在开发过程中，我们常常需要借助智能代码助手来提升编码效率、减少重复劳动。面对市面上众多的AI编程工具，如何选择一个功能强大、易于集成且能深度融入本地开发流程的方案，是许多开发者面临的共同挑战。本文将围绕一个名为“OpenCode”的AI编程助手，为你提供一套从零开始、手把手的完整搭建与集成教程。无论你是想为个人项目引入AI辅助，还是希望为团队探索提效工具，都能通过本文掌握其核心部署方法、主流IDE集成技巧以及实际编码应用，最终获得一个可稳定运行在你本地环境中的智能编程伙伴。

1. OpenCode 核心概念与价值解析

在开始动手搭建之前，我们首先需要厘清OpenCode究竟是什么，它能解决什么问题，以及为什么值得我们去部署它。

1.1 OpenCode 是什么？

OpenCode 是一个旨在为开发者提供智能代码补全、代码解释、错误修复等功能的AI编程辅助工具。它通常以本地服务或客户端插件的形式存在，能够理解你的代码上下文，并给出相应的建议或生成代码片段。与一些完全依赖云端API的服务不同，OpenCode的许多部署方案强调本地或私有化部署，这意味着你的代码无需离开本地环境，在数据安全和网络延迟方面更具优势。

从技术架构上看，一个典型的OpenCode系统可能包含以下几个部分：

  1. 后端模型服务 ：核心是一个代码语言模型，负责处理和分析代码，生成建议。
  2. 客户端/插件 ：集成在IDE（如VSCode、IntelliJ IDEA）中的组件，负责捕获编辑器上下文并将其发送给后端服务，同时将返回的建议展示给用户。
  3. 通信层 ：连接客户端和后端服务的桥梁，通常采用HTTP、WebSocket等协议。

1.2 它能解决哪些开发痛点？

引入OpenCode这类工具，主要针对以下开发场景中的效率瓶颈：

  • 减少样板代码编写 ：自动生成常见的函数结构、类定义、导入语句等。
  • 加速API学习与使用 ：根据注释或函数名，自动补全陌生的库或框架的调用代码。
  • 辅助代码调试 ：对报错信息提供可能的修复建议，或解释复杂代码段的功能。
  • 提升代码质量 ：建议更优雅、更地道的写法，或帮助进行简单的代码重构。
  • 跨语言上下文理解 ：在混合技术栈的项目中，提供跨文件的代码关联建议。

1.3 与类似工具（如Codex）的简要对比

网络热词中提到了“opencode和codex有什么区别”。这里做一个简要澄清，帮助大家建立认知边界：

  • Codex ：通常特指由OpenAI训练的、专门用于将自然语言转换为代码的模型，它是GitHub Copilot背后的核心技术之一。Codex本身是一个云端模型，开发者通过API调用其能力。
  • OpenCode ：这个概念更泛化，它可能指代任何开源或可本地部署的代码智能辅助方案。其背后的模型可能是多种多样的，例如使用CodeGen、StarCoder、Qwen等开源模型进行微调。 核心区别在于，OpenCode方案通常强调部署的自主性和可控性 。

因此，选择OpenCode，往往是选择了对模型、数据、网络连接拥有更高控制权的路线。

2. 环境准备与搭建方案选择

搭建OpenCode并非只有一种固定模式，我们需要根据自身资源和技术偏好选择最合适的路径。本节将详细说明常见的搭建方案及其所需环境。

2.1 硬件与基础软件环境

无论选择哪种方案，以下基础环境是必需的：

  • 操作系统 ：主流Linux发行版（如Ubuntu 20.04/22.04， CentOS 7/8）、Windows 10/11 或 macOS 均可。本文示例将以 Ubuntu 22.04 LTS 和 Windows 11 为主要环境进行说明。
  • Python ：大多数AI模型服务端由Python编写。需要安装Python 3.8或更高版本。建议使用 conda 或 venv 创建独立的虚拟环境。
  • 版本管理工具Git ：用于克隆项目仓库。
  • Docker（可选但推荐） ：如果你希望避免复杂的依赖安装过程，使用Docker容器化部署是最简洁的方式。
  • IDE ：我们最终需要将服务与IDE集成。 Visual Studio Code (VSCode) 因其强大的插件生态和广泛的用户基础，将成为本文的主要集成演示对象。

2.2 主流搭建方案剖析

根据网络热词和社区实践，搭建OpenCode主要有以下三种思路：

  1. 方案一：使用现成的桌面客户端/插件

    • 描述 ：直接下载名为“OpenCode Desktop”或类似的可执行程序，或者安装VSCode插件市场里的“opencode-vscode”插件。这通常是最快上手的方式。
    • 优点 ：开箱即用，无需配置模型服务。
    • 缺点 ：功能可能受限，模型能力固定，可能依赖特定网络或订阅服务（如“opencode go套餐”）。
    • 适合人群 ：希望快速体验、对定制化要求不高的开发者。

  2. 方案二：连接远程/云端模型服务

    • 描述 ：配置客户端（如VSCode插件）连接到某个提供了代码补全API的云端服务。这可能需要订阅（如“opencode go订阅”）。
    • 优点 ：无需本地计算资源，通常能获得更强大的模型能力。
    • 缺点 ：需要网络连接，可能存在数据安全顾虑和持续使用成本。
    • 适合人群 ：拥有稳定网络、认可服务商且对数据安全要求不极端的团队或个人。

  3. 方案三：本地部署开源模型服务（本文重点）

    • 描述 ：在本地机器或内网服务器上，部署一个开源的代码大模型（如Qwen-Coder, StarCoder, CodeLlama等），并配置一个兼容OpenAI API格式的中间服务层（如 vLLM , ollama , text-generation-webui 等），最后让IDE插件连接这个本地服务。
    • 优点 ：数据完全私有，可离线使用，模型可选可调，一次部署长期受益。
    • 缺点 ：对本地硬件（尤其是GPU）有要求，部署过程有一定技术门槛。
    • 适合人群 ：注重数据隐私、希望深度定制、拥有一定GPU资源的技术团队或极客开发者。

本文将重点深入讲解第三种方案——本地部署开源模型服务 ，因为它最能体现“搭建”的技术内涵，且自由度最高。我们将选择 Qwen2.5-Coder 模型和 ollama 作为演示栈。

3. 核心组件部署：Ollama 与代码模型

Ollama 是一个强大的工具，它能简化大型语言模型在本地Mac和Linux上的下载、运行和管理。对于代码模型，它提供了非常好的支持。

3.1 安装 Ollama

在 Linux (Ubuntu) 上安装： 打开终端，执行以下一键安装脚本。

curl -fsSL https://ollama.com/install.sh | sh

安装完成后，Ollama服务会自动启动。你可以运行 ollama --version 来验证安装。

在 Windows 上安装：

  1. 访问 Ollama 官网，下载 Windows 版本的安装程序。
  2. 运行安装程序，按照向导完成安装。
  3. 安装后，你可以在开始菜单找到“Ollama”应用并运行它，它会在后台以服务形式启动。你也可以在终端（如PowerShell或WSL）中直接使用 ollama 命令。

在 macOS 上安装： 同样使用一键安装脚本，或在官网下载dmg安装包。

curl -fsSL https://ollama.com/install.sh | sh

3.2 拉取并运行代码模型

Ollama 支持众多模型。这里我们选择性能与资源占用比较平衡的 qwen2.5-coder:7b 模型（约7B参数）。 在终端中执行以下命令：

# 拉取模型（首次运行会自动下载，耗时取决于网络）
ollama pull qwen2.5-coder:7b

# 运行模型服务。默认会在本地11434端口启动一个API服务。
ollama run qwen2.5-coder:7b

执行 ollama run 后，你会进入一个交互式聊天界面，可以测试模型的基本对话能力。但这并不是我们需要的长期服务模式。

为了在后台持续运行模型服务，我们需要以服务模式启动它，或者使用 ollama serve 配合进程守护工具。更简单的方法是，直接让模型在后台运行并提供API：

# 直接运行模型，它会启动服务并阻塞终端。可以用于测试。
# 但我们更常用的是确保ollama服务本身在运行。
# 在Linux上，使用systemctl管理服务
sudo systemctl start ollama
sudo systemctl enable ollama # 设置开机自启

# 检查服务状态
sudo systemctl status ollama

确保Ollama服务运行后，其API端点通常是 http://localhost:11434 。

3.3 验证模型API服务

我们可以使用简单的 curl 命令来测试API是否正常工作，以及模型能否响应代码相关的请求。 打开另一个终端窗口，执行：

curl http://localhost:11434/api/generate -d '{
  "model": "qwen2.5-coder:7b",
  "prompt": "用Python写一个快速排序函数。",
  "stream": false
}'

如果看到返回了一段包含Python代码的JSON响应，说明模型服务部署成功。

4. 配置 VSCode 插件连接本地模型

现在，我们有了本地的模型服务（Ollama），接下来需要让VSCode能够与之对话。我们将使用一个支持连接自定义OpenAI API兼容端点的插件。

4.1 安装 VSCode 插件

  1. 打开 VSCode。

  2. 进入扩展市场 (Ctrl+Shift+X)。

  3. 搜索插件。这里有几个选择：

    • genie ： 一个轻量级且支持自定义端点的AI编程助手插件。
    • Continue ： 一个功能非常全面的开源AI编码助手，支持连接多种后端。
    • Twinny ： 另一个专注于连接本地模型的开源插件。

    本文以 Continue 插件为例，因为它功能强大且配置直观。

  4. 找到“Continue”插件并安装。

4.2 配置 Continue 插件连接 Ollama

安装完成后，我们需要配置Continue，让它使用我们本地的Ollama服务，而不是默认的云端模型。

  1. 在VSCode中，按下 Ctrl+Shift+P 打开命令面板。

  2. 输入 Continue: Open Config 并回车。这会在你的用户目录下创建或打开一个配置文件 ~/.continue/config.json （Linux/macOS）或 %USERPROFILE%\.continue\config.json （Windows）。

  3. 将配置文件内容修改为如下所示。这个配置告诉Continue使用本地的Ollama服务，并指定我们下载的 qwen2.5-coder:7b 模型。

{
  "models": [
    {
      "title": "Ollama Qwen Coder",
      "provider": "ollama",
      "model": "qwen2.5-coder:7b",
      "apiBase": "http://localhost:11434"
    }
  ],
  "tabAutocompleteModel": {
    "title": "Ollama Qwen Coder",
    "provider": "ollama",
    "model": "qwen2.5-coder:7b",
    "apiBase": "http://localhost:11434"
  }
}

关键参数解释：

  • provider : 设置为 "ollama" ，表示使用Continue内置的Ollama集成。
  • model : 必须与你在Ollama中拉取和运行的模型名称完全一致，这里是 "qwen2.5-coder:7b" 。
  • apiBase : Ollama服务默认的地址和端口。
  • tabAutocompleteModel : 单独配置用于Tab键自动补全的模型，这里我们使用同一个。
  1. 保存配置文件。

4.3 测试插件功能

  1. 重启VSCode以确保配置生效。
  2. 打开或创建一个Python文件（例如 test.py ）。
  3. 尝试编写一个函数，比如输入 def calculate_average(numbers): 然后回车。
  4. 此时，Continue插件可能会在代码下方提供一个灰色的建议补全（例如完整的函数体）。按下 Tab 键即可接受补全。
  5. 你也可以选中一段代码，右键选择“Continue”菜单中的“Explain”或“Edit”功能，测试代码解释和编辑能力。

如果补全或对话功能正常工作，恭喜你，一个完全本地化的OpenCode环境已经搭建成功！

5. 完整实战案例：开发一个简单的待办事项CLI应用

让我们通过一个完整的实战项目，来体验OpenCode在实际开发中的辅助作用。我们将创建一个命令行界面（CLI）的待办事项管理器。

5.1 项目初始化与结构设计

首先，创建一个项目目录并初始化。

mkdir todo-cli && cd todo-cli
python -m venv venv  # 创建虚拟环境
# 在Linux/macOS上激活：source venv/bin/activate
# 在Windows上激活：venv\Scripts\activate

然后，创建以下项目文件结构：

todo-cli/
├── todo.py      # 主程序，核心逻辑
├── cli.py       # 命令行参数解析
├── storage.py   # 数据持久化（如JSON文件）
├── requirements.txt # 项目依赖
└── README.md

5.2 核心模块开发（体验AI辅助）

我们打开 todo.py 文件，开始编写核心的待办事项类。在此过程中，你可以有意识地利用Continue插件的补全和问答功能。

步骤1：定义TodoItem类 在 todo.py 中，我们输入以下代码。当你输入类定义和注释时，观察AI是否能给出合理的属性或方法建议。

# todo.py
import json
from datetime import datetime
from typing import List, Optional

class TodoItem:
    """表示一个待办事项项"""
    def __init__(self, title: str, description: str = "", due_date: Optional[str] = None):
        self.id = None  # 将在保存时生成
        self.title = title
        self.description = description
        self.due_date = due_date
        self.created_at = datetime.now().isoformat()
        self.completed = False

    def mark_complete(self):
        """标记为完成"""
        self.completed = True

    def to_dict(self) -> dict:
        """将对象转换为字典，便于序列化"""
        return {
            'id': self.id,
            'title': self.title,
            'description': self.description,
            'due_date': self.due_date,
            'created_at': self.created_at,
            'completed': self.completed
        }

    @classmethod
    def from_dict(cls, data: dict) -> 'TodoItem':
        """从字典重建对象"""
        item = cls(data['title'], data.get('description', ''), data.get('due_date'))
        item.id = data['id']
        item.created_at = data['created_at']
        item.completed = data['completed']
        return item

AI辅助点 ：当你输入 def to_dict(self) -> dict: 后，AI可能会自动补全函数体的大致结构。你可以尝试让AI“解释”这段代码，或者选中 mark_complete 方法，右键使用“Edit”功能，让它帮你添加一个“标记未完成”的方法。

步骤2：定义TodoManager类 继续在 todo.py 中编写管理类。你可以尝试先写一个注释，然后让AI生成骨架。

class TodoManager:
    """管理所有待办事项的核心类"""
    def __init__(self, storage_file='todos.json'):
        self.storage_file = storage_file
        self.items: List[TodoItem] = []
        self._load()

    def _load(self):
        """从文件加载待办事项"""
        try:
            with open(self.storage_file, 'r') as f:
                data_list = json.load(f)
                self.items = [TodoItem.from_dict(item_data) for item_data in data_list]
        except FileNotFoundError:
            self.items = []
        except json.JSONDecodeError:
            print(f"警告：存储文件 {self.storage_file} 格式错误，已重置。")
            self.items = []

    def _save(self):
        """保存待办事项到文件"""
        data_list = [item.to_dict() for item in self.items]
        with open(self.storage_file, 'w') as f:
            json.dump(data_list, f, indent=2)

    def add_item(self, title: str, description: str = "", due_date: Optional[str] = None) -> TodoItem:
        """添加一个新的待办事项"""
        # 尝试让AI补全这里：生成ID的逻辑和添加的代码
        new_id = max([item.id for item in self.items], default=0) + 1
        new_item = TodoItem(title, description, due_date)
        new_item.id = new_id
        self.items.append(new_item)
        self._save()
        return new_item

    def list_items(self, show_completed=False) -> List[TodoItem]:
        """列出待办事项，可过滤已完成项"""
        if show_completed:
            return self.items
        return [item for item in self.items if not item.completed]

    def get_item(self, item_id: int) -> Optional[TodoItem]:
        """根据ID获取待办事项"""
        for item in self.items:
            if item.id == item_id:
                return item
        return None

    def delete_item(self, item_id: int) -> bool:
        """删除指定ID的待办事项"""
        # 尝试让AI补全这里：查找并删除的逻辑
        item_to_delete = self.get_item(item_id)
        if item_to_delete:
            self.items.remove(item_to_delete)
            self._save()
            return True
        return False

在编写 add_item 和 delete_item 方法时，你可以只写注释或方法签名，然后使用Continue的“Ctrl+I”（或命令面板中的“Continue: Autocomplete”）来触发行内补全，让它帮你完成具体实现。

5.3 开发命令行接口

接下来，我们创建 cli.py 来处理用户输入。

# cli.py
import argparse
from todo import TodoManager

def main():
    manager = TodoManager()

    parser = argparse.ArgumentParser(description="一个简单的命令行待办事项管理器")
    subparsers = parser.add_subparsers(dest='command', help='可用命令')

    # 添加命令
    add_parser = subparsers.add_parser('add', help='添加新待办事项')
    add_parser.add_argument('title', help='待办事项标题')
    add_parser.add_argument('-d', '--description', help='详细描述', default='')
    add_parser.add_argument('--due', help='截止日期 (YYYY-MM-DD)', default=None)

    # 列出命令
    list_parser = subparsers.add_parser('list', help='列出待办事项')
    list_parser.add_argument('-a', '--all', action='store_true', help='显示所有事项（包括已完成）')

    # 完成命令
    complete_parser = subparsers.add_parser('complete', help='标记待办事项为完成')
    complete_parser.add_argument('id', type=int, help='待办事项ID')

    # 删除命令
    delete_parser = subparsers.add_parser('delete', help='删除待办事项')
    delete_parser.add_argument('id', type=int, help='待办事项ID')

    args = parser.parse_args()

    if args.command == 'add':
        item = manager.add_item(args.title, args.description, args.due)
        print(f"添加成功！ID: {item.id}")
    elif args.command == 'list':
        items = manager.list_items(args.all)
        for item in items:
            status = "✓" if item.completed else " "
            print(f"[{status}] {item.id}: {item.title} (截止: {item.due_date or '无'})")
    elif args.command == 'complete':
        item = manager.get_item(args.id)
        if item:
            item.mark_complete()
            manager._save() # 注意：这里直接调用了内部方法，实际应封装
            print(f"事项 {args.id} 标记为完成。")
        else:
            print(f"未找到ID为 {args.id} 的事项。")
    elif args.command == 'delete':
        if manager.delete_item(args.id):
            print(f"事项 {args.id} 已删除。")
        else:
            print(f"删除失败，未找到ID为 {args.id} 的事项。")
    else:
        parser.print_help()

if __name__ == '__main__':
    main()

在编写这个命令行解析器时，AI可以极大地帮助你快速生成 add_parser.add_argument 这样的样板代码。你可以先写出 add_parser = subparsers.add_parser('add', help='添加新待办事项') ，然后让AI补全添加参数的代码。

5.4 运行与测试

  1. 在项目根目录创建 requirements.txt ，目前我们只用了标准库，文件可以为空或包含 argparse （虽然它是内置的）。
  2. 在终端中，测试你的CLI应用：
# 确保在虚拟环境中
python cli.py add "学习OpenCode搭建" --description "阅读教程并实践"
# 输出：添加成功！ID: 1

python cli.py add "写项目周报" --due "2024-05-20"
# 输出：添加成功！ID: 2

python cli.py list
# 输出：
# [ ] 1: 学习OpenCode搭建 (截止: 无)
# [ ] 2: 写项目周报 (截止: 2024-05-20)

python cli.py complete 1
# 输出：事项 1 标记为完成。

python cli.py list
# 输出：
# [ ] 2: 写项目周报 (截止: 2024-05-20)

python cli.py list --all
# 输出：
# [✓] 1: 学习OpenCode搭建 (截止: 无)
# [ ] 2: 写项目周报 (截止: 2024-05-20)

python cli.py delete 2
# 输出：事项 2 已删除。

在整个开发过程中，你可以不断与OpenCode（通过Continue插件）互动：让它解释代码逻辑、生成测试用例、重构某个函数，甚至为这个CLI工具添加一个“搜索”功能。这能让你切身感受到本地AI编程助手的流畅体验。

6. 常见问题与排查思路

在搭建和使用过程中，你可能会遇到一些问题。以下是一些常见问题的排查指南。

问题现象 可能原因 排查步骤与解决方案
Ollama 服务启动失败 1. 端口冲突（11434被占用）。
2. 系统资源不足（内存/磁盘）。
3. 模型文件损坏。		 1. 检查端口： netstat -tulnp | grep 11434 ，终止冲突进程或修改Ollama配置。
2. 检查磁盘空间和内存。小模型至少需要8GB以上内存。
3. 尝试删除并重新拉取模型： ollama rm qwen2.5-coder:7b && ollama pull qwen2.5-coder:7b 。
VSCode 插件无响应或报连接错误 1. Continue配置错误（模型名、API地址）。
2. Ollama服务未运行。
3. 防火墙/网络策略阻止连接。		 1. 仔细检查 ~/.continue/config.json 中的 model 和 apiBase 是否与本地Ollama服务匹配。
2. 运行 ollama list 确认模型存在，运行 curl http://localhost:11434/api/tags 测试API连通性。
3. 在Windows上，确保Ollama后台进程正在运行。检查防火墙设置，允许本地回环通信。
代码补全速度很慢 1. 本地硬件（CPU/GPU）性能不足。
2. 模型参数过大（如使用了32B模型）。
3. 插件设置问题。		 1. 考虑使用更小的模型（如 qwen2.5-coder:1.5b 或 starcoder2:3b ）。
2. 确保Ollama能够利用GPU（如果可用）。在Linux下可运行 ollama run qwen2.5-coder:7b 观察是否有GPU使用日志。
3. 在Continue设置中，调整 “Continue.tabAutocompleteDelay” 等参数。
补全建议质量不高或无关 1. 模型不适合代码任务。
2. 提示词（Prompt）或上下文窗口限制。
3. 项目上下文信息不足。		 1. 确认拉取的是代码专用模型（如 -coder 后缀）。
2. Continue等插件会自动管理提示词，通常无需手动干预。可以尝试在代码中提供更清晰的函数签名和注释。
3. 确保打开的文件和项目结构能够被插件正确索引。
在WSL中安装Ollama后，Windows VSCode无法连接 WSL与Windows主机网络不通。Ollama服务运行在WSL内部。 1. 在WSL中获取IP地址： hostname -I 。
2. 将Continue配置中的 apiBase 改为 http://<WSL_IP>:11434 。
3. 更佳方案：在Windows主机上直接安装Ollama，避免跨系统连接问题。

7. 进阶配置与最佳实践

成功搭建基础环境后，你可以通过以下方式进一步提升体验和效率。

7.1 模型选择与性能优化

  • 轻量级选择 ：如果硬件资源有限，可以尝试更小的模型，如 starcoder2:3b 、 qwen2.5-coder:1.5b 或 deepseek-coder:1.3b 。它们响应更快，内存占用更小。 
    ollama pull deepseek-coder:1.3b
# 然后在Continue配置中修改model字段即可
  • GPU加速 ：Ollama默认会尝试使用GPU（如果支持CUDA）。确保已安装正确的NVIDIA驱动和CUDA工具包。运行 ollama run 时观察输出，确认是否显示 “using GPU” 。
  • 参数调整 ：对于高级用户，可以创建自定义的Model File来调整模型的运行参数，如上下文长度( num_ctx )、批处理大小等，以在性能和质量间取得平衡。

7.2 插件与工作流优化

  • 多模型切换 ：你可以在Continue的 config.json 中配置多个模型，并在VSCode中通过状态栏或命令快速切换，针对不同任务使用不同模型。
  • 自定义快捷键 ：VSCode中可以为Continue的常用命令（如接受补全、打开聊天）设置顺手的快捷键。
  • 项目级配置 ：可以在项目根目录创建 .continuerc.json 文件，为特定项目设置不同的模型或行为，实现更精细的控制。

7.3 安全与维护建议

  • 定期更新 ：关注Ollama和所用插件的更新，新版本通常会带来性能提升、bug修复和新模型支持。
  • 模型管理 ：定期使用 ollama list 查看本地模型，用 ollama rm <model-name> 清理不再使用的模型以释放磁盘空间。
  • 代码审查习惯 ： 切记，AI生成的代码是建议，而非绝对正确 。必须仔细审查生成的代码，特别是涉及业务逻辑、安全（如SQL查询、命令执行）和性能的关键部分。将其视为一位强大的助手，但决策权始终在你手中。
  • 隐私考量 ：本地部署方案已极大保障隐私。但仍需注意，一些插件可能会收集匿名使用数据以改进产品，请阅读其隐私政策，并在设置中关闭你不认可的数据上报选项。

通过本文的步骤，你不仅成功搭建了一个本地化的OpenCode环境，还亲身体验了它在实际项目开发中的辅助作用。从环境准备、模型部署、IDE集成到实战开发，这套流程为你提供了一个私有、安全、可定制的AI编程助手解决方案。你可以在此基础上继续探索，例如尝试其他开源模型、集成到JetBrains全家桶、或者将模型服务部署到内网服务器供团队使用。技术的价值在于解决实际问题，希望这个本地的“编程伙伴”能切实提升你的开发效率与乐趣。如果在实践中遇到新的问题，不妨回到“常见问题”部分寻找思路，或深入查阅相关工具的开源文档和社区讨论。

Logo
葡萄城开发者空间

葡萄城是专业的软件开发技术和低代码平台提供商，聚焦软件开发技术，以“赋能开发者”为使命，致力于通过表格控件、低代码和BI等各类软件开发工具和服务，一站式满足开发者需求，帮助企业提升开发效率并创新开发模式。

更多推荐

cover

前端 Skill 给 Codex 用，我会先看规则、反例和验收

avatar 葡萄城开发者空间
cover

前端 Skill 交给 Codex 之前，我会先做这份改造清单

avatar 葡萄城开发者空间
cover

codex搭建安装使用，从入门到自动化部署，搞定AI智能体核心玩法

avatar 葡萄城开发者空间