VSCode 中 C/C++ 安装、配置、使用全攻略：小白入门指南

Ne0inhk

— 8 min read
VSCode 中 C/C++ 安装、配置、使用全攻略：小白入门指南

引言

本文为Windows系统下安装配置与使用VSCode编写C/C++代码的完整攻略，示例机器为Windows11。
通过本文的指导，你可以成功在Windows 机器上上使用VSCode进行C/C++开发。

在文章开始之前，你可以先阅读下面这段话，以便于对步骤有个大致的了解：

首先，从VSCode官网下载并安装VSCode，确保安装路径为全英文；接着，下载并安装MinGW，以提供GCC等编译器，确保其路径也为全英文；然后，配置MinGW的环境变量，使系统能够识别GCC编译器；最后，在VSCode中安装必要的C/C++插件，创建并编译一个简单的C++程序，验证配置的正确性。

文章目录

一、VSCode下载安装

首先进入👉VSCode官网
或者直接网页搜索

进入之后，点击右上角的 Dowload

在这里插入图片描述

然后点击如下图所示 第二个
（不要直接Windows下载按钮）

在这里插入图片描述


然后就可以看到正在下载了
下载完成之后进入下一步

注意：
VSCode的下载路径一定是要全英文的
VSCode的下载路径一定是要全英文的
VSCode的下载路径一定是要全英文的
不然的话后面编译的时候报错，再想改就比较麻烦了

二、MinGw下载安装

为什么需要MinGW？
因为Windows系统本身未内置C++编译器，而VSCode只是一个空壳，它是编辑器无编译功能，MinGW能提供GCC等编译器，可在Windows上实现C++代码编译

首先进入👉MinGW官网
然后根据下面的图片一步步操作，来下载

在这里插入图片描述


在这里插入图片描述
在这里插入图片描述


在这里插入图片描述

进入GitHub获取下载链接

在这里插入图片描述

注意
这里看好，不要下错了
要下载的版本是
x86 64-15.1.0-release-posix-seh-ucrt-rt_v12-rev0.7z

在这里插入图片描述
在这里插入图片描述


点击之后，等待下载完成即可
下载完成之后，建议把MinGW也放到和VSCode一个路径下，为了方便后面查找
MinGW的路径也必须是全英文的

三、MinGw配置环境变量

配置环境变量是为了让系统在任何路径下都能找到MinGW提供的编译器等工具，方便在命令行或编辑器中直接执行编译命令

首先，回到桌面
右击我的电脑，点击属性

在这里插入图片描述


然后点击高级系统设置
我这里是Windows11，Windows10的高级系统设置的位置可能略有不同

在这里插入图片描述


点击环境变量

在这里插入图片描述

在下方系统变量里
找到path变量 双击打开它

在这里插入图片描述

然后点击右上方 新建

在这里插入图片描述


这里将你的MinGW的bin文件的路径复制过去即可，如下图所示
这里最后再检查一下你的路径是否是全英文的

在这里插入图片描述

然后，返回到桌面，键盘按下win +R
呼唤出Windows的命令对话框
输入 cmd ，点击确定

在这里插入图片描述


输入 gcc -v

在这里插入图片描述


在这里插入图片描述


在命令行中执行gcc -v 能正常输出版本等相关信息 ，包括 GCC 版本号（这里是 15.1.0 ）、目标架构（x86_64-w64-mingw32 ）、配置选项、线程模型（posix ）等内容，说明系统已识别到 GCC 编译器，也就意味着 MinGW 安装是有效的，可以用来进行 C/C++ 等语言的编译工作

常见问题：如果提示"不是内部或外部命令"，请检查：

  • 环境变量是否配置正确
  • 是否重启了命令行窗口
  • 路径是否包含中文或特殊字符

至此，MinGw的环境变量配置成功

四、VSCode编写/编译 C/C++代码

接下来，打开VSCode

汉化

点击左边的扩展–搜索Chinese - 安装汉化插件
（我这里是已经安装好了）

在这里插入图片描述

C/C++插件安装

我们还需要安装三个插件来帮助我们高效的敲代码

  • C/C++ ：提供代码智能补全、语法高亮、错误检查、调试支持等功能 ，助力高效开发 C/C++ 程序，还支持跨平台开发及远程代码编辑调试。
  • C/C++ Themes：不涉及代码功能实现，提供一系列专为 C/C++ 开发优化的颜色主题，可减轻长时间编码视觉疲劳，便于通过颜色区分代码结构，提升编码体验。
  • C/C++ Extension Pack ：是一个扩展包集合，包含 C/C++ 等常用扩展，安装它相当于一站式安装多个对 C++ 开发有用的扩展，涵盖代码编辑、调试、主题等多方面支持 。

安装下图三个插件

在这里插入图片描述

测试与使用

在本地你的代码保存路径下，创建一个文件夹来保存系列代码（最好是全英文路径，避免不必要的麻烦）
然后，在VSCode，点击左上角文件–打开文件夹

在这里插入图片描述


再点击 新建文件夹
创建一个你准备存储这次代码文件的文件夹

在这里插入图片描述


右键 点击新建的文件夹
点击 新建文件
这里的文件类型取决于你的文件后缀
比如我这里以.cpp为后缀 就是C++文件

在这里插入图片描述


然后随便编写一段测试代码

在这里插入图片描述

点击所图所示的 调试/运行
点击 调试C/C++文件

在这里插入图片描述


然后在上面弹出来的选择框里
因为这里是C++文件，
所以 选择g++ 编译

在这里插入图片描述


之后，看到终端输出 hello world
就表示可以正常编译了

在这里插入图片描述

至此，大功告成
你的VSCode已经可以完成基础的编辑/编译/运行了
其他更多的功能，比如其他插件，主题、字体、颜色、背景等
可以自己慢慢探索

结语

通过本指南，您已成功配置了 VSCode 的 C/C++ 开发环境。接下来可以：

  • 探索更多 VSCode 功能（如 Git 集成、代码片段等）
  • 学习现代 C++ 特性（C++11/14/17/20）
  • 尝试构建更复杂的项目

如有任何问题，欢迎在评论区留言讨论。如果本指南对您有帮助，请点赞收藏支持作者！

Read more

OpenClaw 完整搭建指南：从零开始打造你的 AI 助手

OpenClaw 完整搭建指南：从零开始打造你的 AI 助手

OpenClaw 完整搭建指南：从零开始打造你的 AI 助手 本文基于实际部署经验，详细介绍 OpenClaw 的安装、配置 GitHub Copilot / Qwen 模型、接入钉钉、解决常见问题，以及搭建本地模型的完整流程。 目录 1. 什么是 OpenClaw 2. 环境准备与安装 3. 配置模型提供商 4. 接入钉钉机器人 5. 钉钉插件常见问题与解决方案 6. 日常使用技巧 7. 搭建本地模型（llama.cpp） 8. 总结与资源 一、什么是 OpenClaw OpenClaw 是一个开源的 AI 助手框架，可以： * 🤖 接入多种大模型（Claude、GPT、Qwen、本地模型等）

By Ne0inhk
构建AI临床副驾驶：基于Go的电子病历智能助手与HIS对接实战（上）

构建AI临床副驾驶：基于Go的电子病历智能助手与HIS对接实战（上）

摘要 本文旨在为医疗信息化开发者提供一套可落地的“AI临床副驾驶”设计方案，通过Go语言构建一个轻量、高效的中间层服务，与医院现有的HIS/EMR系统无缝对接。我们聚焦于三个典型智能场景——复诊记忆延伸、首诊导航提醒、病历质控与术语规范，展示如何在不侵入原有系统的情况下，为医生提供实时、精准的辅助决策信息。文章涵盖总体架构设计、多种HIS对接方式（REST/HL7/FHIR/DB视图）、接口契约定义、关键业务流程、完整的Go代码骨架，以及安全合规、部署运维等实践要点。所有代码均基于生产环境经验提炼，可作为项目直接启动的参考原型。 目录 1. 引言：电子病历的“副驾驶”时代 2. 总体架构：Go中间层 + HIS主系统 1. 设计原则 2. 组件划分

By Ne0inhk
揭秘AI大模型通信机制：深入理解流式传输与数据封装逻辑

揭秘AI大模型通信机制：深入理解流式传输与数据封装逻辑

文章目录 * 前言 * 一、 核心数据传输格式详解 * 1. 请求格式 * 2. 响应格式：非流式 * 3. 响应格式：流式 * 二、 流程图分析：从输入到输出 * 1. 流程逻辑描述 * 2. 流程图 (Mermaid 代码表示) * 三、 原理架构图分析 * 1. 架构层级说明 * 2. 架构图 (Mermaid 代码表示) * 四、 关键技术原理深度解析 * 1. 为什么选择 SSE 而不是 WebSocket？ * 2. Token 与数据传输的关系 * 3. 数据压缩 * 五、 总结 前言 Ai聊天工具（如ChatGPT、Claude、文心一言等）的数据传输是核心功能的基石。要深入理解其背后的机制，

By Ne0inhk
人工智能：深度学习中的卷积神经网络（CNN）实战应用

人工智能：深度学习中的卷积神经网络（CNN）实战应用

人工智能：深度学习中的卷积神经网络（CNN）实战应用 1.1 本章学习目标与重点 💡 学习目标：掌握卷积神经网络的核心原理、经典网络架构，以及在图像分类任务中的实战开发流程。 💡 学习重点：理解卷积层、池化层的工作机制，学会使用 TensorFlow 搭建 CNN 模型并完成训练与评估。 1.2 卷积神经网络核心原理 1.2.1 卷积层：提取图像局部特征 💡 卷积层是 CNN 的核心组件，其作用是通过卷积核对输入图像进行局部特征提取。 卷积核本质是一个小型的权重矩阵。它会按照设定的步长在图像上滑动。每滑动一次，卷积核就会与对应区域的像素值做内积运算，输出一个特征值。 这个过程可以捕捉图像的边缘、纹理等基础特征。 ⚠️ 注意：卷积核的数量决定了输出特征图的通道数，数量越多，提取的特征维度越丰富。 ① 定义一个 3×3 大小的卷积核，步长设为 1，填充方式为 SAME

By Ne0inhk