企业官网建设流程全解析

如果你最近在折腾 AI 编程，很容易遇到一个典型问题：一个插件绑定一个模型，想换模型就要换插件，甚至要换 IDE。想在模型之间比较效果，真正消耗精力的不是写提示词，而是来回切换工具和上下文。

今天要聊的 fish code，是 VS Code 里的一类 AI 编程 Agent 插件。它和普通补全插件最大的区别，不是多给几条代码建议，而是它能像临时同事一样，自己读项目代码、改文件、执行命令，再根据运行结果继续调整。再加上“更多模型支持”这个定位，意味着你可以在一套工作流里，根据任务类型选合适的模型，而不是被锁死在单一模型上。

这篇文章不会只贴安装步骤。我会把 AI 编程 Agent 的工作原理、多模型支持的价值、安装配置流程、典型任务示例、常见问题和安全边界一次说清楚。读完你能判断：这类插件适不适合你现在的工作流，以及如何在真实项目里安全用起来。

1. 这篇文章真正要解决的问题

先说一个真实的开发场景。假设你在改一个 Spring Boot 项目，需求是新增一个带权限校验的接口。传统做法是你先找到 Controller、Service、Mapper，手动改三层代码，再写单元测试，然后启动服务验证。这个过程不算难，但很琐碎，尤其是面对一个不熟悉的项目时，光是把目录结构和调用链摸清楚，就要花不少时间。

AI 编程插件想解决的就是这个环节的耗时问题。但市面上的插件很多，初看体验都差不多：选中代码，问一句，得到一个回答。真正拉开差距的，是插件能不能理解你的项目上下文，以及能不能连续执行多步操作。

fish code 这类“AI 编程 Agent”插件，解决的是三个具体问题：

第一，上下文不连续。普通聊天式插件每次回答都是“一次性”的，你让它改完 Controller，还要再手动告诉它 Service 在哪。Agent 则能自己定位文件、读取代码、修改并验证。

第二，模型选择受限。有的插件只支持单一模型，模型能力不够时，你只能忍受，没法换。fish code 强调“更多模型支持”，在实际使用中意味着你可以按任务切换模型，而不是被绑定。

第三，操作停留在“建议”而不是“执行”。普通插件给你代码片段，你自己复制粘贴；Agent 模式可以直接改文件，由你 review 后再决定是否保留。

所以，这篇文章更适合下面几类读者：

• 已经在用 VS Code，但觉得 AI 插件只停留在“聊天问答”，想要更深入的 Agent 自动化。
• 手上同时有几个模型可用，希望统一在一个编辑器里按需切换，而不是开多个工具。
• 在团队里负责引入 AI 编程工具，需要评估这类插件的安装、配置和安全隐患。

如果你只是偶尔用 AI 询问一段算法怎么写，Agent 插件可能有些“杀鸡用牛刀”。但如果你想把它嵌入日常开发流程，这篇文章会把关键环节都拆开讲。

2. fish code 是什么：从补全、聊天到 Agent

在继续之前，先对齐几个基础概念，否则后面看配置和用法容易懵。

2.1 AI 编程插件的三个层次

VS Code 的 AI 编程插件，大体经历了三个阶段。

第一个阶段是自动补全。代表类型是 Tabnine 和早期 Copilot 的代码补全模式。它的工作方式很简单：根据你当前文件和最近代码，预测下一段代码。优点是速度快、干扰小；缺点是它不理解全局需求，只会“顺着写”。

第二个阶段是聊天问答。你可以选中代码，让 AI 解释、重构或者找 bug。它比补全更进一步，但仍然是一个“你问一句、它答一句”的交互模式。很多插件做的是这个层面。

第三个阶段是Agent 化。Agent 不再只是回答问题，而是被赋予一个任务后，会自己规划步骤：读取项目文件、理解代码结构、修改多个文件、执行命令、查看报错并重试。这就像你交给一个初级工程师一个任务，他会自己干活，干完再找你 review。

fish code 在标题里明确写了“AI 编程 Agent 插件”，按其定位，它更接近第三个阶段。这不是一个纯补全工具，而是一个能理解项目并完成“执行类任务”的助手。

2.2 Agent、Skill 与模型是什么关系

聊到这里，顺便把几个容易混淆的概念说清楚。

• 模型（Model）：真正做推理和生成代码的引擎。常见的有 GPT、Claude、Qwen、DeepSeek、GLM 等。不同类型的模型，在代码推理、工具调用、中文理解上各有差异。
• Agent（智能体）：一个能调用模型，并根据任务自己决定下一步操作的系统。它不只是“问答”，它能访问文件系统、执行命令、读取结果。你给它目标，它负责拆解步骤。
• Skill（技能）：一组预设的指令或工具能力。比如“这是一个 Spring Boot 项目，请使用三层架构生成代码”，可以封装成一个 Skill。Skill 让 Agent 不只是“通用聊天”，而是“懂特定项目规范”。

很多新手容易把 Agent 和模型混在一起。其实模型是“大脑”，Agent 是“身体”。大脑负责思考，身体负责动手。fish code 强调“更多模型支持”，相当于给同一个身体更换不同大脑，让开发者在不同任务上选择最合适的那一个。

2.3 为什么 Agent 需要项目上下文

普通聊天插件无法高效完成真实开发任务，核心原因是缺少项目上下文。它不知道你的包名、目录结构、Java 版本、依赖版本，只能根据你贴的一小段代码做本地推断。

Agent 插件会读取工作区文件，建立项目索引，再结合你当前的提问来定位相关代码。这类插件一般会做这几件事：

• 扫描工作区目录结构。
• 读取关键配置文件，比如 package.json、pom.xml、requirements.txt。
• 在对话过程中按需读取目标文件。
• 修改文件后，通过编译或测试命令来验证。

因此，在使用这类插件时，项目目录结构是否规范、是否能被正常扫描，会直接影响它的效果。一个仓库里塞满 node_modules 或 target 目录的项目，Agent 很容易被无关文件干扰。

3. “更多模型支持”到底解决了什么问题

如果你只用过一个模型，可能感受不到多模型支持的差异。但在真实开发中，模型选择的影响比很多人想象中更大。

3.1 不同模型在不同任务上的差异

代码生成、Bug 定位、重构、代码解释、测试生成，这些任务对模型的侧重点并不相同。有的模型在复杂推理和工具调用上更强，适合让它自主执行多步骤任务；有的模型更轻量，响应速度快，适合做代码补全和简单问答；还有的模型在中文理解上有优势，适合处理中文注释或需求描述。

如果把所有任务都交给同一个模型，你实际上是在妥协。要么接受复杂任务能力不够，要么为简单任务承担更高的延迟和成本。多模型支持的思路是：把任务路由到合适的模型上。

3.2 成本、速度与质量的平衡

从工程角度看，模型选择本质是三类指标的权衡：

一个支持多模型的插件，能让你在项目初期用质量更高的模型做架构设计和复杂重构，在写简单工具函数时切换到更快更便宜的模型。这种“按需组合”的方式，比“一刀切”更接近真实工程需求。

3.3 统一接口降低了切换成本

多模型支持还有一个容易被忽略的价值：统一交互接口。如果每个模型都有自己的客户端，你就要学习多套操作流程，上下文也无法复用。而在一个插件里切换模型，你保留的是同一个对话上下文、同一套项目路径、同一种操作习惯。

这也是我认为 fish code 这类插件值得关注的原因之一。它真正解决的问题不是“又多了一个模型”，而是“你不需要因为一个模型不好用就换工具”。

4. 环境准备与安装

接下来进入实操部分。本文将演示在 VS Code 中安装配置 AI 编程 Agent 插件并使用的通用流程。

4.1 前置环境说明

在开始之前，你需要准备以下环境：

这里特别提醒：具体插件版本和 API 接入方式请以实际 VS Code 扩展市场页面为准。AI 插件迭代速度非常快，今天写版本号明天就可能过期，本文重点讲通用思路。

4.2 安装插件的两种方式

第一种：在 VS Code 扩展面板中搜索“fish code”，找到对应扩展，点击 Install 安装。这是最直观的方式。

第二种：在 VS Code 中打开命令面板，按Ctrl+Shift+P（macOS 为Cmd+Shift+P），输入Extensions: Install Extensions，再搜索插件名称。

安装完成后，建议重启 VS Code 或重新加载窗口，确保插件正确激活。可以用命令面板里的Developer: Reload Window完成重载。

4.3 准备 API Key

多数 AI 插件不会内置免费模型，需要你自己配置 API Key。获取流程通常是：在模型服务商平台创建账号，生成一个 API Key，然后在插件配置中填入。

这里有几个基础建议：

• 不要把 API Key 写在聊天框里，应该写进 VS Code 配置或环境变量。
• 不要用团队公共账号的 Key 做本地测试，避免超出配额或产生意外费用。
• 如果项目是公共仓库，务必确认配置文件不会被提交到 Git。

具体配置方法见下一节。

5. 基础配置：settings.json 与模型接入

安装完成后，第一步是让插件知道你该用哪个模型，以及怎么调用它。

5.1 最小配置示例

大多数 VS Code 插件会把配置项暴露在settings.json中。你可以通过Ctrl+,打开设置，再点击右上角的“打开设置 JSON”图标来编辑。

下面是一个典型的最小配置结构：

{ "fishCode.enable": true, "fishCode.model": "qwen-plus", "fishCode.apiKey": "${env:FISHCODE_API_KEY}", "fishCode.workspace": "${workspaceFolder}" }

说明：

• fishCode.enable：是否启用插件，默认开启。
• fishCode.model：默认模型。
• fishCode.apiKey：推荐引用环境变量，而不是硬编码密钥。
• fishCode.workspace：插件要读取的项目根目录，默认是当前工作区。

如果你不想在 JSON 中引用环境变量，也可以在系统环境变量中直接设置，然后在配置里只填占位符。这样即便配置被误提交，也不会泄露真实 Key。

5.2 多模型配置示例

如果插件支持多模型列表，你通常会维护一个“模型映射表”。例如：

{ "fishCode.models": { "default": { "provider": "qwen", "model": "qwen-plus", "apiKey": "${env:QWEN_API_KEY}" }, "fast": { "provider": "qwen", "model": "qwen-turbo", "apiKey": "${env:QWEN_API_KEY}", "temperature": 0.2 }, "reasoning": { "provider": "custom", "model": "deepseek-r1", "apiKey": "${env:DEEPSEEK_API_KEY}", "temperature": 0.1 } } }

这是一个典型的按用途拆分方式：

• default：日常默认模型，综合能力平衡。
• fast：简单任务，响应更快，成本更低。
• reasoning：复杂推理任务，比如代码架构分析，要求更强推理能力时使用。

注意，不同插件对“模型配置”的字段结构定义不同，上面的字段名只是示例。你要以插件 README 里的说明为准，但配置思路是通用的：把模型 API、名称、参数独立成配置，方便切换和分享。

5.3 温度与上下文参数

模型生成代码时有一个重要参数叫 temperature，控制随机性。

• temperature=0：输出更确定，适合重构、格式转换。
• temperature=0.7~1.0：输出有更多变化，适合想思路、写草稿。

对写代码，我的建议是设置得低一点，尽量在 0.2 以下，减少“看似合理但其实是编造”的情况。

另外，插件通常会有一个“最大上下文长度”的设置。如果你的项目代码量大，单次对话不能塞入所有文件，插件可能会自动截断或分段读取。这个参数可以在配置里调大，但要注意：更大的上下文意味着更高的 token 消耗和更慢的响应。

6. 一个完整的 Agent 任务示例

配置完成后，我们用一个小任务来理解 Agent 的工作方式。

6.1 任务场景

假设你在一个 Python FastAPI 项目里，想要新增一个健康检查接口/health，返回服务状态和当前时间。

传统做法：自己找到路由文件，写一个函数，然后加测试，启动服务验证。

Agent 做法：你只需要描述需求，Agent 自己完成“找文件 → 改代码 → 加测试 → 运行验证”的链路。

6.2 提示词示例

在插件对话面板中，你可以输入类似下面的提示词：

在当前 FastAPI 项目中新增一个 /health 接口。 要求： 1. 返回 JSON，包含 status 和 current_time 两个字段。 2. 不修改现有路由的路径。 3. 在 tests 目录中为它补充一个简单的单元测试。 4. 修改完成后，运行 pytest 验证测试通过。

注意，这里不是随便写一句“加个接口”就结束，而是给了四个约束。Agent 的效果很依赖你对任务的描述质量。

四个约束背后的原因：

• 返回字段：明确输出结构，避免模型自由发挥。
• 不修改现有路由：防止 Agent 在改代码时破坏已有功能。
• 补充单元测试：让 Agent 不只是写代码，还要可验证。
• 运行验证：让 Agent 自己检查结果，而不是只生成代码片段。

6.3 Agent 的典型执行路径

当你发送这个提示词后，Agent 一般会按下面的路径执行：

1. 扫描项目目录，找到main.py或app.py等入口文件。
2. 读取路由定义，确定如何新增/health。
3. 修改代码，新增接口。
4. 读取现有测试文件，参考测试风格来写新测试。
5. 在终端执行pytest，捕获运行结果。
6. 如果测试失败，读取错误信息并尝试修复。
7. 最终汇报修改了哪些文件、测试结果如何。

这个过程中，Agent 是否能正确理解项目结构，直接决定了它能不能完成第 2 步和第 4 步。如果你项目里存在多个同名文件、缺少明确的入口，它可能会改错文件。所以，第一次使用 Agent 功能时，不要拿大型老项目练手，先在一个小型项目上跑通流程。

6.4 生成结果后怎么 Review

Agent 可以自动改代码，但你仍然要对结果负责。每次 Agent 完成任务后，建议按这个顺序检查：

• 查看 Git diff，确认它改动的文件都在预期范围内。
• 确认没有改到与任务无关的文件。
• 检查新增代码是否符合项目的编码规范。
• 如果它运行了命令，确认命令本身没有风险。
• 最后再手动执行一次测试或构建。

这里给一个非常实用的建议：使用 Agent 前先创建一个 Git 分支。这样如果它改乱了，可以一键丢弃。

git checkout -b feature/ai-health-endpoint

这是一个低成本的安全措施。AI Agent 的修改不是“建议”而是“实际写入了文件”，没有版本控制保护的话，出问题很难恢复。

7. 运行结果与效果验证

Agent 执行完后，你需要验证它是否真的完成了任务。这里演示通用的验证命令。

7.1 查看代码变更

在终端中执行：

git diff

你会看到新增了/health接口以及对应的测试文件。如果改动符合预期，说明 Agent 理解正确。

7.2 运行测试

FastAPI 项目通常使用 pytest 作为测试工具：

pytest tests/ -v

预期输出中会包含test_health或类似名称的用例，并且结果应为PASSED或1 passed。

7.3 手动请求接口

启动服务后，用 curl 验证接口：

curl http://127.0.0.1:8000/health

预期返回 JSON：

{ "status": "ok", "current_time": "2025-06-02T10:15:30" }

如果请求返回 200 且字段正确，说明 Agent 的修改真实可用。

7.4 如果失败，第一步看哪里

• 先看终端里 pytest 或编译器的错误信息，定位是语法错误还是逻辑错误。
• 再查看 Agent 修改过的文件，是否在正确位置。
• 最后检查项目的依赖是否齐全。很多时候失败不是 Agent 改错了，而是测试环境缺少依赖。

8. 常见问题与排查方法

在实际使用 AI 编程 Agent 插件时，下面这些问题出现频率最高。

这里要特别解释一下“连接超时”这个高频问题。很多情况下，不是插件有问题，而是 API 服务本身不可达，或者本地网络环境限制了访问。排查时先不要盯着 VS Code，先用命令行方式直接请求 API，如果命令行都通不了，那问题就不在插件，而在网络或密钥配置。

另外一个容易被忽略的问题是Context 超限。Agent 在生成过程中会不断累积上下文，如果项目文件很多，或者对话历史很长，就可能超出模型窗口。此时 Agent 会出现“答非所问”“重复执行”或直接中断。你可以先新建一个会话，再把任务拆小，不要在一个会话里连续做多次大改动。

9. 使用边界与安全注意事项

AI 编程 Agent 比普通补全工具更有能力，也意味着更大的使用风险。下面几点是实际项目落地时最容易踩的坑。

9.1 不要让 Agent 自动执行危险命令

Agent 为了验证代码，可能会执行测试、安装依赖甚至启动服务。如果你在一个生产环境目录中使用 Agent，风险会成倍放大。

安全边界建议：

• 只在本地开发环境或沙箱环境使用 Agent 自动执行能力。
• 涉及生产环境的变更，不要让 Agent 直接执行。
• 如果工具支持“自动批准”模式，不要默认开启。先选择需要确认的模式，观察几次 Agent 的行为，再决定是否放宽。

9.2 最小权限原则

给 Agent 分配的能力越少，它造成误操作的可能性越低。在配置时，你可以尽量限制它的权限范围：

• 只让它读取当前工作区，而不是整个文件系统。
• 不让它在没有提示的情况下修改工作区之外的文件。
• 对依赖安装、数据库迁移等高风险命令保持手动确认。

9.3 所有改动必须可回滚

只要是 Agent 自动改文件，哪怕只是格式化代码，也应该先提交或备份。推荐工作流：

git add . git commit -m "feat: add /health endpoint"

这之后你可以在 commit 前检查 diff，也可以随时git checkout .丢弃改动。

9.4 防范密钥泄露

插件如果要调用 API，API Key 是必备的。常见泄露途径包括：

• 把 Key 写死在配置文件中，然后提交到公共仓库。
• 截图分享时没有打码。
• 在群里或文档里贴出配置内容。

更稳妥的做法是用环境变量或 VS Code 的 SecretStorage 存储密钥。团队项目中，可以使用环境变量模板，让每个成员自己填 Key，而不是把真实 Key 放在仓库里。

9.5 对生成代码保持审查

AI 生成的代码看起来合理，不代表没有问题。它可能生成不存在的包名，可能忽略异常处理，也可能在边界情况下出错。特别是涉及权限、支付、数据安全等核心逻辑，必须由有经验的工程师 review 后才能合入。

一个实用的判断标准是：你会让一个刚入职的初级工程师直接提交代码吗？如果不会，同样的标准也应该适用于 Agent。

10. 最佳实践与工程建议

10.1 从小项目开始验证

第一次使用 AI 编程 Agent 时，不要一上来就处理公司核心项目。建议先在个人项目或一个 demo 项目里跑通流程，观察它如何处理多步骤任务，评估是否需要调低 temperature、是否需要修改默认模型。

10.2 写好任务描述是核心技能

Agent 的效果好不好，七成取决于提示词质量。高效的 Agent 提示词通常包含：

• 任务目标：你要实现什么。
• 边界条件：不能改什么。
• 验证方式：怎么判断完成。
• 输出格式：代码、测试还是文档。

比“加一个接口”好得多的描述是“在app/routers/user.py中新增/users/{id}接口，返回用户信息，并在tests/test_user.py中补充一个正常流程的测试”。

10.3 为不同任务配置不同的模型

根据第 3 节的分析，建议把任务粗略分成三类：

当然，具体哪些模型适合哪类任务，需要你在实际项目中比较。不同团队的项目复杂度不同，模型表现也会不同。

10.4 建立团队使用规范

如果团队要统一引入 AI 插件，建议提前约定：

• 哪些命令必须人工确认，比如发布、迁移、删除操作。
• Agent 改代码后，是否需要强制开启 PR review。
• API Key 如何统一管理，谁能看到。
• 是否允许 Agent 自动执行测试和安装依赖。
• 每周统计一次模型调用费用，防止异常消耗。

这些规范不必很复杂，但要在所有人都开始使用之前定好。否则一旦有人把 Agent 用在了生产环境上，风险就会迅速扩散。

10.5 关注插件更新与模型能力变化

AI 编程领域迭代非常快。插件可能每个月都发布新版本，模型能力也在持续升级。建议你在使用一段时间后：

• 定期查看插件更新日志，了解新功能和安全修复。
• 重新评估当前模型组合是否已经过时。
• 每季度做一次小规模的模型效果对比，而不是一直沿用最初的配置。

11. 总结

回到最开始的问题：我们为什么需要关注 fish code 这类 VS Code AI 编程 Agent 插件？

因为 AI 编程正在从“问答式助手”走向“任务执行 Agent”，这中间的变化不只是交互方式，而是开发者工作流的改变。你不再需要自己定位文件、手动粘贴代码、反复复制上下文。你给 Agent 一个目标，它会自己拆解步骤、修改文件、运行验证，然后把结果交给你 review。

这类工具的关键能力之一是“更多模型支持”。多模型不是炫技，而是让你在成本、速度、质量之间找到更适合业务的组合。你可以在一个完整流程内自由切换思考模型和快速模型，而不是为了换一个模型就要换一个工具。

当然，使用这类工具要格外重视安全边界。Agent 的实际权限越强，风险就越高。合理的做法是在小项目中验证、在分支上操作、保留版本控制、审查每一步改动，并且遵循最小权限原则。

下一步，建议你先在自己的常用项目里安装插件，从一个任务开始跑通流程，比如新增一个接口、补充一份单元测试，或者重构一个模块。先把基本路径走通，再逐步扩展到更复杂的任务。

AI 编程工具能改变我们的开发方式，但前提是我们理解它的原理和风险。不是所有任务都适合交给 Agent，也不是所有模型都适合干同一件事。把合适的模型放到合适的任务上，把合适的权限交给合适的工具，这才是 AI 编程插件在真实项目里最有价值的用法。