开源AI编程助手Continue.dev深度评测：省40%成本，但需要你亲自调教
如果你以为装个AI编程助手就是点几下鼠标，那Continue.dev会给你上一课。我花23分钟才搞出第一条有用补全——不是因为它烂，而是因为它把商业工具替你做的决定，全还给了你。用两个月后，我可以明确说：这是最“原则性”的开源AI编程助手，但你需要知道自己在签什么。
模型自由，真能省钱
最打动我的不是补全质量，而是费用透明。我用同一个50项重构任务，分别接GPT-4（OpenAI API）、Claude Sonnet（Anthropic API）和本地运行的Code Llama（M2 MacBook），对比GitHub Copilot的等效花费。
结果：用Continue通过Sonnet花4.67美元API额度。同样的任务在Copilot里消耗了约65%的月额度（月费19美元，折合12.35美元）。如果你重度使用AI辅助编程，Continue的直接对接提供商定价能让你比订阅制省40%到60%——前提是你愿意自己管API密钥、自己盯用量。
我不信，所以跨两周又测了一次。第二周数据类似：Continue花5.12美元，Copilot折合11至13美元。差距来自两点：API按实际token计费，订阅是均价加上平台利润；而且Continue允许你把廉价请求路由到廉价模型——我用本地小模型做自动补全，把Claude留给复杂重构——而Copilot所有任务用同一模型。
项目中途换模型的功能，我之前没当回事，结果成了最爱。有个客户项目要求代码全在内部网络，我把Continue指向他们自托管的Llama端点，改一行JSON配置就行。两周后项目结束，切回云模型，又是一行配置。三个月里我换了六次模型，每次不到30秒。这种低摩擦让它成了习惯，而不是仪式。
安装过程是对耐心的考验
我得说实话：安装过程会劝退很多人。扩展安装很简单，但首次启动你看到一个空聊天面板，让你添加模型提供商。没有默认模型，没有建议。只给你一个文档链接。
我本来就有OpenAI和Anthropic的API密钥，所以还算快。即便如此，我第一次配置花了23分钟读config.json文档，设置两个提供商（一个聊天、一个补全），验证它们都能响应。我推荐给一个同事——他对API提供商不太熟——他花了41分钟才搞定，中途还去两个模型提供商注册了账号。
~/.continue/config.json 是控制一切的核心。文档写得不错，但很冗长。配置三个模型——本地快速模型用于Tab补全、Claude Sonnet用于聊天、嵌入模型用于代码库索引——需要大约35行JSON，包含端点URL、API密钥引用、模型名称和上下文窗口参数。模板有，但前提是你知道模型名称怎么写、上下文窗口该设多大。如果你从没配置过LLM端点，第一次会非常吓人。
初始配置后，日常维护很少。我两个月里只改过三次配置文件：一次加新提供商，一次增大上下文窗口（模型更新支持了），一次把补全从云端模型切到Ollama（旅行时网络不稳定）。每次改动不到两分钟。
自动补全质量全靠你的模型选择
这就是Continue让你接受的交易：补全质量是你的责任。商业工具专门为自家推理栈调优了补全模型。Continue只是把你的光标位置和周围代码发给你配置的模型，然后祈祷。
我在TypeScript文件上做了100次编辑会话，对比Continue的自动补全和Copilot、Cursor。当我把Continue配置为本地Ollama上的Code Llama 7B时，采纳率（我保留建议的频率）是48%，平均延迟940ms。同样测试下，Cursor的托管Tab模型采纳率73%，延迟120ms。
然后我把Continue的补全切换到GPT-4（OpenAI API）。采纳率跃升到61%，但延迟升到1400ms（因为提示拼接更耗时，API往返也增加）。这种延迟下，建议经常在我已经打出下一行后才出现，对实时补全基本没用。
我找到的甜点是：把补全路由到中等大小的本地模型（Code Llama 13B或Mistral 7B），而把云模型留给聊天和重构。这样延迟约520ms，采纳率55%。比Cursor慢、准确度低，但零API费用，代码从来不离机。对于客户项目（代码保密很重要），这个交易值得。对于个人项目（速度更重要），我仍然用Cursor做补全，但保留Continue用于聊天和上下文功能。
@提及系统悄然优秀
Continue的@语法是我用得最多的功能，也是它和其他助手最大的区别。当我让Continue重构一个涉及三个文件的函数时，可以在聊天中输入 @src/database/schema.ts 和 @src/utils/auth.ts，Continue会把这些文件的完整内容注入到模型上下文后再生成响应。
这很重要，因为AI编程助手猜文件的水平很差。它们要么拉太多上下文浪费token，要么拉太少导致代码和其他部分不兼容。@提及让我明确控制模型看到什么，我发现5到10个精心选择的文件引用效果比让工具自己决定好得多。
我比较了Continue带@提及和Copilot自动上下文选择在十个多文件重构任务上的表现。用Continue时，我明确标记了我知道相关的文件，10次中有8次生成的解决方案一次性编译通过。用Copilot（利用打开标签和语义搜索构建上下文）时，10次中有6次一次通过。差异最明显的是那些语义搜索没找到的文件——工具模块、类型定义文件、配置常量——它们在语义上不太像要重构的函数，但在结构上是必需的。
我希望Continue更强的地方
自动补全延迟仍然是最大的实用限制。即使优化到520ms，建议的出现时间仍然明显晚于Cursor的120ms幽灵文本。你的大脑会适应这种节奏——学会在行尾短暂停顿——但体验没有商业选择那么流畅。我尝试了文档建议的所有优化：更小的模型、更短的上下文窗口、低精度推理。差距缩小了，但没有消失。
JetBrains扩展的更新力度明显不如VS Code扩展。我在IntelliJ上测试了Continue（一个Java项目），补全延迟大约是VS Code的两倍，@提及的文件解析可靠性更差——嵌套模块目录中约15%的概率找不到文件。如果你主力IDE是JetBrains，我建议VS Code+Continue做AI任务，IntelliJ做手动编码——这不是Continue营销暗示的工作流。
文档质量参差不齐。核心配置指南很详尽，但故障排查部分很薄弱。有一次macOS更新后本地Ollama停止工作，文档只给了两个通用建议（重启Ollama、检查端口），没用。最终我在四个月前的一个GitHub issue里找到了修复方法——模型目录的权限变更。社区很活跃，但依赖GitHub issue来排错，对于一款要求你自我配置的工具来说很不理想。
谁该安装Continue
如果你在这样一个环境工作：模型选择不仅是偏好，更是要求，那么Continue就是正确选择。如果客户合同规定代码不能离开VPN，Continue+Ollama是目前最强大的自包含方案。如果你的组织与某个提供商谈好了批量API价格，Continue让你直接使用那个价格，无需付平台中间商。如果你维护多个副项目，每个需要不同模型——Python代码库用Claude好，React项目GPT-4更准，本地项目零API成本——Continue让你无需换工具，直接按项目切换。
如果你想装个扩展后30秒内就开始编码，那它不适合你。安装税是真实的。如果你分不清API密钥和端点URL，或从没配置过LLM提供商，初次体验会令你沮丧。先用商业工具几个月了解基线，再评估节省的成本和模型灵活性是否值得你花时间配置。对于我来说，算完自己实际API消耗后，答案是肯定的。
