VSCode Copilot 终极魔改:以智谱 GLM-4.6 为例,一文搞定任意大模型接入

VSCode Copilot 终极魔改:以智谱 GLM-4.6 为例,一文搞定任意大模型接入

VSCode Copilot 终极魔改:以智谱 GLM-4.6 为例,一文搞定任意大模型接入

前言:为何你的 Copilot 需要一次“魔改”?

本文旨在帮助所有希望突破 VSCode Copilot 模型限制、追求更高代码效率和性价比的开发者。如果你也曾面临以下困境,那么这篇文章就是为你量身打造的:

  • Copilot 官方模型不够用:想尝试最新、最强的国产模型(如智谱 GLM、文心一言、Kimi)却无从下手。
  • API 订阅成本高:官方或其他国外模型的订阅费和按量计费(通常以美元结算)让个人开发者望而却步。
  • 替代品体验有瑕疵:其他辅助插件在某些场景下不如原生的 Copilot 轻便、流畅。

本文将提供一个终极解决方案:通过一个 VSCode 插件,无缝接入任何支持 OpenAI 兼容接口的大模型。我将以当前备受瞩目的国产模型智谱 GLM-4.6 为例,手把手带你完成从申请 API Key 到在 Copilot 中成功调用的全过程。

一、核心插件:OAI Compatible Provider for Copilot

要实现我们的目标,只需要一个关键插件:OAI Compatible Provider for Copilot

这个插件的核心作用,就是充当一个“翻译官”,让 Copilot 能够与所有使用标准 OpenAI API 格式的模型进行对话。安装它,是我们进行一切“魔改”的基础。

  1. 在 VSCode 扩展商店中搜索 OAI Compatible Provider for Copilot,也可以直接搜缩写oai

点击安装,如图。

在这里插入图片描述

二、把智谱 GLM-4.6 注入 Copilot

接下来,我们以接入智谱 GLM-4.6 为例,详细演示配置过程。此方法同样适用于 Kimi、DeepSeek、文心一言等其他所有提供 OpenAI 兼容接口的国产模型。

2.1:获取智谱 GLM-4.6 的 API Key

首先,我们需要从智谱 AI 官方获取访问模型的“钥匙”。

  1. 前往智谱AI官网智谱AI开放平台
  2. 注册/登录并创建 API Key:登录后,按照下图指示,依次点击 右上角头像 -> API Keys -> + 创建新的 API Key

复制 Key:创建成功后,系统会生成一串 API Key 字符。立即点击复制按钮,等着下一步使用。

在这里插入图片描述

命名并保存:为你的 Key 输入一个好记的名称(例如 vscode-copilot-key,图示中我起名是ClaudeCode),点击确认。

在这里插入图片描述

2.2:在 VSCode 中配置插件

拿到了 API Key,我们回到 VSCode 进行配置。

  1. 找到插件配置:在搜索框中输入 oai, 然后打开它的设置界面。
  2. 在设置界面填写OpenAI兼容的API接口地址,注意包月计划的地址不要写错
    • 购买了智谱GLM Coding Plan包月计划的填写(如图),一定要填正确,否则会按tokens消耗量扣费: https://open.bigmodel.cn/api/coding/paas/v4
    • 没买智谱包月计划的,走传统的按tokens消耗扣费的,填写这个地址: https://open.bigmodel.cn/api/paas/v4
    • DeepSeek的地址是: https://api.deepseek.com/v1

Kimi的地址是: https://api.moonshot.cn/v1

在这里插入图片描述

2.3:在 Copilot 中启用并使用新模型

最后一步,让 Copilot 认识我们的新伙伴。

  1. 打开 Copilot Chat:点击 VSCode 顶边栏的 Copilot 图标。

在Copilot Ctrl + I 中切模型为GLM-4.6:如图,不说了,命令行唤起同样适用。

在这里插入图片描述

在Copilot Chat切换模型为GLM-4.6:模型列表中选择GLM-4.6,然后向他问好一下,如果能收到答复,就证明大功告成。

在这里插入图片描述

模型列表勾选你想用的即可:如果你的Base URL 和 API Key都配置正确,这里就会弹出模型列表,勾选后点击OK, 配置工作就基本完成了。

在这里插入图片描述

重新进入OAI Compatible选择模型:填入API Key后界面会消失,不要怕,重新 打开 Copilot Chat -> 打开 Manage Models -> 选择OAI Compatible(不要选小齿轮哦,小齿轮是配置API Key的)

在这里插入图片描述

填入上一步申请好的API Key:在弹出的设置窗口,输入你的API Key,然后回车确认。

在这里插入图片描述

选择 OAI Compatible 齿轮:在弹出的模型供应商中,可以看到 [OAI Compatible] 。点击它右侧的小齿轮,后续如果你要修改为其他模型的话也是点击这个小齿轮。

在这里插入图片描述

打开 Manage Models:把模型列表打开,然后点击列表最下面的 Manage Models 按钮。

在这里插入图片描述

至此,大功告成!如需要更加自定义和灵活的配置,就自行阅读OAI插件的使用说明吧,我这里就不细说了。这个插件也是开源的,可以直接去仓库学习用法:https://github.com/JohnnyZ93/oai-compatible-copilot

三、总结与拓展

通过本文的详细步骤,我们成功地将强大的智谱 GLM-4.6 模型集成到了 VSCode Copilot 中,实现了:

  • 突破生态限制:让 Copilot 不再局限于官方模型,拥抱更广阔的模型生态,尤其是优秀的国产大模型。
  • 极致性价比:通过直连官方 API 并按量付费,我们可以更经济、更灵活地使用 AI 辅助编程,告别昂贵的固定订阅。
  • 原生体验:所有操作都在 VSCode 和 Copilot 的原生框架内完成,无需适应新的工具和工作流。

这种方法具有极强的可拓展性。今天我们以 GLM-4.6 为例,明天你就可以用同样的方式接入 Kimi 的长文本能力,或是 DeepSeek 的代码专项能力。你只需要找到对应厂商的 Base URL 和申请 API Key,就能无限拓展你的 Copilot 工具箱。

希望这篇教程能为你打开一扇新的大门。如果你在配置过程中遇到任何问题,或是有更好的模型推荐,欢迎在评论区与我交流!

Read more

数据结构之带头双向循环链表

数据结构之带头双向循环链表

前言:前面我们实现了顺序表和单链表,这次来实现一个结构更复杂的链表-----带头双向循环链表。不要被它的名字吓到哦,只是结构复杂而已,它的结构更有利于代码的实现。 1 双向循环链表的介绍 有了单链表的基础,要实现这个双向循环带头链表其实并不难。下面我们先来了解一下什么是双向循环带头链表。 这就是双向循环带头链表的结构图,可以很清晰的看到,这个链表需要两个指针,一个指向后继结点,一个指向前驱节点,其次还需要一个头结点。只是这个头结点并不需要存储有效数据。 2 双向循环链表的实现 2.1 双向循环带头链表的定义 //存储的数据类型typedefint LDataType;//链表的定义typedefstructListNode{ LDataType val;structListNode* next;//指向后继节点structListNode* prev;//指向前驱节点}LTNode; 2.2 双向循环带头链表的接口 //初始化双向循环带头链表‘ LTNode*ListInit();//打印voidListPrint(plist);//尾插voidListPush

By Ne0inhk
AI编译器入门:TVM与MLIR如何将深度学习模型映射到任意硬件——连接算法与芯片的桥梁

AI编译器入门:TVM与MLIR如何将深度学习模型映射到任意硬件——连接算法与芯片的桥梁

点击 “AladdinEdu,你的AI学习实践工作坊”,注册即送-H卡级别算力,沉浸式云原生集成开发环境,80G大显存多卡并行,按量弹性计费,教育用户更享超低价。 第一章:AI编译器的崛起:从手工优化到自动化部署 1.1 深度学习部署的“碎片化”困局 深度学习技术的快速发展带来了一个严峻挑战:算法创新速度远超硬件生态演进速度。根据MLPerf基准测试报告,2020年至2023年间,新发布的深度学习模型数量增长了约300%,而硬件架构类型(CPU、GPU、NPU、ASIC、FPGA等)的多样性也呈指数级增长。这种碎片化生态导致了一个核心矛盾:训练框架(如PyTorch、TensorFlow)输出的模型如何高效运行在千差万别的硬件平台上? 传统部署路径的问题: PyTorch模型 → ONNX → TensorRT(仅NVIDIA)→ GPU ↘ CoreML(仅Apple)→ iPhone NPU ↘ NCNN(移动端)→ 安卓CPU ↘ OpenVINO(仅Intel)→ CPU/VPU

By Ne0inhk
一文彻底搞清楚数据结构之快速排序和归并排序的深入优化

一文彻底搞清楚数据结构之快速排序和归并排序的深入优化

🔥承渊政道:个人主页 ❄️个人专栏: 《C语言基础语法知识》《数据结构与算法初阶》 ✨逆境不吐心中苦,顺境不忘来时路!🎬 博主简介: 前言:前面小编已经介绍八大排序算法的基本思想和实现方法!但关于其中的快速排序和归并排序还有一些细节可以优化!接下来跟着小编来看看快速排序和归并排序的深入优化,学习一下优化完之后,具体在实际中的应用!废话不多说,下面跟着小编的节奏🎵一起学习吧! 目录 * 1.快速排序性能的关键点分析 * 1.1三路划分算法思想讲解 * 1.2hoare和lomuto和三路划分单趟排序代码分析 * 1.3三种快排单趟排序运⾏结果分析 * 2.排序数组OJ题 * 2.1lomuto的快速排序跑排序数组OJ题 * 2.2hoare的快速排序跑排序数组OJ题 * 2.3三路划分的快速排序跑排序数组OJ题 * 2.4introsort的快速排序跑排序数组OJ题 * 3.外排序介绍 * 3.1创建随机数据⽂件的代码 * 3.2⽂件归并排序思路分析 * 3.3⽂件归并排序代码实现 * 3.4非递归版

By Ne0inhk
【数据结构】二叉搜索树 C++ 简单实现:增删查改全攻略

【数据结构】二叉搜索树 C++ 简单实现:增删查改全攻略

目录 前言: 1、什么是二叉搜索树? 2、二叉搜索树性能分析 3、key类型二叉搜索树的实现 节点结构 类结构 3.1、插入 3.2、中序遍历 3.3、查找 3.4、删除 4、key_value类型二叉搜索树的实现 节点结构 类结构 4.1、构造函数 4.1.1 默认构造 4.1.2 拷贝构造 4.2、赋值重载 4.3、析构 4.4、插入 总结 前言: 今天这篇,

By Ne0inhk