基于云的 AI 服务虽然功能强大，但也存在一些缺点，例如成本、数据隐私和网络依赖性。当需要处理敏感数据、在离线环境中使用 AI 功能，或者只是想控制实验成本时，自托管方案便成了一个可行的选择。然而，自行配置语言模型的过程通常复杂且耗时。
Ollama 是一个出色的开源项目，旨在解决这些问题。它让你只需几条命令，就能在个人计算机上运行强大的语言模型，无需复杂的设置。它极大地简化了下载、运行特定模型以及通过 HTTP 端点与其他服务集成等过程，让开发者能更专注于模型本身的应用。
代码审查是维护软件质量的核心过程，但它也常常消耗同事大量的时间。虽然像 GitHub Copilot 或 ChatGPT 这样的 AI 工具已经成为出色的辅助手段，但将敏感代码发送到外部 API 的安全顾虑和成本问题依然存在。
在本文中，为了解决这些问题，我们将亲手构建一个在本地环境中完全独立运行的代码审查 CLI（命令行界面）工具。我们将使用流行的本地 LLM 运行工具 Ollama 和 Python，学习如何在没有外部网络连接的情况下，安全、快速地获取代码反馈。
大型语言模型（LLM）基于海量文本数据展现出惊人的语言能力。但 LLM 本身与外部世界是隔绝的。它们无法直接执行诸如获取实时股票信息、查询数据库或发送电子邮件等任务。克服这一限制的核心技术便是“工具使用（Tool Use）”，也称为“函数调用（Function Calling）”。
本文将以 Google 的 Gemini 1.5 Pro 模型为中心，解释工具使用的概念和工作原理。我们将不仅仅停留在调用 API 的层面，而是深入探讨在实际工作中可能遇到的权衡和潜在的失败案例。通过本文，您将迈出第一步，将 LLM 从一个简单的聊天机器人转变为能够执行实际任务的代理（Agent）。
如今，大量的 AI 编程辅助工具应运而生。GitHub Copilot 已经超越了基本的自动补全，成为开发工作流的一部分，各大 IDE 也纷纷内置了自己的 AI 功能。但其中大多数仍停留在以插件形式附加于现有编辑器之上。
Cursor 采取了不同的方法。它虽然基于 VS Code，但从一开始就以和 AI 交互为核心进行设计，标榜自己为一款“AI 原生”IDE。它不仅是简单的代码补全，更旨在提供一种理解整个代码库上下文、与用户对话并共同构建软件的体验。本文将分享我在实际工作中引入 Cursor 的配置过程、令人印象深刻的功能，以及所遇到的明显局限。
除了编写代码，开发者还承担着大量的认知劳动：分析遗留代码、思考并重构更优的结构、撰写清晰说明变更的提交信息等。如果说 GitHub Copilot 开启了代码自动补全的时代，那么如今的 AI 工具正在更深层次地融入整个开发工作流。
JetBrains AI Assistant 是一款直接集成到我们日常使用的 IntelliJ、PyCharm、WebStorm 等 IDE 中的 AI 工具。它的目标不止于生成简单的代码片段，而是利用 IDE 丰富的代码索引信息，提供更加贴合上下文的建议。
本文将从一名资深开发者的视角，坦诚地探讨 JetBrains AI Assistant 的基本设置、实用的核心功能，以及我亲身经历过的失败案例和技术权衡。