本文详细介绍了如何在Visual Studio Code中安装和配置Continue插件并利用Claude 3.5模型进行AI开发。教程涵盖了插件安装、API密钥获取、模型配置、自定义设置等关键步骤并提供了代码优化示例。通过该插件开发者可高效利用AI助手提升编程效率无需梯子即可访问所有大模型。文章还提醒注意API密钥安全并附常见问题解答助力开发者快速上手AI辅助开发。​简介本教程将指导您如何在 Visual Studio Code (VSCode) 中安装和自定义配置 Continue 插件并使用 Claude 3.5 模型进行 AI 开发。通过本教程您将能够高效地利用 AI 助手提升开发效率。本方法访问所有大模型均无需梯子重点注意事项重点无论是用 Openai GPT系列模型还是 Claude系列模型或其他任何模型均只需修改Continue的config.json配置文件即可API KEY在大模型API平台 CURSOR API 令牌页面新建获得。例sk-1Qpxob9KYXq6b6oCypgyxjFwuiA817KfPAHo8XET7HjWQqUBase URLapi.cursorai.art/v1/主流模型全称claude-3-5-sonnet-20241022、claude-3-5-sonnet-20240620、gpt-4o、gpt-4o-mini所需工具与前提条件安装了最新版本的 Visual Studio Code网络连接用于下载插件访问所有大模型均无需梯子拥有 Claude 3.5 模型的 API 密钥基本的编程知识建议熟悉 JavaScript 或 Python详细步骤指南1. 安装 Continue 插件打开 VSCode进入扩展市场快捷键CtrlShiftX搜索 “Continue”然后点击安装。2. 配置 Claude 3.5 模型在 VSCode 中按CtrlShiftP打开命令面板输入 “Continue : Open configution file”然后models中增加模型配置。例如{ apiKey: 你的apikey, apiBase: https://api.cursorai.art/v1, model: cursor-3-5-sonnet-20241022, title: Claude-3-5-sonnet-20241022, systemMessage: You are an expert software developer. You give helpful and concise responses., provider: openai }*注意模型配置之间要用英文逗号相隔最后一个模型不需要逗号2. 自定义插件设置根据您的开发需求调整 Continue 插件的User setting例如使用谷歌来搜索文档等。4. 使用 Continue 进行 AI 开发在代码编辑器中选择刚刚配置的模型输入可以让Continue读取任意文件插件将使用 Claude 3.5 模型生成代码优化建议。5. 配置自动补全模型选配在模型配置文件中修改tabAutocompleteModel部分的代码为tabAutocompleteModel: { apiKey: 你的apikey, apiBase: https://api.cursorai.art/v1, model: gpt-4o-mini, title: gpt-4o-mini, provider: openai }示例与演示代码优化示例import requests from bs4 import BeautifulSoup import csv from time import sleep defcrawl_website(url, output_file): # 设置请求头,模拟浏览器访问 headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36 } try: # 发送GET请求获取页面内容 response requests.get(url, headersheaders) response.raise_for_status() # 检查请求是否成功# 使用BeautifulSoup解析HTML soup BeautifulSoup(response.text, html.parser) # 提取数据 (这里以提取所有标题为例) titles soup.find_all(h2) # 根据实际网页结构调整选择器# 保存数据到CSV文件withopen(output_file, w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([Title]) # 写入表头for title in titles: writer.writerow([title.text.strip()]) print(f数据已保存到 {output_file}) except requests.RequestException as e: print(f爬取过程中出现错误: {e}) # 添加延迟避免频繁请求 sleep(2) # 使用示例if __name__ __main__: target_url https://example.com# 替换为你要爬取的网站 output_file crawled_data.csv crawl_website(target_url, output_file)使用 Continue 生成的优化建议prompt修改为分页爬取豆瓣250import requests from bs4 import BeautifulSoup import csv from time import sleep import random defcrawl_douban_top250(output_file, items_per_page25): base_url https://movie.douban.com/top250 headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36, Accept: text/html,application/xhtmlxml,application/xml;q0.9,image/webp,*/*;q0.8, Accept-Language: zh-CN,zh;q0.9,en;q0.8, } total_pages 10 movies_data [] try: for page inrange(total_pages): start_index page * items_per_page url f{base_url}?start{start_index}print(f正在爬取第{page 1}页...) response requests.get(url, headersheaders) response.raise_for_status() soup BeautifulSoup(response.text, html.parser) movie_items soup.find_all(div, class_item) ifnot movie_items: print(f警告第{page 1}页没有找到电影数据) continuefor item in movie_items: try: rank item.find(em).text title item.find(span, class_title).text info item.find(div, class_bd).find(p).text.strip() info_lines [line.strip() for line in info.split(\n) if line.strip()] year info_lines[1].split(/)[0].strip() director info_lines[0].split(导演: )[1].split(主演:)[0].strip() rating item.find(span, class_rating_num).text votes item.find(div, class_star).find_all(span)[-1].text votes .join(filter(str.isdigit, votes)) movies_data.append([rank, title, year, director, rating, votes]) print(f已爬取{title}) except Exception as e: print(f处理电影数据时出现错误: {e}) continue delay random.uniform(3, 7) print(f等待 {delay:.2f} 秒后继续...) sleep(delay) withopen(output_file, w, newline, encodingutf-8-sig) as f: writer csv.writer(f) writer.writerow([排名, 电影名, 年份, 导演, 评分, 评价人数]) writer.writerows(movies_data) print(f爬取完成共爬取 {len(movies_data)} 部电影) print(f数据已保存到 {output_file}) except requests.RequestException as e: print(f网络请求错误: {e}) except Exception as e: print(f程序执行错误: {e}) if __name__ __main__: output_file douban_top250.csv crawl_douban_top250(output_file)提示与注意事项提示确保您的 API 密钥安全不要在公共代码库中泄露。注意在调用 API 时请务必添加 try 重试机制以提升代码的健壮性。常见问题解答Q1: 如何获取 Claude 3.5 的 API 密钥A1: 您可以访问 CURSOR API注册并登录在令牌页面新建令牌获取 API 密钥。Q2: Continue 插件不工作怎么办A2: 请检查您的 API 密钥是否正确配置并确保您的网络连接正常。此外查看 VSCode 的输出面板以获取错误日志。Q3: 如何自定义提示模板A3: 在 Continue 插件的设置页面中找到 “Workspace prompts path” 选项输入您自定义的提示内容。Q4: Claude 3.5不支持一键写入代码A3: 这是官方原因Anthropic 目前不提供任何自动完成模型。把模型换成gpt-4o就可以了。总结通过本教程您已经学会如何在 VSCode 中安装和配置 Continue 插件利用自定义key 使用 Openai gpt系列模型 或 Claude 3.5 模型提升 AI 开发效率。合理配置和使用这些工具可以显著提高您的开发生产力。接下来您可以探索更多 Continue 插件的高级功能或尝试集成其他 AI 模型以满足更复杂的开发需求。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】