Continue

Continue 是开源的 AI 编程助手，支持连接任意 LLM，提供完全的模型选择自由度，无厂商锁定。

编程免费

Continue 是一款开源 AI 编程助手，允许开发者将任意大型语言模型（LLM）连接到开发环境。与锁定特定 AI 提供商的专有工具不同，Continue 提供完全的灵活性——无论是 Anthropic、OpenAI、Google、Mistral 托管的模型，还是在本地机器上运行的模型，都可以自由选择。

该工具以 VS Code 和 JetBrains 扩展的形式构建，将对话式 AI 能力直接带入 IDE。开发者可以就代码与 AI 对话、提问、获取解释、生成代码——一切都在熟悉的开发环境中完成。

Continue 的架构与 Copilot 或 Cursor 等工具有本质区别，因为它被设计为一个灵活框架而非固定产品。您可以自带 Claude、GPT-4、Gemini 等服务的 API 密钥，或通过 Ollama、LM Studio 配置运行本地模型，对成本、隐私和模型选择拥有完全控制权。

对于想要使用本地私有模型进行代码生成的开发者来说，Continue 尤为受欢迎——在本地运行 CodeLlama、Mistral 或 WizardCoder 等模型意味着零数据外传，满足最严格的隐私要求。

主要功能

支持连接任意 LLM 提供商（OpenAI、Anthropic、Google、本地模型）
VS Code 和 JetBrains IDE 集成
具有全代码库感知的强大上下文系统
可自定义斜杠命令，定义可复用的工作流
通过 Ollama 和 LM Studio 支持本地模型运行
通过 config.json 实现团队配置共享
在 AI 对话中引用特定文件和文件夹
开源且由社区驱动的持续开发
无厂商锁定——使用自己的 API 密钥
高度可扩展，支持自定义 AI 工作流

常见问题

Continue 是免费的吗？

是的，Continue 完全免费开源，使用 MIT 许可证。您无需支付任何平台费用，但连接云端 AI 模型时需要自备 API 密钥（如 OpenAI、Anthropic 的 API），相关费用由各 AI 提供商收取。使用 Ollama 等本地模型则完全免费，无任何使用成本。

Continue 支持中文吗？

Continue Chat 完全支持中文输入和对话，您可以用中文向 AI 提问代码相关问题。代码库中的中文注释和文档也能被正常处理和理解。由于 Continue 允许连接多种 AI 模型，中文支持质量取决于所使用的底层模型，Claude 和 GPT-4 等模型的中文支持均表现出色。

Continue 最适合哪类用户？

Continue 最适合注重数据隐私、希望完全控制 AI 模型选择的开发者，以及开源项目贡献者和需要本地部署方案的企业工程师。对于想要以零费用体验 AI 编程辅助的开发者（配合本地模型使用），Continue 是理想选择。技术实力较强、愿意自行配置的开发者能从其高度灵活性中获得最大价值。

Continue 最大的优势是什么？

Continue 最大的优势是其无与伦比的灵活性和开放性。您可以自由选择任何 AI 模型、自带 API 密钥、在本地运行模型，以及通过配置文件高度定制工作流——这些在其他 AI 编程工具中几乎不可能实现。开源特性还意味着您可以深度定制功能，满足特定业务需求，同时社区持续贡献改进。

Continue 对初学者友好吗？

编程

Devin 是 Cognition 推出的自主 AI 软件工程师，在配备 Shell、浏览器和编辑器的完整开发环境中，独立完成功能规划、编码、调试和部署全流程。

付费

相关指南

编程

AI代码安全审查工具推荐2026：用Copilot、Cursor、Continue和Amazon Q Developer守住PR合并门禁

更新时间：2026年7月26日 · 分类：AI编程工具 AI代码审查最危险的结果，不是漏报，而是给团队一种“已经审过”的错觉。扫描结果显示没有高危问题，开发者便放心合并；可模型没有读到网关配置，不知道某个接口可被匿名访问，也没有发现日志里输出了重置令牌。另一种情况同样糟糕：工具对每个字符串拼接、正则表达式和依赖版本都发出警告，团队看了两周后开始批量忽略。这篇指南面向中国市场的研发负责人、安全工程师、DevSecOps团队、出海SaaS、金融科技、电商和中小软件公司。我们会比较 GitHub Copilot、Cursor、Continue 和 Amazon CodeWhisperer相关能力，讲清楚AI适合审什么、不能替代什么，以及如何把结果接入真实的Pull Request、SAST、依赖治理和人工复核。结论先说：不要让一个模型同时充当规则制定者、扫描器、修复者和批准人。先定义威胁边界，再用确定性工具找已知模式，让AI解释上下文和生成修复候选，最后由代码所有者与安全责任人确认。这样既能减少无效告警，也不会把最终责任交给一段看起来很专业的评论。目录 AI代码安全审查到底应该审什么先做轻量威胁建模，再打开自动修复 Copilot、Cursor、Continue、Amazon Q Developer怎么分工从Pull Request到合并门禁的9步流程密钥、依赖与供应链风险单独治理审查AI生成修复，避免“修好扫描器” 中文研发团队的分级落地方法 findaiverse选型观察常见问题核心要点 AI不是唯一扫描器 — 语法规则、依赖漏洞、密钥模式和许可证应由可重复的专用工具先检查。上下文必须有边界 — 入口、身份、权限、数据、外部调用、部署配置和日志决定一段代码是否真的危险。每条告警都要有证据 — 标明文件、数据流、攻击前提、影响、复现方式和修复验证，避免只写“可能存在风险”。修复要证明旧问题被阻断 — 增加负向测试、权限测试或安全回归测试，而不是让扫描规则停止报警。按风险决定合并门禁 — 鉴权、支付、密钥、上传、反序列化、命令执行等路径需要更严格的人审与检查。 AI代码安全审查到底应该审什么安全审查不是寻找“看起来不安全的代码”。它要回答更具体的问题：不受信任的数据从哪里进入，经过哪些转换，到达什么敏感操作；谁可以触发；攻击者需要什么条件；成功后能读取、修改、执行或阻断什么。只看一个函数，很容易把安全问题误判为代码风格问题。第一类是输入到危险操作的数据流。SQL、Shell命令、模板渲染、文件路径、URL请求、反序列化、正则表达式和动态代码执行都值得关注。AI可以沿调用链解释变量来源，专用静态分析则更适合稳定地匹配污点传播规则。两者结果不一致时，回到实际入口和运行路径验证，不能让模型凭语言感觉下结论。第二类是身份与权限。接口是否要求登录、登录后是否验证资源归属、管理员操作是否有服务端检查、租户ID能否被客户端覆盖、后台任务是否继承了过大权限。很多越权问题不在业务函数内，而在路由、中间件、网关、数据库策略和部署配置之间。代码助手如果只读到控制器，可能看不到完整边界。第三类是敏感数据。密码、令牌、身份证件、支付信息、地址、客户资料、内部密钥是否被记录、返回、缓存、发送到第三方或写入错误追踪。日志语句通常看起来无害，直到你把字段与真实请求连起来。AI审查应把“哪些字段属于敏感信息”作为项目规则输入，而不是依赖通用判断。第四类是业务滥用。优惠券重复领取、库存负数、退款重放、邀请链接枚举、验证码轰炸、上传额度绕过、批量抓取、并发重复扣款，不一定符合传统漏洞规则，却会直接造成损失。这里需要产品规则、风控阈值和状态机。AI可以帮助列出滥用路径，但阈值和可接受风险必须由业务与安全团队决定。第五类是供应链和构建。新增依赖从哪里下载，版本是否锁定，安装脚本是否执行，构建工作流能否接触发布令牌，第三方GitHub Action是否固定到可信版本，生成物是否可追溯。源文件本身没有明显漏洞，也可能在构建阶段被替换。安全审查要覆盖代码之外的清单、锁文件和CI配置。 OWASP Top 10可以作为Web应用风险的共同语言，但它不是一张自动合格证。团队还要把自己的数据、业务、云环境、移动端和供应链放进审查范围。更多开发工具可先从 findaiverse […]