VSCode Github Copilot使用OpenAI兼容的自定义模型方法

优质文章学习记录

— 3 min read
VSCode Github Copilot使用OpenAI兼容的自定义模型方法

背景

VSCode 1.105.0发布了，但是用户最期待的Copilot功能却没更新！！！
（Github Copilot Chat 中使用OpenAI兼容的自定义模型。）

在这里插入图片描述

🔥官方也关闭了Issue，并且做了回复，并表示未来也不会更新这个功能：
“实际上，这个功能在可预见的未来只面向内部人员开放，作为一种“高级”实验功能。是否实现特定模型提供者的功能，我们交由扩展作者自行决定。仅限内部人员使用可以让我们快速推进，并提供一种可能并非始终百分之百完善，但能够持续改进并快速修复 bug 的体验。如果这个功能对你很重要，我建议切换到内部版本 insider。”

在这里插入图片描述

🤗 官方解决方案：安装VSCode扩展支持

你们完全不用担心只需要在 VS Code 中安装扩展：OAI Compatible Provider for Copilot

在这里插入图片描述

通过任何兼容 OpenAI 的提供商驱动的 GitHub Copilot Chat，使用前沿开源大模型，如 Kimi K2、DeepSeek V3.2、GLM 4.6 等。

✨ 特色功能

  • 支持几乎所有与 OpenAI 兼容的供应商，例如 ModelScope、SiliconFlow、DeepSeek…
  • 支持视觉模型。
  • 为聊天请求提供额外的配置选项。
  • 支持同时配置来自多个供应商的模型，自动管理 API 密钥而无需反复切换。
  • 支持为同一模型 ID 定义多种配置（例如为 GLM-4.6 启用/禁用思考功能）。Supports almost all

支持控制模型在聊天界面中显示思考与推理内容。

thinkingPartDemo

⚡ 快速开始

  1. 安装“OAI Compatible Provider for Copilot”扩展。
  2. 打开 VS Code 设置，配置 oaicopilot.baseUrl 和 oaicopilot.models。
  3. 打开 Github Copilot聊天界面。
  4. 点击模型选择器，选择“管理模型…”。
  5. 选择“OAI Compatible”提供商。
  6. 输入您的 API 密钥 —— 它将被本地保存。
  7. 选择您希望添加到模型选择器中的模型。

Settings Example

"oaicopilot.baseUrl":"https://api-inference.modelscope.cn/v1","oaicopilot.models":[{"id":"Qwen/Qwen3-Coder-480B-A35B-Instruct","owned_by":"modelscope","context_length":256000,"max_tokens":8192,"temperature":0,"top_p":1}]

Read more

解决下载慢问题：国内可用的Stable Diffusion和LLaMA模型镜像站清单

国内可用的Stable Diffusion和LLaMA模型镜像站清单：高效解决下载慢问题 在AI生成内容（AIGC）迅速普及的今天，越来越多开发者、设计师和研究人员开始尝试本地部署Stable Diffusion或微调LLaMA这类大模型。但一个现实问题始终困扰着国内用户——模型下载太慢了。 你有没有经历过这样的场景？打开Hugging Face准备下载一个7GB的SDXL基础模型，进度条爬得比蜗牛还慢，半小时才下完一半，结果网络一断，前功尽弃。更别提训练LoRA时需要频繁拉取不同版本的基础权重，这种体验简直让人崩溃。 这背后的原因并不复杂：主流模型大多托管在境外平台（如Hugging Face、Replicate），而原始文件动辄数GB甚至数十GB，加上跨境链路不稳定、DNS污染、限速等问题，直接导致国内直连下载效率极低，严重拖慢了从环境搭建到实际训练的整体节奏。 好在社区早已意识到这个问题，并催生出一批高质量的国内模型镜像站点。它们通过在国内服务器缓存常用模型文件，提供HTTPS加速链接，极大提升了获取效率。配合LoRA这类轻量化微调技术，如今我们完全可以在消费级显卡上完成

opencode能否替代Copilot？生产环境落地对比评测

opencode能否替代Copilot？生产环境落地对比评测 1. 背景与选型需求 随着AI编程助手在开发流程中的深度渗透，开发者对工具的期望已从“能补全代码”升级为“可定制、保隐私、多模型支持、适配本地化部署”的综合能力。GitHub Copilot作为市场先行者，凭借与VS Code的无缝集成和强大的云端模型支撑，已成为许多团队的标准配置。然而，其闭源架构、数据上传机制以及对特定云服务商的依赖，使得部分企业尤其关注代码安全、合规审计与成本控制的场景下开始寻求替代方案。 在此背景下，2024年开源的 OpenCode 引起了广泛关注。该项目以“终端优先、多模型兼容、零代码存储”为核心理念，迅速积累5万+ GitHub Stars，并形成活跃社区。与此同时，通过结合 vLLM + OpenCode 架构，可在本地部署高性能推理服务（如Qwen3-4B-Instruct-2507），实现低延迟、高吞吐的AI编码辅助，进一步推动其在生产环境中的可行性探索。 本文将围绕 功能覆盖、模型灵活性、隐私安全、

AIGC情感化升级实战：如何将智能客服投诉率从12%降至3.2%

背景痛点：为什么你的智能客服总被投诉？ 智能客服已经成为企业服务标配，但高投诉率却让很多技术团队头疼。行业平均12%的投诉率背后，隐藏着几个关键的技术短板。 首先，传统规则引擎和简单意图识别无法捕捉用户情绪。当用户说“我的订单还没到”，系统可能只识别“查询订单”意图，却忽略了语气中的焦急和不满。这种情感盲区导致回复机械，无法安抚用户情绪。 其次，上下文断裂问题严重。用户在多轮对话中提及的信息，系统经常“忘记”，导致用户需要反复说明问题，体验极差。 最后，回复生成缺乏人性化。基于模板的回复千篇一律，无法根据用户情绪调整语气和措辞，让用户感觉在与机器对话。 这些痛点叠加，最终导致用户满意度下降，投诉率居高不下。要解决这些问题，我们需要为智能客服注入“情感智能”。 技术方案：构建情感化智能客服的三层架构 1. 情感识别模型选型：BERT vs LSTM的实战对比 情感识别是情感化升级的基础。我们对比了两种主流方案： LSTM方案： * 优点：训练速度快，资源消耗低，在小规模标注数据上表现良好 * 缺点：