IDEA 2025.1 更新-AI 助手试用和第三方模型集成方案

今天刚把 IntelliJ IDEA 更新到了 2025.1 版本，主要是想看看这次 AI Assistant 有什么新东西。之前看到消息说功能有更新，而且似乎可以免费试用，就动手试了试，顺便把过程和一些发现记录下来，给可能需要的朋友一个参考。

、启用 AI Assistant 试用

之前的版本 AI Assistant 对国内用户不太友好，这次更新后，我发现通过调整区域设置，可以重新弹出 AI Assistant 的登录和试用选项。

具体步骤是这样的：

1. 确认 IDEA 版本： 确保是 2025.1 或更新版本。

2. 修改地区设置：

   

3. 重启 IDEA： 必须完全关闭 IDEA 再重新打开，让配置生效。

4. 检查 AI Assistant 插件：

   • 去 Settings/Preferences -> Plugins -> Installed 确认 AI Assistant, Junie插件是启用状态。如果没有，去 Marketplace 搜索安装一下。

   

5. 登录并开始试用：

   • 重启后，IDE 右侧应该会出现 AI Assistant 的工具窗口。点击登录你的 JetBrains 账号。
   • 登录成功后，应该会看到一个 "Start Trial" 或类似的按钮，点击它就可以开始试用了。

   

注意： 这个方法本质上是开启了 JetBrains 提供的试用期。试用期有多长、结束后政策如何，目前还不确定。这更像是一个基于区域的试用策略，不保证长期有效。

二、新东西：Agent AI

这次更新除了常规的 AI 功能（代码补全、解释、生成 Commit Message 等），比较有意思的是推出了一个叫 "Agent AI" 的东西。

看介绍和初步试用，它似乎不只是建议，而是可以直接参与到跨文件、更复杂的代码修改任务中。比如你可以让它分析某个方法的调用链，或者尝试进行一些重构。

这个功能看起来潜力挺大，可以直接在 IDE 里处理一些稍微繁琐的任务。具体效果怎么样，还需要在实际项目中多用用看。

三、连接本地模型（可选）

对于注重隐私或者想用特定模型的开发者，AI Assistant 现在也支持连接本地运行的大语言模型了。

1. 本地运行模型： 如果你本地用 Ollama 或其他兼容 OpenAI API 格式的服务跑了模型（比如 Llama 3, Qwen, Gemma 等），确保服务在运行。

2. 配置 IDEA：

   • 打开 Settings/Preferences -> Tools -> AI Assistant -> LLM Service。
   • 选择 Custom 或 Local (具体选项名称可能微调)，然后填入你本地服务的地址，比如 Ollama 默认的 http://localhost:11434。

   

本地跑不动模型怎么办？

我看有人整理了一些提供免费在线 Ollama 服务的列表（比如这个：https://idea.wangwangit.com/zh），你可以找一个试试看，配置方法和本地一样，填入对应的服务地址就行。不过用第三方服务，数据隐私方面就需要自己衡量了。

ollama 模型太辣鸡？

那就让我抛出重磅级武器吧,直接接入第三方 API, 修改API_URL,API_KEY为自己的配置,在ENABLED_MODELS中添加合适的模型,然后在本地或者服务器启动这份代码! 就可以集成各种在线 AI 模型使用啦!

from flask import Flask, request, jsonify import requests import time import uuid import logging import json from typing import Dict, Any from datetime import datetime, UTC # 配置日志（更改为中文） logging.basicConfig( level=logging.INFO, format='%(asctime)s [%(levelname)s] %(message)s', handlers=[logging.StreamHandler()] ) logger = logging.getLogger(__name__) app = Flask(__name__) # 启用模型配置：直接定义启用的模型名称 # 用户可添加/删除模型名称，动态生成元数据 ENABLED_MODELS = { "gemini-2.0-flash", "grok-3-beta", "DeepSeek-V3" } # API 配置 API_URL = "https://xxxx/v1/chat/completions" # 请替换为你的 API 密钥（请勿公开分享） API_KEY = "xxxxx" # 模拟 Ollama 聊天响应数据库 OLLAMA_MOCK_RESPOnSES= { "What is the capital of France?": "The capital of France is Paris.", "Tell me about AI.": "AI is the simulation of human intelligence in machines, enabling tasks like reasoning and learning.", "Hello": "Hi! How can I assist you today?" } @app.route("/", methods=["GET"]) def root_endpoint(): """模拟 Ollama 根路径，返回 'Ollama is running'""" logger.info("收到根路径请求") return "Ollama is running", 200 @app.route("/api/tags", methods=["GET"]) def tags_endpoint(): """模拟 Ollama 的 /api/tags 端点，动态生成启用模型列表""" logger.info("收到 /api/tags 请求") models = [] for model_name in ENABLED_MODELS: # 推导 family：从模型名称提取前缀（如 "gpt-4o" -> "gpt"） family = model_name.split('-')[0].lower() if '-' in model_name else model_name.lower() # 特殊处理已知模型 if 'llama' in model_name: family = 'llama' format = 'gguf' size = 1234567890 parameter_size = '405B' if '405b' in model_name else 'unknown' quantization_level = 'Q4_0' elif 'mistral' in model_name: family = 'mistral' format = 'gguf' size = 1234567890 parameter_size = 'unknown' quantization_level = 'unknown' else: format = 'unknown' size = 9876543210 parameter_size = 'unknown' quantization_level = 'unknown' models.append({ "name": model_name, "model": model_name, "modified_at": datetime.now(UTC).strftime("%Y-%m-%dT%H:%M:%S.%fZ"), "size": size, "digest": str(uuid.uuid4()), "details": { "parent_model": "", "format": format, "family": family, "families": [family], "parameter_size": parameter_size, "quantization_level": quantization_level } }) logger.info(f"返回 {len(models)} 个模型: {[m['name'] for m in models]}") return jsonify({"models": models}), 200 def generate_ollama_mock_response(prompt: str, model: str) -> Dict[str, Any]: """生成模拟的 Ollama 聊天响应，符合 /api/chat 格式""" response_cOntent= OLLAMA_MOCK_RESPONSES.get( prompt, f"Echo: {prompt} (这是来自模拟 Ollama 服务器的响应。)" ) return { "model": model, "created_at": datetime.now(UTC).strftime("%Y-%m-%dT%H:%M:%SZ"), "message": { "role": "assistant", "content": response_content }, "done": True, "total_duration": 123456789, "load_duration": 1234567, "prompt_eval_count": 10, "prompt_eval_duration": 2345678, "eval_count": 20, "eval_duration": 3456789 } def convert_api_to_ollama_response(api_response: Dict[str, Any], model: str) -> Dict[str, Any]: """将 API 的 OpenAI 格式响应转换为 Ollama 格式""" try: cOntent= api_response["choices"][0]["message"]["content"] total_duration = api_response.get("usage", {}).get("total_tokens", 30) * 1000000 prompt_tokens = api_response.get("usage", {}).get("prompt_tokens", 10) completion_tokens = api_response.get("usage", {}).get("completion_tokens", 20) return { "model": model, "created_at": datetime.now(UTC).strftime("%Y-%m-%dT%H:%M:%SZ"), "message": { "role": "assistant", "content": content }, "done": True, "total_duration": total_duration, "load_duration": 1234567, "prompt_eval_count": prompt_tokens, "prompt_eval_duration": prompt_tokens * 100000, "eval_count": completion_tokens, "eval_duration": completion_tokens * 100000 } except KeyError as e: logger.error(f"转换 API 响应失败: 缺少键 {str(e)}") return {"error": f"无效的 API 响应格式: 缺少键 {str(e)}"} def print_request_params(data: Dict[str, Any], endpoint: str) -> None: """打印请求参数""" model = data.get("model", "未指定") temperature = data.get("temperature", "未指定") stream = data.get("stream", False) messages_info = [] for msg in data.get("messages", []): role = msg.get("role", "未知") cOntent= msg.get("content", "") content_preview = content[:50] + "..." if len(content) > 50 else content messages_info.append(f"[{role}] {content_preview}") params_str = { "端点": endpoint, "模型": model, "温度": temperature, "流式输出": stream, "消息数量": len(data.get("messages", [])), "消息预览": messages_info } logger.info(f"请求参数: {json.dumps(params_str, ensure_ascii=False, indent=2)}") @app.route("/api/chat", methods=["POST"]) def ollama_chat_endpoint(): """模拟 Ollama 的 /api/chat 端点，所有模型都能使用""" try: data = request.get_json() if not data or "messages" not in data: logger.error("无效请求: 缺少 'messages' 字段") return jsonify({"error": "无效请求: 缺少 'messages' 字段"}), 400 messages = data.get("messages", []) if not messages or not isinstance(messages, list): logger.error("无效请求: 'messages' 必须是非空列表") return jsonify({"error": "无效请求: 'messages' 必须是非空列表"}), 400 model = data.get("model", "llama3.2") user_message = next( (msg["content"] for msg in reversed(messages) if msg.get("role") == "user"), "" ) if not user_message: logger.error("未找到用户消息") return jsonify({"error": "未找到用户消息"}), 400 # 打印请求参数 print_request_params(data, "/api/chat") logger.info(f"处理 /api/chat 请求, 模型: {model}") # 移除模型限制，所有模型都使用 API api_request = { "model": model, "messages": messages, "stream": False, "temperature": data.get("temperature", 0.7) } headers = { "Content-Type": "application/json", "Authorization": f"Bearer {API_KEY}" } try: logger.info(f"转发请求到 API: {API_URL}") respOnse= requests.post(API_URL, json=api_request, headers=headers, timeout=30) response.raise_for_status() api_respOnse= response.json() ollama_respOnse= convert_api_to_ollama_response(api_response, model) logger.info(f"收到来自 API 的响应，模型: {model}") return jsonify(ollama_response), 200 except requests.RequestException as e: logger.error(f"API 请求失败: {str(e)}") # 如果 API 请求失败，使用模拟响应作为备用 logger.info(f"使用模拟响应作为备用方案，模型: {model}") respOnse= generate_ollama_mock_response(user_message, model) return jsonify(response), 200 except Exception as e: logger.error(f"/api/chat 服务器错误: {str(e)}") return jsonify({"error": f"服务器错误: {str(e)}"}), 500 @app.route("/v1/chat/completions", methods=["POST"]) def api_chat_endpoint(): """转发到 API 的 /v1/chat/completions 端点，并转换为 Ollama 格式""" try: data = request.get_json() if not data or "messages" not in data: logger.error("无效请求: 缺少 'messages' 字段") return jsonify({"error": "无效请求: 缺少 'messages' 字段"}), 400 messages = data.get("messages", []) if not messages or not isinstance(messages, list): logger.error("无效请求: 'messages' 必须是非空列表") return jsonify({"error": "无效请求: 'messages' 必须是非空列表"}), 400 model = data.get("model", "grok-3") user_message = next( (msg["content"] for msg in reversed(messages) if msg.get("role") == "user"), "" ) if not user_message: logger.error("未找到用户消息") return jsonify({"error": "未找到用户消息"}), 400 # 打印请求参数 print_request_params(data, "/v1/chat/completions") logger.info(f"处理 /v1/chat/completions 请求, 模型: {model}") headers = { "Content-Type": "application/json", "Authorization": f"Bearer {API_KEY}" } try: logger.info(f"转发请求到 API: {API_URL}") respOnse= requests.post(API_URL, json=data, headers=headers, timeout=30) response.raise_for_status() api_respOnse= response.json() ollama_respOnse= convert_api_to_ollama_response(api_response, model) logger.info(f"收到来自 API 的响应，模型: {model}") return jsonify(ollama_response), 200 except requests.RequestException as e: logger.error(f"API 请求失败: {str(e)}") return jsonify({"error": f"API 请求失败: {str(e)}"}), 500 except Exception as e: logger.error(f"/v1/chat/completions 服务器错误: {str(e)}") return jsonify({"error": f"服务器错误: {str(e)}"}), 500 def main(): """启动模拟服务器""" logger.info("正在启动模拟 Ollama 和 API 代理服务器，地址: http://localhost:11434") app.run(host="0.0.0.0", port=11434, debug=False) if __name__ == "__main__": main() 

总结

总的来说，IDEA 2025.1 的 AI 功能值得尝试一下，尤其是通过改区域设置就能方便地开启试用。Agent AI 是个新方向，看看后续发展如何。连接本地模型也给了大家更多选择。

我就先用到这儿，算是个快速上手记录。如果你也更新了，欢迎交流使用体验，特别是 Agent AI 的实战效果。