VSCode Copilot 终极魔改：以智谱 GLM-5.1 为例，一文搞定任意大模型接入

优质文章学习记录

— 7 min read
VSCode Copilot 终极魔改：以智谱 GLM-5.1 为例，一文搞定任意大模型接入

VSCode Copilot 终极魔改：以智谱 GLM-5.1 为例，一文搞定任意大模型接入

前言：为何你的 Copilot 需要一次“魔改”？

本文旨在帮助所有希望突破 VSCode Copilot 模型限制、追求更高代码效率和性价比的开发者。如果你也曾面临以下困境，那么这篇文章就是为你量身打造的：

  • Copilot 官方模型不够用：想尝试最新、最强的国产模型（如智谱 GLM、文心一言、Kimi）却无从下手。
  • API 订阅成本高：官方或其他国外模型的订阅费和按量计费（通常以美元结算）让个人开发者望而却步。
  • 替代品体验有瑕疵：其他辅助插件在某些场景下不如原生的 Copilot 轻便、流畅。

本文将提供一个终极解决方案：通过一个 VSCode 插件，无缝接入任何支持 OpenAI 兼容接口的大模型。我将以当前备受瞩目的国产模型智谱 GLM-5.1 为例，手把手带你完成从申请 API Key 到在 Copilot 中成功调用的全过程。

一、核心插件：OAI Compatible Provider for Copilot

要实现我们的目标，只需要一个关键插件：OAI Compatible Provider for Copilot。

这个插件的核心作用，就是充当一个“翻译官”，让 Copilot 能够与所有使用标准 OpenAI API 格式的模型进行对话。安装它，是我们进行一切“魔改”的基础。

  1. 在 VSCode 扩展商店中搜索 OAI Compatible Provider for Copilot，也可以直接搜缩写oai。

点击安装，如图。

在这里插入图片描述

二、把智谱 GLM-5.1 注入 Copilot

接下来，我们以接入智谱 GLM-5.1 为例，详细演示配置过程。此方法同样适用于 Kimi、DeepSeek、文心一言等其他所有提供 OpenAI 兼容接口的国产模型。

2.1：获取智谱 GLM-5.1 的 API Key

首先，我们需要从智谱 AI 官方获取访问模型的“钥匙”。

  1. 前往智谱AI官网获取GLM-5.1：智谱AI开放平台
  2. 注意，国内限售时，可以考虑去智谱国际版官网，国际的GLM-5.1不限售：Z.ai 智谱国际版官网
  3. 注册/登录并创建 API Key：登录后，按照下图指示，依次点击 右上角头像 -> API Keys -> + 创建新的 API Key。

复制 Key：创建成功后，系统会生成一串 API Key 字符。立即点击复制按钮，等着下一步使用。

在这里插入图片描述

命名并保存：为你的 Key 输入一个好记的名称（例如 vscode-copilot-key，图示中我起名是ClaudeCode），点击确认。

在这里插入图片描述

2.2：在 VSCode 中配置插件

拿到了 API Key，我们回到 VSCode 进行配置。

  1. 找到插件配置：在搜索框中输入 oai, 然后打开它的设置界面。
  2. 在设置界面填写OpenAI兼容的API接口地址，注意包月计划的地址不要写错：
    • 购买了智谱GLM Coding Plan包月计划的填写(如图)，一定要填正确，否则会按tokens消耗量扣费： https://open.bigmodel.cn/api/coding/paas/v4
    • 没买智谱包月计划的，走传统的按tokens消耗扣费的，填写这个地址： https://open.bigmodel.cn/api/paas/v4
    • DeepSeek的地址是： https://api.deepseek.com/v1

Kimi的地址是： https://api.moonshot.cn/v1

在这里插入图片描述

2.3：在 Copilot 中启用并使用新模型

最后一步，让 Copilot 认识我们的新伙伴。

  1. 打开 Copilot Chat：点击 VSCode 顶边栏的 Copilot 图标。

在Copilot Ctrl + I 中切模型为GLM-5.1：如图，不说了，命令行唤起同样适用。

在这里插入图片描述

在Copilot Chat切换模型为GLM-5.1：模型列表中选择GLM-5.1，然后向他问好一下，如果能收到答复，就证明大功告成。

在这里插入图片描述

模型列表勾选你想用的即可：如果你的Base URL 和 API Key都配置正确，这里就会弹出模型列表，勾选后点击OK, 配置工作就基本完成了。

在这里插入图片描述

重新进入OAI Compatible选择模型：填入API Key后界面会消失，不要怕，重新 打开 Copilot Chat -> 打开 Manage Models -> 选择OAI Compatible(不要选小齿轮哦，小齿轮是配置API Key的)。

在这里插入图片描述

填入上一步申请好的API Key：在弹出的设置窗口，输入你的API Key，然后回车确认。

在这里插入图片描述

选择 OAI Compatible 齿轮：在弹出的模型供应商中，可以看到 [OAI Compatible] 。点击它右侧的小齿轮，后续如果你要修改为其他模型的话也是点击这个小齿轮。

在这里插入图片描述

打开 Manage Models：把模型列表打开，然后点击列表最下面的 Manage Models 按钮。

在这里插入图片描述

至此，大功告成！如需要更加自定义和灵活的配置，就自行阅读OAI插件的使用说明吧，我这里就不细说了。这个插件也是开源的，可以直接去仓库学习用法：https://github.com/JohnnyZ93/oai-compatible-copilot

三、总结与拓展

通过本文的详细步骤，我们成功地将强大的智谱 GLM-5.1 模型集成到了 VSCode Copilot 中，实现了：

  • 突破生态限制：让 Copilot 不再局限于官方模型，拥抱更广阔的模型生态，尤其是优秀的国产大模型。
  • 极致性价比：通过直连官方 API 并按量付费，我们可以更经济、更灵活地使用 AI 辅助编程，告别昂贵的固定订阅。
  • 原生体验：所有操作都在 VSCode 和 Copilot 的原生框架内完成，无需适应新的工具和工作流。

这种方法具有极强的可拓展性。今天我们以 GLM-5.1 为例，明天你就可以用同样的方式接入 Kimi 的长文本能力，或是 DeepSeek 的代码专项能力。你只需要找到对应厂商的 Base URL 和申请 API Key，就能无限拓展你的 Copilot 工具箱。

希望这篇教程能为你打开一扇新的大门。如果你在配置过程中遇到任何问题，或是有更好的模型推荐，欢迎在评论区与我交流！

Read more

在 NVIDIA DGX Spark部署 Stable Diffusion 3.5 并使用ComfyUI

在 NVIDIA DGX Spark部署 Stable Diffusion 3.5 并使用ComfyUI

📖 前言 随着 NVIDIA Blackwell 架构的问世，DGX Spark (Personal AI Supercomputer) 将桌面级 AI 算力推向了新的巅峰。这台怪兽级设备搭载了 GB200/GB10 级别的 GPU 和 NVIDIA Grace CPU (ARM64)，并运行在最新的 CUDA 13 环境下。 然而，“最强硬件"往往伴随着"最难环境”。由于 Grace CPU 采用 ARM (aarch64) 架构，且 CUDA 13 过于前沿，传统的 PyTorch 安装方法极易失败。 本文将手把手教你如何在这台超级计算机上部署 Stable Diffusion

揭秘！AI应用架构师眼中的智能Web3应用开发框架精髓

揭秘！AI应用架构师眼中的智能Web3应用开发框架精髓 关键词：智能Web3应用, AI与区块链融合, 去中心化AI架构, 智能合约开发, Web3开发框架, AI模型链上集成, 去中心化应用(DApp)设计 摘要：当人工智能(AI)的"智慧大脑"遇上Web3的"去中心化灵魂"，会碰撞出怎样的创新火花？本文将以AI应用架构师的第一视角，深入剖析智能Web3应用开发框架的核心精髓。我们将从"传统互联网到Web3的进化史"讲起，用生活类比揭开Web3与AI融合的神秘面纱，系统讲解智能Web3应用的"五脏六腑"架构设计、AI模型与区块链交互的"对话语言"、以及实战开发中的"避坑指南"。无论你是Web3开发者、AI工程师，还是对下一代互联网好奇的技术爱好者，这篇文章都将带你透过架构师的眼睛，看到智能Web3应用开发的全景蓝图—
【机器人】ROS2 功能包创建与 CMake 编译链路探秘

【机器人】ROS2 功能包创建与 CMake 编译链路探秘

🔥大奇个人主页 ：https://blog.ZEEKLOG.net/m0_75192474?type=blog ⚡本文所属专栏：https://blog.ZEEKLOG.net/m0_75192474/category_13131150.html ros2 pkg create 是 ROS2（Robot Operating System 2）中用于快速初始化功能包的官方核心命令行工具。其核心作用是自动生成功能包所需的完整目录结构、配置文件及可选示例节点，避免手动创建文件和配置的繁琐操作，大幅提升开发效率。 该命令支持两种主流构建类型（C++/Python），可直接指定依赖包、维护者信息、开源协议等关键配置，生成的功能包完全符合 ROS2 官方规范，可直接用于编译、运行及后续开发扩展 ⏰ 创建工作空间 首先需要再主目录中新建一个文件夹，带src目录 mkdir-p test_ws/
NWPU VHR-10数据集 无人机遥感目标检测数据集 飞机 储罐 棒球场 网球场篮球场 港口车辆桥梁检测 遥感图像中的地理空间目标检测

NWPU VHR-10数据集 无人机遥感目标检测数据集 飞机 储罐 棒球场 网球场篮球场 港口车辆桥梁检测 遥感图像中的地理空间目标检测

NWPU VHR-10数据集 遥感数据集 NWPU VHR-10数据集是 10个类别地理空间目标检测的挑战性数据集，共650张图片。 YOLO和COCO格式 数据集按默认划分比例：390张训练集、130张验证集、130张测试集。 手动标注了757架飞机、302艘船只、655个储罐、390个棒球场、524个网球场、159个篮球场、163个田径场、224个港口、124座桥梁和598辆车辆。 📊 一、数据集总体信息 项目描述数据集名称NWPU VHR-10（Northwestern Polytechnical University Very High Resolution 10-class Dataset）任务类型遥感图像中的地理空间目标检测（Object Detection in Remote Sensing Images）图像总数650 张（均为高分辨率遥感图像，源自 Google Earth 等平台）图像分辨率约 600×600