逻辑一致，只是文件格式不同。

最后给个实用技巧：本地模型选型别一味追大，3B 量化在 16GB 内存机器上补全体验最顺，7B 适合对话但补全会有点拖。如果你的机器跑 7B 吃力，就本地 3B 补全 + 云端模型对话，这个组合性价比最高。配置改完记得完全重启 IDE，这是最多人忽略的一步。