QtCreator配置AI辅助编程插件github copilot保姆级教程

Ne0inhk

— 3 min read
QtCreator配置AI辅助编程插件github copilot保姆级教程

文章目录

概要

在这里插入图片描述
Free版‌免费使用，每月限额 2000 次代码补全 + 50 次聊天交互‌集成于 VS Code，支持跨文件编辑、终端协助及自定义指令‌ ‌

Pro版‌‌个人用户‌：10 美元/月 或 100 美元/年‌ ‌特殊群体‌：学生/教师/热门开源维护者可免费使用 Pro 版‌

‌
Business版‌19 美元/月/用户，按月计费‌面向组织或企业中的团队订阅‌ ‌

Enterprise版‌39 美元/月/用户，按月计费‌企业可按需为不同组织分配 Business 或 Enterprise 订阅‌

官方地址
GitHub Copilot主页
GitHub Copilot官方文档
环境要求
系统：Window11（我是Window11装的，其他系统不清楚）
Qt Creator：使用11+以上的版本，我使用的是Qt Creator 15.0.1
Qt和QtCreator是两个东西，Qt是库，QtCreator是编辑器，可以分开安装，我就是装的qt5.14.0配的4.11.0的Creator，然后重新单独安装了Qt Creator 15.0.1

在这里插入图片描述
资源地址
Qt Creator 15.0.1安装包
网盘地址
因为ZEEKLOG不设置积分，就得要求下载吗，更麻烦，所以设置了2积分，如果没积分，评论留言，我给单独发过去

配置流程

  • 安装Qt Creator 15.0.1
  • 下载安装node.js；
  • 下载copilot.vim；
  • 重启之后，打开【编辑】-【Preferences】，选择【Copilot】，在右侧勾选Enable Copilot、Auto request（勾选之后在编写代码的时候就可以自动进行提示了），然后分别配置Node.js和copilot.vim的language-server.js的路径；

打开Qt Creator，选择【帮助】【关于插件】，找见copilot，然后勾选上插件，点击确定，重启Qt Creator；

在这里插入图片描述
![(https://i-blog.ZEEKLOGimg.cn/direct/b5596e835aa146b18bbf1c309ff50581.png)

进入授权界面后点击【Authorize Github Copilot plugin】按键授权Qtcreator插件即可；

在这里插入图片描述

登录会让输入验证码，返回Qt Creator，找到下图所示的验证码输入即可；

在这里插入图片描述

配置完路径后【Sign in】就会按键就会亮起，我的已经登录完成了，登录完成就会显示登录的用户名，下边是没登录的样子，上边是完成之后的样子；

在这里插入图片描述
在这里插入图片描述

点击Free下边的Get started即可解决，此时返回qt应该就可以使用了。

在这里插入图片描述

返回qt可能会弹如下窗口，这个是需要我们去领取一下这个插件权限，跳转网页到GitHub Copilot主页
-

在这里插入图片描述

Read more

Linux 动静态库完全指南：制作、使用、原理与实战

Linux 动静态库完全指南：制作、使用、原理与实战

🔥草莓熊Lotso：个人主页 ❄️个人专栏: 《C++知识分享》《Linux 入门到实践：零基础也能懂》 ✨生活是默默的坚持，毅力是永久的享受！ 🎬 博主简介： 文章目录 * 前言： * 一. 库的基础认知：是什么？有哪些？ * 1.1 库的本质 * 1.2 库的分类与系统位置 * 1.3 预备工作：自定义库源码 * 二. 静态库：编译时链接，独立运行 * 2.1 整体图示：理清思路 * 2.2 静态库制作流程（Makefile 自动化，更简便） * 2.3 静态库使用场景与命令 * 2.4 静态库核心特点 * 三. 动态库：运行时链接，

By Ne0inhk
Flutter for OpenHarmony: Flutter 三方库 jwt_decode 鸿蒙端侧极速解析身份验证令牌（鉴权中间件必备）

Flutter for OpenHarmony: Flutter 三方库 jwt_decode 鸿蒙端侧极速解析身份验证令牌（鉴权中间件必备）

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.ZEEKLOG.net 前言 在 OpenHarmony 应用对接企业级后端服务时，身份验证通常基于 JWT (JSON Web Token)。前端开发者面临的一个共同挑战是：当拿到服务器下发的那串长长的 Base64 字符串时，如何在客户端立即获取其中包含的用户信息、权限（Scopes）或过期时间（Exp），而无需每次都通过网络请求询问服务器？ jwt_decode 正是解决这一痛点的精悍工具。它不涉及复杂的加密解密（验证签名通常在后端完成），而是专注于在鸿蒙端侧以极速方式解析 JWT 的 Payload（载荷）部分，让你对用户状态拥有即时的“掌控感”。 一、JWT 解析生命周期模型 jwt_decode 负责将模糊的令牌转化为结构化的数据。 JWT 令牌 (Encoded) jwt_decode 解析引擎 载荷

By Ne0inhk
轻松内网部署：llama.cpp量化大模型运行指南！

轻松内网部署：llama.cpp量化大模型运行指南！

跑量化模型，LLama.cpp 还是方便，用 C/C++ 实现，性能很高，还支持的 CPU+GPU 做量化模型推理，命令行参数很精细，跑 GGUF 很方便。本文就详细介绍安装、运行全过程，中间踩坑无数，希望对大家有所帮助。 一、什么是 llama.cpp？为什么它如此重要？ llama.cpp 的核心思想是让大模型运行在普通人的消费级硬件上。它通过以下关键技术实现了这一目标： * C/C++ 实现：没有复杂的 Python 依赖，编译后即是原生可执行文件，性能极高。 * 模型量化 (Quantization)：将模型权重从传统的 32 位或 16 位浮点数，压缩成更小的整数（如 4 位、5

By Ne0inhk

3步快速上手DiT模型注意力可视化：零基础也能看透AI绘画原理

3步快速上手DiT模型注意力可视化：零基础也能看透AI绘画原理 【免费下载链接】DiTOfficial PyTorch Implementation of "Scalable Diffusion Models with Transformers" 项目地址: https://gitcode.com/GitHub_Trending/di/DiT 还在为看不懂DiT模型如何生成图像而烦恼吗？本文将带你从零开始，通过简单3步就能掌握DiT注意力可视化技术，让AI绘画的神秘面纱在你面前层层揭开！ 问题篇：为什么需要关注DiT的注意力机制？ 当你看到DiT模型生成的精美图像时，是否好奇它究竟是如何"思考"的？🤔 注意力机制就像模型的"眼睛"，它能告诉我们： * 像素关联：哪些像素点之间存在重要联系 * 特征聚焦：模型在生成过程中关注哪些关键区域 * 决策依据：从噪声到清晰图像的转变逻辑 图1：DiT模型生成的真实场景样本，通过注意力可视化可分析其内部决策过程 解决方案篇：3步搭建可视化环境

By Ne0inhk