开发 AI 编程助手类的工具尝鲜榜里Claude Code 算得上话题度最高的那一档。它是运行在终端里的智能编码代理能直接读你的工程目录、改代码、跑命令、看报错、自动迭代用起来就像雇了一个住在命令行里的结对搭档。但这玩意儿的官方使用成本不算低按量计费或者订阅制对个人开发者和学生党来说确实是一道不低的门槛。所以这半年我一直在折腾 free-claude-code 这个方向本质上就是琢磨一件事有没有办法把这种“终端里的 AI 编码代理”体验用零成本或者接近零成本的方式复刻出来。折腾下来的结论是完全可行但需要选对路、绕开几个坑。这篇文章就聊聊我踩过的路以及一套可以直接抄走的便宜方案。先给不熟悉的朋友交代一下背景。Claude Code 这类工具的核心价值不在“帮你补全函数”而在于它能把一个长周期任务拆成几步去执行——比如你让它“把登录模块的 token 刷新逻辑抽成独立服务”它自己会先去翻代码、定位相关文件、设计接口、改代码、跑测试、发现问题再修。这是传统的自动补全插件给不了的能力也是很多人在它收费之后仍然趋之若鹜的原因。免费的替代方案能不能做到类似效果答案是能但要做好心理准备它不是一个工具的事而是一套组合方案的事。下面我按自己的实践顺序把整套东西拆开放平讲清楚。1. 免费替代方案的完整拼图1.1 先认清成本从哪来要搞明白怎么免费得先知道付费花在哪儿。Claude Code 这类产品的成本大头有两个一个是模型推理费用也就是背后的大语言模型每次帮你思考、生成代码时要消耗的算力资源另一个是工具链的维护成本比如 IDE 插件、终端界面、代码索引、命令执行引擎。前者是持续的、按 token 计算的后者是开发出来之后边际成本极低的。也就是说只要你能找到免费的推理能力终端代理工具本身是开源的这两块拼在一起就构勒出一个免费方案的全部要素。顺着这个思路免费的 Claude Code 替代品要解决三件事免费的大模型推理、能接大模型的代理工具、把整个流程串起来的工程配置。缺一个体验都会大打折扣。1.2 两条主流免费路线市面上我实际测下来靠谱的路线有两条一条是在本地跑开源大模型用电脑自己的显卡或内存做推理模型权重免费、推理免费、没有限流但需要一定硬件支持另一条是走云平台的新用户免费额度或者开源模型的公共接口零本地资源要求但通常有限速、限次数、限并发这几个特点。这两条路不冲突。我现在的日常是把两者都挂着代码量小、对速度不敏感的时候走云接口搞重活儿、需要长时间跑自动化任务的时候切本地模型免得被限流打断节奏。整套组合起来月成本接近零。1.3 一个没宣之于口的关键点很多人以为有了模型和工具就能得到和 Claude Code 一样的体验实际用起来才会发现差一截。差别在哪在“代理的逻辑”。官方工具自带的那个代理引擎知道什么时候该停下来问你、什么时候该自己多试几次这种判断力其实是产品最值钱的部分。开源的代理工具大多只做了基础的“模型-工具”循环通道能不能用好取决于你在配置里怎么告诉它该干什么。这是免费方案里最容易被低估、也最值得花时间的环节。2. 工具链选型我最终留下的三个组件2.1 模型层Qwen 系列本地部署更省心本地模型我主力用的是通义千问的 Qwen2.5-Coder-32B。选择它不是因为跑分有多亮眼而是因为它对代码任务的实际完成率非常高尤其是代码补全、单测生成、小型重构这些日常场景输出质量接近大一号的商业模型。更关键的是它对硬件宽容——量化到 Q4 之后32G 内存的机器配合 Mac 统一内存或者一张 24G 显存的显卡就能跑起来不需要那种几万块的服务器配置。如果你预算再紧张一点Qwen2.5-Coder-7B 和 14B 也能用小模型对代码格式的掌控会更差但胜在速度快适合拿来跑简单的脚本任务或自动改 bug。2.2 代理层Aider 适合命令行派代理工具我试过好几个最后留在工作流里的是 Aider。它的定位非常纯粹一个跑在终端里的 AI 结对编程工具你把代码仓库交给它它自己会读 git 状态、看 diff、改文件、提交 commit。用 Aider 的理由有三个一是它对 git 原生的支持很好每次改动都自动生成可回滚的提交这让我敢放手让它折腾二是它的配置体系是纯文本的好维护三是它同时兼容本地模型和在线模型切换不需要重新配环境。2.3 界面层编辑器插件补最后一块纯终端的交互对很多场景不够直观比如同时查看多文件 diff、快速定位行号。所以我还装了一个编辑器的 AI 插件作为补充的“阅读器”和“选择器”。插件只负责把选中的代码片段发给模型、把生成结果贴回编辑器真正的重活儿还是交给 Aider。这样分层的结构各司其职免费组件之间配合也不会打架。3. 实战搭建从零到跑通一次重构任务这一节直接给操作过程。我带大家完整过一遍如何在本地搭起这套免费方案并用它跑一个典型的“重构登录模块”任务。环境我按 Linux 服务器加了 NVIDIA 显卡来写Mac 用户把显存参数照着调就行。3.1 第一步本地推理服务我用的是 Ollama 来跑模型原因很简单一条命令几乎零配置。安装curl -fsSL https://ollama.com/install.sh | sh ollama pull qwen2.5-coder:32b ollama serve这里需要解释一下为什么选 Ollama 而不是直接用 Python 的 transformers 之类。因为 Ollama 内置了 OpenAI 兼容的 API 接口Aider 可以直接通过 base_url 参数连上来省去自己写服务端的步骤。它是把“模型加载、推理队列、API 暴露”打包好的黑盒对个人使用来说稳定性和易用性都够。验证服务是否跑起来可以另开一个终端curl http://localhost:11434/v1/models看到模型列表返回说明服务已经就绪。3.2 第二步Aider 配置Aider 本身是 Python 包安装一行命令pip install aider-install aider-install然后需要指定模型接口。在 Aider 里连本地 Ollama 的命令是aider --model ollama_chat/qwen2.5-coder:32b --editor-model ollama_chat/qwen2.5-coder:32b这里有两个坑值得注意。第一个坑是--editor-model。Aider 内部会把任务拆成“主对话模型”和“编辑器模型”前者负责理解需求、规划改动后者负责具体改文件。如果只设一个模型遇到大文件时容易因为上下文超限卡死。建议编辑器模型也用同一个但把它的上下文窗口调得不那么大这样改文件时响应速度会快很多主对话模型则有充足空间去维护整个任务的状态。第二个坑是模型名要写全。很多教程只给到qwen2.5-coder但 Ollama 拉下来的标签带参数后缀比如qwen2.5-coder:32b-q4_K_M你需要在ollama list里看到完整标签后再填进 Aider否则连不上。3.3 第三步给 Aider 立规矩Aider 直接用默认设置也能跑但想要接近 Claude Code 那样的“自动迭代”体验建议改两个配置aider --auto-commits --yes--auto-commits让 Aider 每次修改完自动生成一个 git commit方便回退--yes让它不再每次操作前都征求确认。这两个参数合在一起才能让代理真正进入“自己干活”的模式。不过第一次跑的时候建议不要开--yes先观察几个来回确认它不会乱动文件再放开。3.4 第四步执行重构任务我准备了一个模拟项目 X里面有一个老旧的登录模块auth.py里面塞了一堆散落的 token 刷新逻辑。任务是“把 token 刷新逻辑抽到独立 service 类并在原有模块调用”。在 Aider 交互界面里直接输入/refactor 将 auth.py 里所有 token 刷新相关的代码抽成一个独立的 TokenService 类auth.py 只保留对外接口。看 Aider 的处理过程你会发现它先会自己打开auth.py读取内容然后生成一段新代码再用一个小的 diff 把它合进去。我用的 32B 量化模型跑这个级别的任务大概需要二十到四十秒的推理时间生成的代码结构基本能用偶尔需要手工调一下类型注解。整个过程跑完后git log里能看到 Aider 自动生成的两三个提交记录间隔都在一两分钟以内。这就是免费的“终端搭档”该有的样子。4. 实操中遇到的那些坑以及排查思路没有不踩坑的免费方案。这里把我实际跑了一个月遇到的问题整理成表每个都给了排查路径。现象根因解决办法Aider 改了文件后代码格式全乱模型上下文窗口设置太小记不住工程风格加大主对话模型上下文并在aider.conf.yml里指定--edit-format diff模型生成的函数名和接口名是编的开源模型在冷门库名上仍会幻觉把相关的 import 语句和 API 片段先复制进对话或者要求模型先搜代码再动手长时间任务跑到一半报上下文超限大模型的上下文是有限资源把任务拆分先让模型读目录结构再逐文件改不要一次性塞整个仓库本地模型有时候卡得像个假死可能是显存不足触发了换页观察nvidia-smi调低量化级别或切到 14B 模型云接口频繁 429免费额度通常有每分钟请求上限设任务间 sleep或高峰期落地到本地模型4.1 上下文窗口的“紧箍咒”免费方案最大的不适感来自模型上下文窗口小造成的“失忆”。Claude Code 官方常用的模型上下文很大它能同时记住整个仓库的关键结构、你十个来回的对话历史而开源模型量级小的上下文只有可怜几万 token。表现到使用上就是你让它改第三个文件的时候它已经忘了第二个文件改了什么。我的应对方法是改变提问习惯。不再用一句笼统的“把项目里的所有 TODO 实现掉”而是拆成“先读 README 了解模块划分再逐个文件处理”。每一步只让它聚焦一件事情配合 Aider 的 git 提交机制完成一小步就固化一点这样即使中间断了也不会丢状态。4.2 别让模型直接上手改生产代码这是血泪教训。Aider 的--yes模式加上本地模型组合起来确实能跑但模型经常会在重构时“顺手”优化掉一些看似无用、实则关键的兼容代码。比如那次它把旧接口的兼容分支删了以为我在命令里说的是“只保留新逻辑”但实际旧接口还有别的服务在调。所以我的建议是生产项目的仓库永远在分支上跑合并前必须 code review。免费工具可以做执行者但负责人必须是人。这个原则和用不用 Claude Code 无关只是本地模型跑得快了之后更容易让人放松警惕。4.3 免费额度不等于零元无限用不少云服务商和模型平台会给新用户送一些免费调用额度这是合法合规的福利但都有有效期和速率限制。我在文章里不推荐任何具体品牌只说规律这类免费额度最适合用来跑“不紧急的批量任务”比如夜间自动跑一轮代码扫描和单测生成不适合白天在线边写边用因为限流撞上你正投入的时候体验非常糟糕。踩过几次坑之后我把云额度固定成了“夜间批量”、“周末清理脚本”专用白天主力始终是本地模型整体节奏就顺了很多。5. 方案选型建议到底该自己搭还是直接付费这篇文章讲的是免费方案但我也会诚实地说如果你的核心诉求是“最快速度把活干完”且预算不是问题那么直接用官方工具确实省心。免费方案的价值不在“零元”而在“可控”模型跑在哪、数据流向哪、中间过程能不能插手动修改这些都是自己搭方案才有的自由度。所以选型建议很简单学生党、个人项目、需求是学习加小规模开发免费方案完全够用照着本文配置走就行。接私活、给客户交付、时间成本敏感官方工具省下的时间大概率值回票价混用也行。公司内部涉及敏感代码强烈建议本地部署数据不上云成本可控。这个场景下免费方案反而不是“退而求其次”而是合规性正解。5.1 低成本硬件怎么选很多朋友会卡在硬件这关。就我的测试体验本地跑 7B 模型只需要 8G 显存或 16G 统一内存这点资源现在很多轻薄本都够了。想跑 32B 这种质量更强的模型建议至少 24G 显存或者 32G 统一内存。如果你手头只有普通笔记本可以依然把云额度当作主力本地模型只跑轻量任务这样硬件门槛可以再降一档。5.2 免费方案的未来想象把这条路线摸通之后我最大的感受是免费的边界正在肉眼可见地往外推。开源模型的代码能力半年一个台阶代理工具的可定制性也越来越强。今天大家讨论的是“能不能用”明年可能就要讨论“能用得多好”。至少现在我已经不太愿意回到“所有代码全靠手打、所有重构都自己搬”的状态了。最后分享一个小技巧远程开发场景下本地模型跑在服务器上Aider 开在你自己电脑的终端里中间用 SSH 转发端口。这样既不用背着重型电脑也能随时连回一个“随叫随到”的 AI 搭档配合一个简单的 shell 别名体验无限接近花了大几千的商用方案。我试过一圈最满意的还是这套因为它把成本、速度、可控性刚好安排在了个人开发者最舒服的那个点上。 
长河君 · 2026/10/16 7:28:18 · 阅读 1.2k 免费搭建终端AI编程助手：Claude Code开源替代方案全解析
开发 AI 编程助手类的工具尝鲜榜里Claude Code 算得上话题度最高的那一档。它是运行在终端里的智能编码代理能直接读你的工程目录、改代码、跑命令、看报错、自动迭代用起来就像雇了一个住在命令行里的结对搭档。但这玩意儿的官方使用成本不算低按量计费或者订阅制对个人开发者和学生党来说确实是一道不低的门槛。所以这半年我一直在折腾 free-claude-code 这个方向本质上就是琢磨一件事有没有办法把这种“终端里的 AI 编码代理”体验用零成本或者接近零成本的方式复刻出来。折腾下来的结论是完全可行但需要选对路、绕开几个坑。这篇文章就聊聊我踩过的路以及一套可以直接抄走的便宜方案。先给不熟悉的朋友交代一下背景。Claude Code 这类工具的核心价值不在“帮你补全函数”而在于它能把一个长周期任务拆成几步去执行——比如你让它“把登录模块的 token 刷新逻辑抽成独立服务”它自己会先去翻代码、定位相关文件、设计接口、改代码、跑测试、发现问题再修。这是传统的自动补全插件给不了的能力也是很多人在它收费之后仍然趋之若鹜的原因。免费的替代方案能不能做到类似效果答案是能但要做好心理准备它不是一个工具的事而是一套组合方案的事。下面我按自己的实践顺序把整套东西拆开放平讲清楚。1. 免费替代方案的完整拼图1.1 先认清成本从哪来要搞明白怎么免费得先知道付费花在哪儿。Claude Code 这类产品的成本大头有两个一个是模型推理费用也就是背后的大语言模型每次帮你思考、生成代码时要消耗的算力资源另一个是工具链的维护成本比如 IDE 插件、终端界面、代码索引、命令执行引擎。前者是持续的、按 token 计算的后者是开发出来之后边际成本极低的。也就是说只要你能找到免费的推理能力终端代理工具本身是开源的这两块拼在一起就构勒出一个免费方案的全部要素。顺着这个思路免费的 Claude Code 替代品要解决三件事免费的大模型推理、能接大模型的代理工具、把整个流程串起来的工程配置。缺一个体验都会大打折扣。1.2 两条主流免费路线市面上我实际测下来靠谱的路线有两条一条是在本地跑开源大模型用电脑自己的显卡或内存做推理模型权重免费、推理免费、没有限流但需要一定硬件支持另一条是走云平台的新用户免费额度或者开源模型的公共接口零本地资源要求但通常有限速、限次数、限并发这几个特点。这两条路不冲突。我现在的日常是把两者都挂着代码量小、对速度不敏感的时候走云接口搞重活儿、需要长时间跑自动化任务的时候切本地模型免得被限流打断节奏。整套组合起来月成本接近零。1.3 一个没宣之于口的关键点很多人以为有了模型和工具就能得到和 Claude Code 一样的体验实际用起来才会发现差一截。差别在哪在“代理的逻辑”。官方工具自带的那个代理引擎知道什么时候该停下来问你、什么时候该自己多试几次这种判断力其实是产品最值钱的部分。开源的代理工具大多只做了基础的“模型-工具”循环通道能不能用好取决于你在配置里怎么告诉它该干什么。这是免费方案里最容易被低估、也最值得花时间的环节。2. 工具链选型我最终留下的三个组件2.1 模型层Qwen 系列本地部署更省心本地模型我主力用的是通义千问的 Qwen2.5-Coder-32B。选择它不是因为跑分有多亮眼而是因为它对代码任务的实际完成率非常高尤其是代码补全、单测生成、小型重构这些日常场景输出质量接近大一号的商业模型。更关键的是它对硬件宽容——量化到 Q4 之后32G 内存的机器配合 Mac 统一内存或者一张 24G 显存的显卡就能跑起来不需要那种几万块的服务器配置。如果你预算再紧张一点Qwen2.5-Coder-7B 和 14B 也能用小模型对代码格式的掌控会更差但胜在速度快适合拿来跑简单的脚本任务或自动改 bug。2.2 代理层Aider 适合命令行派代理工具我试过好几个最后留在工作流里的是 Aider。它的定位非常纯粹一个跑在终端里的 AI 结对编程工具你把代码仓库交给它它自己会读 git 状态、看 diff、改文件、提交 commit。用 Aider 的理由有三个一是它对 git 原生的支持很好每次改动都自动生成可回滚的提交这让我敢放手让它折腾二是它的配置体系是纯文本的好维护三是它同时兼容本地模型和在线模型切换不需要重新配环境。2.3 界面层编辑器插件补最后一块纯终端的交互对很多场景不够直观比如同时查看多文件 diff、快速定位行号。所以我还装了一个编辑器的 AI 插件作为补充的“阅读器”和“选择器”。插件只负责把选中的代码片段发给模型、把生成结果贴回编辑器真正的重活儿还是交给 Aider。这样分层的结构各司其职免费组件之间配合也不会打架。3. 实战搭建从零到跑通一次重构任务这一节直接给操作过程。我带大家完整过一遍如何在本地搭起这套免费方案并用它跑一个典型的“重构登录模块”任务。环境我按 Linux 服务器加了 NVIDIA 显卡来写Mac 用户把显存参数照着调就行。3.1 第一步本地推理服务我用的是 Ollama 来跑模型原因很简单一条命令几乎零配置。安装curl -fsSL https://ollama.com/install.sh | sh ollama pull qwen2.5-coder:32b ollama serve这里需要解释一下为什么选 Ollama 而不是直接用 Python 的 transformers 之类。因为 Ollama 内置了 OpenAI 兼容的 API 接口Aider 可以直接通过 base_url 参数连上来省去自己写服务端的步骤。它是把“模型加载、推理队列、API 暴露”打包好的黑盒对个人使用来说稳定性和易用性都够。验证服务是否跑起来可以另开一个终端curl http://localhost:11434/v1/models看到模型列表返回说明服务已经就绪。3.2 第二步Aider 配置Aider 本身是 Python 包安装一行命令pip install aider-install aider-install然后需要指定模型接口。在 Aider 里连本地 Ollama 的命令是aider --model ollama_chat/qwen2.5-coder:32b --editor-model ollama_chat/qwen2.5-coder:32b这里有两个坑值得注意。第一个坑是--editor-model。Aider 内部会把任务拆成“主对话模型”和“编辑器模型”前者负责理解需求、规划改动后者负责具体改文件。如果只设一个模型遇到大文件时容易因为上下文超限卡死。建议编辑器模型也用同一个但把它的上下文窗口调得不那么大这样改文件时响应速度会快很多主对话模型则有充足空间去维护整个任务的状态。第二个坑是模型名要写全。很多教程只给到qwen2.5-coder但 Ollama 拉下来的标签带参数后缀比如qwen2.5-coder:32b-q4_K_M你需要在ollama list里看到完整标签后再填进 Aider否则连不上。3.3 第三步给 Aider 立规矩Aider 直接用默认设置也能跑但想要接近 Claude Code 那样的“自动迭代”体验建议改两个配置aider --auto-commits --yes--auto-commits让 Aider 每次修改完自动生成一个 git commit方便回退--yes让它不再每次操作前都征求确认。这两个参数合在一起才能让代理真正进入“自己干活”的模式。不过第一次跑的时候建议不要开--yes先观察几个来回确认它不会乱动文件再放开。3.4 第四步执行重构任务我准备了一个模拟项目 X里面有一个老旧的登录模块auth.py里面塞了一堆散落的 token 刷新逻辑。任务是“把 token 刷新逻辑抽到独立 service 类并在原有模块调用”。在 Aider 交互界面里直接输入/refactor 将 auth.py 里所有 token 刷新相关的代码抽成一个独立的 TokenService 类auth.py 只保留对外接口。看 Aider 的处理过程你会发现它先会自己打开auth.py读取内容然后生成一段新代码再用一个小的 diff 把它合进去。我用的 32B 量化模型跑这个级别的任务大概需要二十到四十秒的推理时间生成的代码结构基本能用偶尔需要手工调一下类型注解。整个过程跑完后git log里能看到 Aider 自动生成的两三个提交记录间隔都在一两分钟以内。这就是免费的“终端搭档”该有的样子。4. 实操中遇到的那些坑以及排查思路没有不踩坑的免费方案。这里把我实际跑了一个月遇到的问题整理成表每个都给了排查路径。现象根因解决办法Aider 改了文件后代码格式全乱模型上下文窗口设置太小记不住工程风格加大主对话模型上下文并在aider.conf.yml里指定--edit-format diff模型生成的函数名和接口名是编的开源模型在冷门库名上仍会幻觉把相关的 import 语句和 API 片段先复制进对话或者要求模型先搜代码再动手长时间任务跑到一半报上下文超限大模型的上下文是有限资源把任务拆分先让模型读目录结构再逐文件改不要一次性塞整个仓库本地模型有时候卡得像个假死可能是显存不足触发了换页观察nvidia-smi调低量化级别或切到 14B 模型云接口频繁 429免费额度通常有每分钟请求上限设任务间 sleep或高峰期落地到本地模型4.1 上下文窗口的“紧箍咒”免费方案最大的不适感来自模型上下文窗口小造成的“失忆”。Claude Code 官方常用的模型上下文很大它能同时记住整个仓库的关键结构、你十个来回的对话历史而开源模型量级小的上下文只有可怜几万 token。表现到使用上就是你让它改第三个文件的时候它已经忘了第二个文件改了什么。我的应对方法是改变提问习惯。不再用一句笼统的“把项目里的所有 TODO 实现掉”而是拆成“先读 README 了解模块划分再逐个文件处理”。每一步只让它聚焦一件事情配合 Aider 的 git 提交机制完成一小步就固化一点这样即使中间断了也不会丢状态。4.2 别让模型直接上手改生产代码这是血泪教训。Aider 的--yes模式加上本地模型组合起来确实能跑但模型经常会在重构时“顺手”优化掉一些看似无用、实则关键的兼容代码。比如那次它把旧接口的兼容分支删了以为我在命令里说的是“只保留新逻辑”但实际旧接口还有别的服务在调。所以我的建议是生产项目的仓库永远在分支上跑合并前必须 code review。免费工具可以做执行者但负责人必须是人。这个原则和用不用 Claude Code 无关只是本地模型跑得快了之后更容易让人放松警惕。4.3 免费额度不等于零元无限用不少云服务商和模型平台会给新用户送一些免费调用额度这是合法合规的福利但都有有效期和速率限制。我在文章里不推荐任何具体品牌只说规律这类免费额度最适合用来跑“不紧急的批量任务”比如夜间自动跑一轮代码扫描和单测生成不适合白天在线边写边用因为限流撞上你正投入的时候体验非常糟糕。踩过几次坑之后我把云额度固定成了“夜间批量”、“周末清理脚本”专用白天主力始终是本地模型整体节奏就顺了很多。5. 方案选型建议到底该自己搭还是直接付费这篇文章讲的是免费方案但我也会诚实地说如果你的核心诉求是“最快速度把活干完”且预算不是问题那么直接用官方工具确实省心。免费方案的价值不在“零元”而在“可控”模型跑在哪、数据流向哪、中间过程能不能插手动修改这些都是自己搭方案才有的自由度。所以选型建议很简单学生党、个人项目、需求是学习加小规模开发免费方案完全够用照着本文配置走就行。接私活、给客户交付、时间成本敏感官方工具省下的时间大概率值回票价混用也行。公司内部涉及敏感代码强烈建议本地部署数据不上云成本可控。这个场景下免费方案反而不是“退而求其次”而是合规性正解。5.1 低成本硬件怎么选很多朋友会卡在硬件这关。就我的测试体验本地跑 7B 模型只需要 8G 显存或 16G 统一内存这点资源现在很多轻薄本都够了。想跑 32B 这种质量更强的模型建议至少 24G 显存或者 32G 统一内存。如果你手头只有普通笔记本可以依然把云额度当作主力本地模型只跑轻量任务这样硬件门槛可以再降一档。5.2 免费方案的未来想象把这条路线摸通之后我最大的感受是免费的边界正在肉眼可见地往外推。开源模型的代码能力半年一个台阶代理工具的可定制性也越来越强。今天大家讨论的是“能不能用”明年可能就要讨论“能用得多好”。至少现在我已经不太愿意回到“所有代码全靠手打、所有重构都自己搬”的状态了。最后分享一个小技巧远程开发场景下本地模型跑在服务器上Aider 开在你自己电脑的终端里中间用 SSH 转发端口。这样既不用背着重型电脑也能随时连回一个“随叫随到”的 AI 搭档配合一个简单的 shell 别名体验无限接近花了大几千的商用方案。我试过一圈最满意的还是这套因为它把成本、速度、可控性刚好安排在了个人开发者最舒服的那个点上。