开发新体验：基于Ollama+deepseek打造私有化代码助手

前言

在数据安全要求日益提高的今天，如何在不依赖云端服务的情况下获得AI编程辅助？本文将手把手教你使用开源工具搭建本地化Copilot，实现完全离线的智能代码补全。

准备工作

硬件要求

- 推荐16GB+内存
- NVIDIA显卡（非必须，但可提升推理速度）

软件环境

- Windows用户必需
- Ollama服务
- VS Code 插件Continue - Codestral, Claude, and more

实现步骤

一、部署Ollama服务

1. 下载Ollama安装包

打开浏览器，访问 Ollama 官方网站：ollama.com/download，下载适用于 Windows 的安装程序。

下载地址为：ollama.com/download/Ol...。（可以复制下载链接用迅雷下，会快很多）

下载完成后，双击安装程序并按照提示完成安装。

推荐这么安装： 如果需要将 Ollama 安装到非默认路径，可以在安装时通过命令行指定路径，例如：

ini 复制代码

OllamaSetup.exe /DIR="D:\app\Ollama"

2. 验证安装

打开命令提示符或 PowerShell，输入以下命令验证安装是否成功：

css 复制代码

ollama --version

如果显示版本号，则说明安装成功。

3. 更改安装路径（可选）

如果需要将 Ollama 安装到非默认路径，可以在安装时通过命令行指定路径，例如：

ini 复制代码

OllamaSetup.exe /DIR="D:\app\Ollama"

这样可以将 Ollama 安装到指定的目录。

如果已经安装了，也可以通过迁移目录，修改环境变量来更改安装路径。具体实现，可以参考这篇文章Windows下Ollama安装目录迁移到D盘

二、下载模型

可以在ollama的library库里，找适合自己到电脑配置的模型，进行下载。本人主要是为了做代码开发，有提示，所以选择了deepseek-coder模型进行演示（还有一些不错的模型可以试试，比如deepseek-coder-v2、qwen2.5-coder）,也是到电脑配置不够，才没有选择deepseek-coder-v2，需要16G.....

1基础下载命令

arduino 复制代码

# 标准6.7b参数版本（需要8GB+显存）
ollama run deepseek-coder:6.7b

# 量化版本推荐（4-bit量化，6GB内存可运行）
ollama run deepseek-coder:33b

2.下载过程演示

如果速度降到几十kb，或者不动的，可以ctrl+c。停止下载，再从新输入下下载指令，就会恢复速度，继续下载

3.查看已下载模型

复制代码

ollama list

4.运行测试对话

arduino 复制代码

# 运行deepseek-coder模型
ollama run deepseek-coder:6.7b

输入你想实现的功能，例如：帮我用js实现一个防抖函数

三、配置VS Code插件

安装Continue插件

- 在VS Code扩展商店搜索"Continue"并安装

修改插件配置

bash 复制代码

{
  "models": [
    {
      "title": "DeepSeek Coder",# title随便写
      "model": "deepseek-coder:6.7b",# 需要和模型名对应
      "provider": "ollama",
      "apiBase": "http://localhost:11434"
    }
  ],
   ...
  "tabAutocompleteModel": {
    "title": "Tab Autocomplete", # title随便写
    "provider": "ollama",
      "model": "deepseek-coder:6.7b",# 需要和模型名对应
    "apiBase": "http://localhost:11434"
  },
  ...
}

注意：model需要和ollama里的模型名称对应

如果和同事在同一局域网，可以让同事把apiBase里的ip，改完你的ip，这样子就可以共用同一个大模型了

四、实战测试

例如，让ai帮忙写个节流函数

跟多使用技巧，可以去看下Continue插件高级配置指南，也可以参考下这篇文章ollama+vscode插件continue,属于自己的copilot

结语

通过本方案，我们实现了：

✅ 完全离线的开发环境

✅ 敏感代码的本地化处理

✅ 定制化的代码补全风格

未来可尝试接入更多本地模型（如deepseek-coder-v2、CodeLlama），或结合RAG技术构建私有知识库。

个人使用感受：

使用起来，肯定不比目前主流的Cursor，GitHub Copilot、TONGYI Lingma等好用，而且比较卡，主要还受限与电脑配置与模型大小。如果不是为了离线开发环境的代码提示，和敏感代码的本地化处理，没必要搞本地部署,还很吃到电脑性能。

如果可以连网，Continue 插件也可以配合api接口平台使用，使用体验也会更好，速度也会更快，家人们可以通过我的邀请(你我各得14元配额)链接进行注册: cloud.siliconflow.cn/i/Opqd7sln。具体可以参考下这篇文章，写的很细使用continue插件+硅基流动平台(支持DeepSeek-V3和R1)后,完全可以抛弃cursor了

参考文章

Ollama 安装

Windows下Ollama安装目录迁移到D盘

ollama+vscode插件continue,属于自己的copilot