オープンソースの AI プログラミングアシスタントの詳細なソリューションを継続

🛒 Continue の開発者向けオープンソース AI プログラミングアシスタントの詳細なアプリケーションソリューションは、マルチ LLM バックエンドスイッチング、カスタムプロンプトワード、ローカルモデル推論、コードベースコンテキストの理解、スラッシュコマンドのカスタマイズ、ルール構成などのコア機能をカバーし、柔軟で制御可能な AI プログラミング環境を構築します。

オープンソースの AI プログラミングアシスタントの詳細なソリューションを継続

ソリューションの概要

このプログラムは、ソフトウェア研究開発チームと個人の開発者が、Continue オープンソース AI プログラミングアシスタントのフルリンク構成と詳細な適用方法を体系的に整理することを目的としています。 Continue は現在、GitHub で最高のスターを獲得しているオープンソース AI プログラミングプラグインの 1 つです。その主な利点は、単一のモデルにロックされたり、特定のメーカーに束縛されないことです。開発者は、OpenAI API、Claude、Ollama などの LLM に自由に切り替えることができます。バックエンドを構築し、VS Code と JetBrains の両方のプラットフォームで一貫した AI 支援エクスペリエンスを実現します。

GitHub Copilot や Cursor などのクローズドソースソリューションとは異なり、Continue は構成権限とデータ主権を開発者に完全に返します。プロンプトワードテンプレート、モデル選択、およびコンテキストポリシーはすべてローカルファイルの形式で管理され、バージョン管理、チーム共有、さらにはプライベートデプロイメントに組み込むことができます。

対象ユーザー: データプライバシーに懸念がある、またはプライベートモデルに接続する必要がある最前線のソフトウェア R&D 開発者、技術チームリーダー、DevOps エンジニア、エンタープライズ R&D チーム。

前提条件:

VS Code または JetBrains IDE を使用した基本的な経験がある
VS Code 拡張機能または JetBrains プラグインをインストールする機能 (管理者権限は必要ありません)
クラウド LLM (OpenAI、Claude など) にアクセスする必要がある場合は、対応するプラットフォームの API キーが必要です
ローカルモデル (Ollama 経由など) を実行するには、少なくとも 8GB の VRAM または 16GB の RAM を搭載したハードウェアが必要です

ツールチェーンのリスト

ツール	この計画の目的	必要なアカウントレベル	料金参考
Continue	コア AI プログラミングアシスタントプラグイン、モデルのルーティングと対話を管理	オープンソースで無料	無料
OpenAI API	GPT-4o などのモデル機能を提供するクラウド LLM バックエンド	API 従量課金制	$5 ～ 50/月 (使用量に応じて)
クロード	Cloud LLM バックエンド、Claude シリーズモデル機能を提供	API 従量課金制	$5 ～ 50/月 (使用量に応じて)
オラマ	ローカル LLM 推論エンジン、オープンソースモデルを実行	オープンソースで無料	無料 (ハードウェアが必要)
LM Studio	ローカル LLM 推論およびモデル管理デスクトップ	無料	無料 (ハードウェアが必要)

コストに関する注意: Continue 自体は完全に無料です。ローカルモデル (Ollama/LM Studio) のみを使用する場合、ハードウェア以外の費用はかかりません。クラウド API に接続する場合、料金は選択したモデルと用途によって異なります。 GitHub Copilot ($19/月・人) や Cursor Pro ($20/月・人) と比較して、チームの規模が大きい場合、Continue は限界コストを大幅に削減できます。

準備

環境チェックリスト

[ ] VS Code 1.80+ または JetBrains 2023.2+ IDE
[ ] Node.js 18+ (一部の高度な構成に必要)
[ ] Git がインストールされ、構成されている (構成の同期のため)
[ ] ネイティブモデルの場合: NVIDIA GPU ドライバーまたは Apple Silicon Mac (M1+)

アカウントと認証情報

[ ] クラウドモデルの場合: OpenAI / Anthropic / その他の API キー
[ ] ローカルモデルの場合: Ollama がターゲットモデルをインストールしてプルします

知識の準備

[ ] Continue の 3 つの対話モード: コード補完 (オートコンプリート)、会話 (チャット)、インライン編集 (インライン編集) を理解します。
[ ] YAML/JSON の基本構文を理解する (設定ファイルの変更用)

ステップバイステップガイド

ステップ 1: プラグインのインストールと基本的な検証

⏱ 推定所要時間: 10 ～ 15 分 🎯 目標: Continue プラグインのインストールを完了し、基本的な操作プロセスを確認します。 ⚠️前提条件: VS Code または JetBrains IDE がインストールされていること

操作説明

Continue では、VS Code 拡張機能と JetBrains プラグインの 2 つのインストール方法が提供されます。インストール後、基本的な会話型プログラミング機能が利用できるようになります。

具体的な操作

VS Code のインストール: 拡張機能マーケットで「Continue」を検索するか、 continue.dev にアクセスしてインストールリンクを取得し、クリックしてインストールします。
JetBrains のインストール: [設定] → [プラグイン] → [マーケットプレイス] を開き、「続行」を検索してインストールします。
初期構成: インストール後、「続行」をクリックすると、IDE サイドバーにアイコンが追加されます。クリックして開き、会話を開始します。
基本的な検証: ダイアログボックスに「現在のファイルの説明」と入力し、Continue が現在のエディタでファイルの内容を正しく読み取って応答できることを確認します。

🔑エキスパートビュー: インストール後、Continue にはデフォルトで無料のプロキシモデルが付属し (Continue.dev プロキシ経由でアクセス)、開発者は API キーなしで完全な会話機能をすぐに体験できます。これにより、開始のしきい値が低くなります。カスタムモデル構成に入る前に、デフォルトのプロキシを使用してプラグインの可用性を確認することをお勧めします。

合格基準

[ ] サイドバーの続行アイコンが表示され、会話パネルを開くことができます
[ ] コードを選択すると、「編集」または「質問」フローティングボタンが表示されます。
[ ] 会話は正常に送信でき、返信も受信できます

ステップ 2: 複数の LLM バックエンドの構成と切り替え

⏱ 推定所要時間: 30 ～ 60 分 🎯 目標: 少なくとも 2 つの LLM バックエンド (クラウド + ローカル) を構成し、モデルの切り替えを確認する ⚠️前提条件: プラグインのインストール検証に合格しました

操作説明

Continue の核となる設計コンセプトは「モデル独立」です。開発者は、「config.json」構成ファイルを使用して、複数の LLM バックエンドを同時に登録し、シナリオに応じて柔軟に切り替えることができます。

具体的な操作

設定ファイルを開きます: [続行] パネルの下部にある歯車アイコンをクリックし、~/. continue/config.json を開きます。

OpenAI バックエンドを追加:


{
 「モデル」: [
   {
     "タイトル": "GPT-4o",
     "プロバイダー": "openai",
     "モデル": "gpt-4o",
     "apiKey": "sk-..."
   }、
   {
     "title": "クロード 3.5 ソネット",
     "プロバイダー": "人類",
     "モデル": "クロード-3-5-sonnet-20241022",
     "apiKey": "sk-ant-..."
   }
 】
}
「」

Ollama ローカルバックエンドを追加 (必要な場合):


{
 "title": "ローカル ラマ 3",
 "プロバイダー": "オラマ",
 "モデル": "ラマ3"
}
「」

モデルの切り替え: [続行] ダイアログパネルの上部にあるドロップダウンメニューで現在使用しているモデルを切り替え、同じ質問を入力して、異なるモデルの回答品質を比較します。
マルチモデルの同時実行: "completionOptions": {} を構成して、温度や maxTokens などのパラメーターをモデルごとに個別に設定します。

🔑エキスパートビュー: Continueのモデル構成は「プロバイダー + モデル」の 2 層アーキテクチャを採用しており、同じプロバイダーで複数のモデルバージョンを登録できます。タスクタイプごとにモデルを割り当てることをお勧めします。毎日のコーディング完了には軽量モデル (GPT-4o mini やローカル 7B モデルなど)、複雑な再構築と分析には主力モデル (GPT-4o、Claude Sonnet) を割り当てます。この「階層モデル」戦略は、単一モデルソリューションよりも経済的であり、「config.json」を通じてバージョン管理に含めることができます。

合格基準

[ ] 少なくとも 1 つのクラウドモデルと 1 つのローカルモデルを構成します
[ ] はモデルを切り替えて正常に応答を得ることができます
[ ] 機種ごとに応答品質に明らかな違いがあります（切り替えが有効になっていることを確認してください）

ステップ 3: プロンプトの単語とスラッシュコマンドをカスタマイズする

⏱ 推定所要時間: 1 ～ 2 時間 🎯 目標: カスタムプロンプトワードファイルを作成し、スラッシュコマンドを登録する ⚠️前提条件: モデルの設定が完了していること

操作説明

Continue では、「.prompt」ファイル拡張子を使用したスラッシュコマンドのカスタマイズがサポートされています。これは、クローズドソースの AI プログラミングアシスタントとの最も重要な差別化機能です。チームは、コードレビュー、アーキテクチャレビュー、単体テストの生成などのための専用のワークフロープロンプトを蓄積できます。

具体的な操作

カスタムプロンプトディレクトリの作成: プロジェクトのルートディレクトリに . continue/prompts/ フォルダーを作成します。

コードレビューコマンドを作成します: ファイル . continue/prompts/code-review.prompt を作成します。


あなたは上級コードレビュー専門家です。次の観点に従って、選択したコードの変更を確認してください。

1. **セキュリティ**: SQL インジェクション、XSS、権限バイパスなどのリスクはありますか。
2. **パフォーマンス**: 最適化可能なループや不必要なメモリ割り当てはありますか?
3. **保守性**: 名前は明確ですか、また重複コードはありませんか?
4. **境界条件**: 未処理の null 値または異常な入力はありますか?

重大度レベル (重大/重大/軽度) を指定し、修復の提案を添付してください。
「」

単体テスト生成コマンドの書き込み: ファイル . continue/prompts/gen-test.prompt を作成します。


あなたはテストの専門家です。選択した関数/クラスの pytest 単体テストを生成してください。

- pytest フレームワークを使用する
- 正常なパス、境界条件、および異常なパスをカバーします
- モックを使用して外部依存関係を分離する
- テストの名前付けは、given_when_then パターンに従います。
「」

config.json にスラッシュコマンドを登録します:


{
 "スラッシュコマンド": [
   {
     "名前": "レビュー",
     "説明": "コードレビュー",
     "promptPath": ".Continue/prompts/code-review.prompt"
   }、
   {
     "名前": "テスト",
     "description": "単体テストを生成",
     "promptPath": ". continue/prompts/gen-test.prompt"
   }
 】
}
「」

確認: [続行] ダイアログパネルに「/review」または「/test」を入力して、カスタムコマンドが有効であることを確認します。

🔑専門家の意見: スラッシュコマンドは、Continue ソリューションにおけるチームコラボレーションにとって最も価値のある機能です。 Cursor のルールや GitHub Copilot のチャット参加者と比較すると、Continue の .prompt ファイルは本質的にプレーンテキストテンプレートであり、当然のことながら Git バージョン管理をサポートします。チームは独立した「プロンプト」ウェアハウスを作成し、それを git サブモジュールまたはシンボリックリンクを通じてさまざまなプロジェクトに配布して、「一度書いたらグローバルに再利用」を実現できます。過剰な選択コストを避けるために、チームは初期段階では 3 ～ 5 個のコアスラッシュコマンドのみを維持することをお勧めします。

合格基準

[ ] スラッシュコマンドを2つ以上作成し、config.jsonに登録します。
[ ] /review コマンドは、指定された次元に従ってコードをレビューできます
[ ] /test コマンドはプロジェクトのスタイルに準拠したテストコードを生成できます

ステップ 4: ルールとコードベースのコンテキストの構成

⏱ 推定所要時間: 1 ～ 2 時間 🎯 目標: @ コンテキスト参照と Rules ルールを構成して、AI によるプロジェクト構造の理解を向上させます。 ⚠️前提条件: スラッシュコマンドの設定が完了していること

操作説明

Continue の「コンテキスト」メカニズムは、AI がどの程度のプロジェクト情報を「見る」ことができるかを決定します。コンテキストソースを適切に構成すると、特に大規模なプロジェクトで、コード補完と対話の品質が大幅に向上します。

具体的な操作

@file 参照を構成します: ダイアログに「@file`」と入力し、現在のファイルを選択し、Continue でファイルの内容を読み取れることを確認します。
@folder 参照を構成します: AI がディレクトリ構造とファイルリストを読み取ることができるように、@folder と入力してプロジェクトディレクトリを選択します。

設定 @codebase: config.json でコードベースインデックスを設定します。


{
 "contextProviders": [
   {
     "名前": "コードベース",
     "パラメータ": {
       "useRag": true、
       「最大結果」: 20
     }
   }、
   {
     "名前": "ファイル",
     "パラメータ": {}
   }、
   {
     "名前": "フォルダー",
     "パラメータ": {}
   }
 】
}
「」

カスタマイズされたルール: ~/. continue/config.json に "rules" フィールドを作成するか、プロジェクトレベルの . continuerules ファイルを使用します。


{
 「ルール」: [
   "常に TypeScript 厳密モードを使用する",
   "プロジェクト内の既存のコード スタイルに従います",
   "状態管理に React フックを使用する",
   「エクスポートされたすべての関数の JSDoc コメントを書く」
 】
}
「」

@docs インデックスを構成します: AI がドキュメントコンテンツを取得できるように、プロジェクトドキュメントまたはサードパーティライブラリドキュメントをインデックスに追加します。


{
 "contextProviders": [
   {
     "名前": "ドキュメント",
     "パラメータ": {
       "ドキュメント": [
         {
           "title": "プロジェクト API ドキュメント",
           "url": "https://your-project-docs-url"
         }
       】
     }
   }
 】
}
「」

🔑 エキスパートビュー: コンテキスト構成は、Continue を高度に使用するための重要な分水嶺です。デフォルトの構成では、Continue は現在開いているファイルを読み取るだけであり、多くの場合、回答にはプロジェクトレベルのビジョンが欠けています。「codebase」の RAG (Retrieval Enhanced Generation) モードをオンにすると、Continue はプロジェクトのベクトルインデックスを自動的に構築し、会話中に関連するコードスニペットを取得します。 100,000 行を超える大規模なプロジェクトの場合は、インデックスノイズを避けるために、maxResults を 15 ～ 20 に設定し、@folder と組み合わせて検索範囲を手動で制限することをお勧めします。

合格基準

[ ] @codebase 参照は、プロジェクト内の関連するコードスニペットを正しく取得できます。
[ ] ルール会話内でルールが有効になります (「TypeScript 厳密モードを使用する」という要件が満たされているなど)
[ ] 会話の応答は項目レベルの文脈上の理解を反映します

ステップ 5: ローカルモデル推論の統合

⏱ 推定時間: 2 ～ 4 時間 (モデルのダウンロードを含む) 🎯 目標: Ollama または LM Studio を通じてローカルのオープンソースモデルを実行し、完全なオフライン AI プログラミング支援を実現します。 ⚠️ 前提条件: ローカル GPU または Apple Silicon ハードウェア

操作説明

オンプレミスモデルは、クラウドのみのソリューションに対する Continue の主要な利点の 1 つです。 Ollama または LM Studio を通じて、開発者は Llama 3、CodeLlama、Mistral、DeepSeek Coder などのオープンソースモデルをローカルで実行し、完全にオフライン、遅延ゼロ、データ漏洩ゼロの AI プログラミングエクスペリエンスを実現できます。

具体的な操作

ルート A: Ollama を使用

Ollama をインストールします: ollama.com にアクセスして、プラットフォームに対応するバージョンをダウンロードしてインストールします。
プログラミング固有のモデルをプルします。「」バッシュ

コード補完の推奨事項

オラマプルコデラマ:7b-命令

プログラミングに関する一般的な会話の推奨事項

ollam プルディープシークコーダー:6.7b-instruct

軽量オプション

オラマプル qwen2.5-coder:7b-instruct 「」

Continue config.json に Ollama モデル構成を追加します。


{
 「モデル」: [
   {
     "title": "DeepSeek Coder ローカル",
     "プロバイダー": "オラマ",
     "モデル": "ディープシークコーダー:6.7b-命令"
   }
 】
}
「」

ルート B: LM Studio を使用する

LM Studioをダウンロードしてインストールします。
LM Studio でターゲットモデル (Qwen2.5-Coder-7B-Instruct-GGUF など) を検索してダウンロードします。

ローカル推論サーバー (Local Inference Server) を起動し、ポート番号を記録します。 4.「続行」で LM Studio バックエンドを構成します。


{
 「モデル」: [
   {
     "title": "LM Studio ローカル",
     "プロバイダー": "openai",
     "モデル": "qwen2.5-coder-7b-instruct",
     "apiBase": "http://localhost:1234/v1",
     "apiKey": "必要ありません"
   }
 】
}
「」

🔑専門家の視点: ローカルモデルとクラウドモデルは代替品ではなく、補完的なものです。推奨される階層化戦略は、毎日のコード補完や簡単な会話にはローカル 7B モデル (応答速度 < 1 秒) を使用し、複雑なアーキテクチャのレビューや詳細なリファクタリングにはクラウドフラッグシップモデルを使用します。続行では、IDE を再起動せずに、同じセッション内でのモデルの切り替えがサポートされます。ハードウェアに関しては、Apple Silicon Mac (M2+ 16GB) は 7B モデルをスムーズに実行でき、NVidia RTX 3060+ は 13B ～ 34B モデルを実行できます。ハードウェアが制限されている場合は、Qwen2.5-Coder または DeepSeek Coder シリーズの 1.5B-7B 量子化バージョンが推奨されます。

合格基準

[ ] ローカルモデルは正常に起動し、リクエストを受け入れることができます
[ ] 続行するとローカルモデルバックエンドに正常に接続できます
[ ] オフライン環境 (ネットワークから切断された状態) でも引き続きコード会話を行うことができます。

ステップ 6: チーム構成の同期とプライベート展開

⏱ 推定所要時間: 2 ～ 4 時間 🎯 目標: チームレベルの継続構成管理プロセスを確立して、複数メンバーの構成の一貫性を実現する ⚠️ 前提条件: 個人設定が完了し、検証されていること

操作説明

チーム内の複数のメンバーが Continue を使用すると、断片化された構成ファイルの管理がすぐにボトルネックになる可能性があります。このステップでは、Continue の構成をプロジェクトウェアハウスにバインドして、構成をコードとして実装します。

具体的な操作

プロジェクトレベルの設定: プロジェクトのルートディレクトリに . continue/ ディレクトリを作成し、プロジェクト固有の config.json を配置します。


{
 "モデル": [...],
 "スラッシュコマンド": [...],
 「ルール」: [...],
 "contextProviders": [...]
}
「」
Continue は、ユーザー レベル (`~/. continue/config.json`) とプロジェクト レベル (`. continue/config.json`) の設定を自動的にマージし、プロジェクト レベルの設定が優先されます。

バージョン管理への設定: . continue/ ディレクトリを Git に送信します。「」バッシュ git add .Continue/ git commit -m "雑務: 継続チーム構成を追加" 「」

機密情報の非感作: API キーの代わりに環境変数を使用します。


{
 「モデル」: [
   {
     "タイトル": "GPT-4o",
     "プロバイダー": "openai",
     "モデル": "gpt-4o",
     "apiKey": "${OPENAI_API_KEY}"
   }
 】
}
「」
CI/CD またはチームのドキュメントを介して環境変数を配布するには、「.gitignore」の「.env」ファイルを除外します。

プライベートデプロイエージェント (エンタープライズシナリオ): 統合モデルルーティングと使用状況監査が必要な場合は、Continue Hub (コミュニティバージョン) をモデルエージェントレイヤーとしてデプロイして、API キーとリクエストログを均一に管理できます。

🔑専門家の意見: Continue の「ユーザーレベル + プロジェクトレベル」の 2 層構成システムは、チームコラボレーション設計の本質です。推奨される階層戦略は次のとおりです。ユーザーレベルの設定では個人の API キーとパーソナライズされたモデル設定が保存され、プロジェクトレベルの設定ではチームの統一された Slash コマンド、ルール、およびコンテキストポリシーが保存されます。この分離により、個人がモデルを自由に切り替えることができながら、チームの核となるワークフローの手がかりは一貫したままになることが保証されます。個人レベルの構成モードのみをサポートする GitHub Copilot と比較して、Continue のチーム構成管理は、統一されたコーディング標準を必要とする中規模および大規模な研究開発チームにより適しています。

合格基準

[ ] プロジェクトレベルの . continue/config.json が Git 管理に含まれました
[ ] 別のチームメンバーは、プロジェクトをプルした後 (個人 API キーを補足した後) に設定を直接使用できます。
[ ] $ 環境変数参照は実行時に正しく置き換えられます。

期待される結果

寸法	導入前	導入後
モデルの柔軟性	単一のモデルベンダーにバインドする	クラウド/ローカルモデルを自由に切り替え
コード完了の遅延	ネットワークに応じて、200 ～ 1000 ミリ秒	ローカルモデル < 200ms、クラウドオンデマンド
チームプロンプトの単語の一貫性	口コミ、降水なし	バージョン管理された `.prompt` ファイル、すべてのメンバーは一貫しています。
データプライバシー	コードがサードパーティに送信される	ローカルモデルのアウトソーシングはゼロ。クラウドモデルはオプション
開発者あたりの月額費用	$19-20 (副操縦士/カーソル)	$0 ～ 5 (ローカルモデルの場合は無料、ボリュームに基づく API)

合格基準

[ ] 開発者は 3 つ以上のモデルを自由に切り替えることができます
[ ] 少なくとも 3 つのカスタムスラッシュコマンドをチーム内で共有できます
[ ] ローカルモデルは、オフライン環境でコード補完と対話を完了できます。
[ ] チーム構成は Git を通じて配布され、新しいメンバーは 15 分で環境セットアップを完了できます

よくある質問とトラブルシューティング

Q: Continue と GitHub Copilot/Cursor の主な違いは何ですか? A: Continue は、スタンドアロン IDE ではなく、オープンソースのプラグインです。どのモデルベンダーにも固定されず、自由な構成で任意の LLM バックエンド (ローカルで実行されているオープンソースモデルを含む) を呼び出すことができます。 GitHub Copilot は Azure OpenAI にバインドされています。 Cursor はさまざまなモデルを使用できますが、オープンソースではありません。 Continue の中核となる価値観は、構成主権とデータプライバシーです。

Q: ローカルモデルのパフォーマンスを GPT-4o と比較できますか? A: レベル 7B ～ 14B のローカルオープンソースモデルの現在のパフォーマンスは、コード補完と単純な質問と回答において GPT-4 レベルに近いですが (HumanEval スコアは約 60 ～ 75%、GPT-4 は約 85%)、複雑なアーキテクチャ推論、複数ファイルの再構築、詳細なバグ分析にはまだギャップがあります。推奨される戦略は、ローカルモデルで日常のコーディングを処理し、クラウドモデルで複雑なタスクを処理することです。

Q: チームの民営化展開の継続にはどのようなインフラストラクチャが必要ですか? A: 基本プランでは、Git リポジトリ配布設定ファイルのみが必要です (サーバーコストはゼロ)。一元化されたモデルのルーティングと使用状況の管理が必要な場合は、Continue Hub Community Edition (Linux サーバーまたは Kubernetes クラスターが必要) をデプロイし、API キーのローテーションポリシーとリクエストの監査ログを均一に構成できます。

Q: ローカルモデルの推論速度が遅い問題を解決するにはどうすればよいですか? A: ハードウェアによって下限速度が決まります。 Apple Silicon Mac は、推論効率を最適化するために MLX バックエンド (Ollama が自動的に有効になります) を使用します。 NVidia GPU は CUDA + 量子化モデル (Q4_K_M) を推奨します。ハードウェアが制限されている場合は、パラメータが 7B 以下の定量的モデルを優先し、Continue の「ストリーミング応答」モードを有効にします (デフォルトで有効)。最初のトークンの遅延後に応答の読み取りを開始できます。

Q: プロジェクト内の機密コードはクラウドにアップロードされますか? A: ローカルモデル (Ollama/LM Studio) を使用する場合、すべてのコード処理はローカルで完全に完了し、送信されるデータはゼロです。クラウド API を使用する場合、コードは HTTPS 経由で対応するモデルプロバイダーに送信されます。 Continue 自体はコードコンテンツを保存したりレビューしたりしません。エンタープライズコンプライアンスシナリオの場合は、ローカルモデルをデフォルトのバックエンドとして構成し、機密性のないモジュールにのみクラウド API を使用することをお勧めします。

進歩と拡大

マルチ IDE 同期

Continue のユーザーレベルの設定は、~/. continue/ ディレクトリに保存されます。 VS Code と JetBrains は同じ構成ディレクトリを共有します。 JetBrains に Continue プラグインをインストールすると、既存の設定が自動的に読み取られ、IDE 間でのシームレスな切り替えが実現されます。

カスタムコンテキストプロバイダー

Continue は、内部 API ドキュメント、Confluence ナレッジベース、内部 NPM パッケージドキュメントなどの外部データソースを AI 会話コンテキストに挿入するために、TypeScript を介してカスタムコンテキストプロバイダーを作成することをサポートしています。詳細な開発ガイドラインについては、Continue 公式ドキュメントの「カスタムコンテキストプロバイダー」の章を参照してください。

CI/CD の統合

Continue CLI ツールを使用すると、CI パイプラインで Continue を呼び出して、自動コードレビューやコードドキュメント生成を実行し、AI 支援機能を IDE から DevOps ワークフローに拡張できます。

モデルのルーティング戦略

エンタープライズチームは、Continue Hub を介してモデルルーティング戦略を構成できます。コードベースパス、ファイルサフィックス、またはキーワードによって異なるモデルに自動的にルーティングされます。たとえば、「src/*/.ts」ファイルは自動的に GPT-4o を呼び出し、「docs/**」ファイルは Claude を呼び出し、テストファイルはローカルモデルを呼び出します。

期間と結果

ステージ	サイクル	出力
環境設定と基本的な検証	1日	続行プラグインのインストールが完了し、デフォルトのモデルが対話型になりました。
マルチモデル構成	1日	2 ～ 4 個の LLM バックエンドを構成、モデル切り替えが可能
カスタムワークフローの沈殿	2日間	3-5 スラッシュコマンド + ルール設定、バージョン管理に含まれる
ローカルモデルの統合	1～2日	ローカル推論エンジンが実行中、オフライン支援が利用可能
チームの昇格と同期	1日	プロジェクトレベルの構成が保管され、チームの文書が完成します

注意: 上記のサイクルは、3 ～ 5 人の研究開発チームによる最初の実装の参考値に基づいています。個々の開発者はサイクルを 40 ～ 50% 圧縮できます。

ソリューションの長所と短所

利点

モデルの自由: モデルメーカーに束縛されず、いつでも複数のモデルを切り替えたり、並行して使用したりできます。
データ主権: ローカルモデルソリューションはゼロコードアウトソーシングを実現し、企業のデータコンプライアンス要件を満たします。
制御可能なコスト: オープンソースおよび無料 + ローカルモデル。チームの規模が大きくなるほど、商用ソリューションと比較して大幅な節約になります。
コードとしての設定: スラッシュコマンドとルールはファイル形式で管理され、Git のバージョン管理とチーム配布を自然にサポートします。
クロスプラットフォームの一貫性: VS Code と JetBrains は同じ構成を共有し、開発者は異なる IDE 間をシームレスに切り替えることができます。

制限事項

ローカルモデル効果の上限: 現在のオープンソースモデルは、複雑な推論タスクにおいて GPT-4o/Claude などの主力モデルに依然として遅れをとっています。
構成の複雑さ: 「すぐに使える」商用ソリューションと比較して、Continue では開発者が初期構成に時間を投資する必要があります。
ハードウェアしきい値: ローカルモデルをスムーズに実行するには、特定のハードウェア条件 (GPU または Apple Silicon) が必要です
コミュニティ主導: 一部の関数の反復はコミュニティの貢献に依存しており、関数のリリース時間は制御できません。
統一されたマーケットの欠如: VS Code 拡張機能マーケットには同じ名前/類似性を持つ複数のプラグインがあり、混乱を避けるために公式ソース (Continue.dev) からインストールする必要があります。

ツールの概要

ツール	ナメクジ	このソリューションにおける役割
Continue	継続開発	コア AI プログラミングアシスタントプラグイン
OpenAI API	オープンナイAPI	クラウド LLM バックエンド
クロード	クロード	クラウド LLM バックエンド
オラマ	オラマ	ローカルモデル推論エンジン
LM Studio	LMスタジオ	ローカルモデル管理デスクトップ
GitHub Copilot	github-copilot	比較参照オブジェクト
カーソル	カーソル	比較参照オブジェクト

群衆の誘導に適用可能

最適なシナリオ

モデル選択とデータプライバシーに対する高い要件を備えた研究開発チーム (金融、医療、政府、その他の厳しく規制されている業界)
チームのコーディング標準とワークフロープロンプトを統一したい中規模および大規模の開発チーム
オフラインまたは制限されたネットワーク環境でプログラミングする必要がある開発者
予算が限られており、低コストで AI プログラミングの支援を受けたい個人開発者またはスタートアップチーム
AI プログラミングの基礎となる相互作用メカニズムを深く理解したいテクノロジー愛好家

シーンに適さない

「すぐに使える」ことを追求し、モデルの構成に時間を費やしたくないチーム (Cursor または GitHub Copilot を選択することをお勧めします)
チームメンバーの IDE テクノロジスタックは非常に一貫性がありません (Eclipse や Vim などのエディタはサポートされていません)
AI プログラミング支援が必要なのは「時折の簡単なコード補完」のみで、カスタムワークフローは必要ないシナリオ
ハードウェアの状態がローカルモデルの実行要件を満たしておらず、クラウドを使用したくないチーム

ユーザーレビュー

レビューを読み込み中...

オープンソースの AI プログラミング アシスタントの詳細なソリューションを継続

オープンソースの AI プログラミング アシスタントの詳細なソリューションを継続

ソリューションの概要

ツールチェーンのリスト

準備

環境チェックリスト

アカウントと認証情報

知識の準備

ステップバイステップガイド

ステップ 1: プラグインのインストールと基本的な検証

操作説明

具体的な操作

合格基準

ステップ 2: 複数の LLM バックエンドの構成と切り替え

操作説明

具体的な操作

合格基準

ステップ 3: プロンプトの単語とスラッシュ コマンドをカスタマイズする

操作説明

具体的な操作

合格基準

ステップ 4: ルールとコードベースのコンテキストの構成

操作説明

具体的な操作

合格基準

ステップ 5: ローカル モデル推論の統合

操作説明

具体的な操作

コード補完の推奨事項

プログラミングに関する一般的な会話の推奨事項

軽量オプション

合格基準

ステップ 6: チーム構成の同期とプライベート展開

操作説明

具体的な操作

合格基準

期待される結果

合格基準

よくある質問とトラブルシューティング

進歩と拡大

マルチ IDE 同期

カスタム コンテキスト プロバイダー

CI/CD の統合

モデルのルーティング戦略

期間と結果

ソリューションの長所と短所

利点

制限事項

ツールの概要

群衆の誘導に適用可能

最適なシナリオ

シーンに適さない

ユーザーレビュー

オープンソースの AI プログラミングアシスタントの詳細なソリューションを継続

オープンソースの AI プログラミングアシスタントの詳細なソリューションを継続

ステップ 3: プロンプトの単語とスラッシュコマンドをカスタマイズする

ステップ 5: ローカルモデル推論の統合

カスタムコンテキストプロバイダー