cline插件 idea安装AI插件

cline插件 idea安装AI插件
下载 cline插件 到本地
https://plugins.jetbrains.com/plugin/28247-cline/versions/stable
idea安装 本地下载的 cline插件
注意 下载的版本 要和 idea匹配,2025.1(idea)和 1.1.0 (cline)匹配。

在这里插入图片描述

idea里面配置cline 插件
一些配置参数:
API Provider 、API Key、Base URL、Model ID、Use prompt caching、Enable Thinking
根据自己实际 数据填写这些参数
API Provider : LiteLLM
API Key:你自己的 API Key(这个是自己申请的唯一key)
Base URL :生产环境(自己实际的开发环境地址)
Model ID : openai/qwen3-coder-plus
Use prompt caching : 一定要勾选此选项
Enable Thinking:不少供应商和模型不支持thinking模式

Idea、vscode里面安装 AI插件 cline插件,Qwen Code 安装+配置
Cline覆盖绝大多数AI coding开发场景,Qwen Code主要适配只能使用命令行无IDE的开发环境

2、
AI编程工具Qwen Code的应用

  • Qwen Code 是一个强大的基于命令行、面向开发者的 AI 工作流工具,改编自 Gemini CLI,专门针对 Qwen3-Coder 模型进行了优化。
  • 它专门为代码理解、代码重构、自动化工作流、Git 操作等场景设计,让你的开发工作变得更高效、更智能。
  • 它既可以通过 OAuth 无感登录使用官方免费额度,也支持 OpenAI-compatible(自定义 API)模式接入。
    二、Qwen Code 安装+配置
    1、安装nodejs,版本要求:>= 20.18
    2、配置nodejs的环境变量path
    3、安装Qwen code
  • 内网环境需要指向内部镜像,首先配置npm的仓库地址
    npm config set registry http://hu/repository/npm-npmmirror/
  • 安装qwen code
    npm install @qwen-code/[email protected] -g
    (注:可在http://h:9081/中搜索"qwen-code",以确定是否有对应的版本,案例版本是0.0.8)
    4、配置npm和Qwen Code环境变量
    这一步最重要的是配置需要调用的大模型,需要申请OPENAI_API_KEY,我们提供了一个申请平台专门负责账号的管理,同时提供了部分常用的大模型,AICoding虚拟账号申请和使用
    这里我们后台连接的是openai/qwen3-coder-plus;
    1)Windows
    1. 在CMD、PowerShell或终端输入npm config get prefix,获取npm位置信息
    2. 配置npm位置信息配置到环境变量中
      1、获取管理员账号权限,直接在系统变量中设置
      2、打开window PowerShell,然后修改执行策略 Set-ExecutionPolicy -Scope CurrentUser
      接着在提示行中输入策略参数:RemoteSigned
    3. 配置Qwen Code参数
      每次启动Qwen Code之后都会要求输入对应的OPENAI_API_KEY、OPENAI_BASE_URL和OPENAI_MODEL以调用相应的大模型,可在环境变量中配置相关参数避免重复输入,三个参数分别代表申请到的api_key,大模型地址或代理地址,模型名称
      三、使用Qwen Code
      案例:代码优化
      接口名称:/userManagement/getUserGroupList
      功能:根据模糊匹配用户名,并获取对应用户的群组信息列表
      编写语言:java
      1、进入到需要项目所在根目录 cd \project\user\git\user-management,输入qwen启动服务
      [图片]
      在对话框中输入提示词:请优化src\main\java\com\user目录下UserController中的getUserGroupList方法
      首先,大模型会自己去查找service、dao等文件中涉及到的方法,以理解整个流程

Read more

3分钟搭建本地AI绘画平台:StableDiffusion-webui让创意秒变精美画作

3分钟搭建本地AI绘画平台:StableDiffusion-webui让创意秒变精美画作 【免费下载链接】ChatTTS-ui匹配ChatTTS的web界面和api接口 项目地址: https://gitcode.com/GitHub_Trending/ch/ChatTTS-ui 你是否还在为AI绘画需要付费API而烦恼?是否担心在线服务存在隐私泄露风险?本文将带你从零开始,通过StableDiffusion-webui在本地部署一套全功能AI绘画系统,无需美术功底,3分钟即可拥有媲美专业画师的创作能力。 读完本文你将获得: * 4种零代码部署方案(Windows一键安装/容器化部署/源码部署/移动端适配) * 6种常用绘画风格参数配置与自定义方法 * API接口调用全流程及Python示例代码 * 95%常见问题的解决方案 项目核心架构 StableDiffusion-webui是一个基于Stable Diffusion模型的Web界面和API接口项目,主要由前端交互层、图像生成层和模型管理层构成。项目采用模块化设计,核心代码集中在以下目录: * Web界面

【AIGC】COT思维链:让AI学会拆解问题,像人一样思考

【AIGC】COT思维链:让AI学会拆解问题,像人一样思考

COT思维链 * 引言 * 理解实践 * 存疑例子 * COT解决 * 内置COT * COT的优势 * COT的未来展望: * 结语 引言 在人工智能领域,我们一直在追求让机器像人类一样思考。然而,即使是最先进的AI,也常常被诟病缺乏“常识”,难以理解复杂问题,更不用说像人类一样进行逻辑推理和解决问题了。最经常的表现就是遇到不会的地方,或者一些人一眼能看出来的地方AI在那里胡扯。 为了解决这个问题,一种名为“思维链(Chain of Thought, COT)”的技术应运而生。COT的核心思想是:将复杂问题分解成一系列简单的子问题,并逐步推理出最终答案。 这就像人类在解决问题时,会先将问题拆解成一个个小步骤,然后一步步推理,最终得出结论。 理解实践 存疑例子 为了理解COT我们先来看个例子。经典的数strawberry里面的r有几个 from langchain_openai import ChatOpenAI from langchain.chains import LLMChain from

Whisper驱动的多语种交互异常检测框架:软件测试公众号热度解析与实战应用

Whisper驱动的多语种交互异常检测框架:软件测试公众号热度解析与实战应用

在2026年软件测试领域,公众号内容的热度高度依赖专业深度与痛点解决能力。爆款文章普遍聚焦AI工具评测、精准测试案例分享及技术趋势分析,阅读量破万的核心在于提供可量化数据和即时应用方案。本文将结合Whisper语音识别模型,构建多语种交互异常检测框架,并解析其如何契合公众号热度要素,为测试从业者提供内容创作蓝本。 一、公众号热度内容类型与核心特征 软件测试公众号的热门内容可归纳为三大类型,均以解决实际痛点为驱动: 1. AI工具评测与实战教程:占热门内容60%以上,热度源于测试效率的刚性需求。核心特征包括嵌入量化数据(如缺陷检出率提升30%)和分步操作指南,避免空泛论述。例如,对比Selenium与Cypress的实测文章,通过Python脚本示例展示手动编码时间减少50%,阅读量常破万。用户偏好可复现代码片段和性能对比图,确保即时应用性。 2. 精准测试案例分享:热度年增速超40%,聚焦多语言测试、安全合规等场景化挑战。内容需详述错误预防秘籍(如边界值分析优化),辅以风险管理框架和可视化报告。例如,“AI翻译技术文档精准应用指南”结合GDPR匿名化方案,指导生成10万+测试

七大AIGC测试工具横向评测:赋能软件测试的AI利器

七大AIGC测试工具横向评测:赋能软件测试的AI利器

在AI技术迅猛发展的2025年,AIGC(人工智能生成内容)工具已深度融入软件测试领域,显著提升测试效率和质量。本次评测聚焦七大主流工具:CodeWhisperer、GitHub Copilot、Testim、Selenium AI、Test.ai、Mabl和Functionize。评测基于实际测试场景(如Web/API测试、移动端兼容性验证),从核心功能、优缺点、适用性及成本四维度展开。目标是为测试工程师提供数据驱动的决策参考。评测方法包括工具实测(使用Python/Java测试脚本)、用户反馈分析(来源Stack Overflow和GitHub议题)及性能基准测试(错误检测率、执行速度)。以下是详细横向比较。 一、工具核心功能与评测结果 1. Amazon CodeWhisperer * 功能亮点:基于AWS的AI代码助手,专精于测试脚本生成。支持Python、Java等语言,能自动补全测试用例(如Selenium脚本),并集成漏洞扫描。实测中,生成100行测试代码的平均时间仅5秒,错误率低于5%。 * 优点: