OpenCode 安装和使用

OpenCode 是一个基于命令行（CLI）的 AI 编程 Agent，能够理解项目上下文，并自动执行开发任务。它并不是一个简单的代码生成器，而是一个具备理解 + 执行能力的智能体工具。OpenCode 运行在终端中，而不是 IDE。

安装OpenCode

这里，使用npm安装。安装命令：

npm install -g opencode-ai

安装非常耗时，我这里花费了大约半小时才完成。

然后，在终端中输入：

opencode --version

如果能正常显示版本号，就表示安装成功了。

在终端中使用

打开终端，输入：

opencode

即可启动它：

在终端中就可以使用它了。

在web中使用

除了终端外，它还提供了一个web服务器，可以在浏览器中进行使用：

opencode web

然后，会自动打开一个web页面：

它默认会提供一些免费的大模型来供用户试用。但是，我的目的是连接Ollama上运行的本地大模型。

选择大模型：qwen2.5-coder-3b

我的显卡为GTX1060，显存只有6G，我需要一个不那么占用显存大小的模型，这样，模型本身 + KV Cache 能全部放入到显存中跑，所以，我选择：

模型：
qwen2.5-coder:3b

量化：
Q4_K_M

Context：
32768

目标：
100% GPU

先下载模型。

由于ollama直接下载非常慢。所以，还是用老办法。

1. 在modelscope网站下载qwen2.5-coder-3b-instruct-q4_k_m.gguf。放入到某个文件夹中（比如：D:\models\qwen\目录下）。

2.创建一个名为 Modelfile 的文本文件（没有扩展名），内容只有一行：

FROM ./qwen2.5-coder-3b-instruct-q4_k_m.gguf

3. 在该文件夹中打开一个终端（PowerShell 或 CMD），并执行以下命令来创建模型并起个名字：

ollama create qwen2.5-coder-f ./Modelfile

4. 创建完成后，运行即可：

ollama run qwen2.5-coder

测试实际速度

最后，实际测试下速度看看：

ollama run qwen2.5-coder--verbose

启动后，输入”写一个Java快速排序“，最终，测速结果如下：

其中，主要看如下两个指标：

• eval rate: 生成回答的速度。
• prompt eval rate: 读取输入上下文的速度。

和Ollama本地模型互通

我的Ollama运行在局域网的另一台win10电脑上，而opencode安装在我的iMac这台主力电脑上。

win10电脑的ip为：192.168.3.16，试试看能不能访问：

curl 192.168.3.16:11434/api/tags

显示超时，再试试ping: 

 ping 192.168.3.16

居然不通。原因是防火墙，将其ICMP开启就好了。

防火墙的规则开启后，能ping通，但是curl还是不通，因为默认没有开启外部访问，在Ollama设置中：

将Expose Ollama to the network打开就好了。

接下来，就是让opencode识别ollama中的大模型。

配置Ollama作为模型提供方

OpenCode的配置文件有两个位置：

• 项目级：项目根目录下的opencode.jsonc
• 全局级：～/.config/opencode/opencode.jsonc

我使用全局级设置，这样，以后每个项目都可以使用这个配置。

然后，编辑～/.config/opencode/opencode.jsonc文件，输入：

{
  "$schema": "https://opencode.ai/config.json",
  "provider": {
    "ollama": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "Ollama",
      "options": {
        "baseURL": "http://192.168.3.16:11434/v1"
      },
      "models": {
        "qwen2.5-coder": {
          "name": "qwen2.5",
          "type": "llm",
          "capabilities": ["text-generation"],
          "default": true
        }
      }
    }
  }
}

注意：qwen2.5-coder 是ollama ls中显示的名称，name中设置的qwen2.5表示在opencode中显示的模型名称。

完成后，重启opencode，在设置，提供商中就出现了 ollama，

模型中，也会出现我们配置的qwen 2.5。

第一个项目：写一个贪吃蛇网页游戏

OK，接下来，就是让这个AI模型干活了。我们第一个项目，就是让它做一个简单的游戏。

先初始化项目：

/init

但是，回复：

{
  "function": "write",
  "arguments": {
    "content": "To automatically write files, use the \"write\" function and provide the file content and path as arguments. For example, `write {\"content\": \"Hello, World!\", \"filePath\": \"/path/to/file.txt\"}`.",
    "filePath": "/Volumes/CODE/3AI_Project/snake/AGENTS.md"
  }
}

为啥？

我猜测可能是这个大模型太老了（几年前发布的），导致和新的OpenCode的工具调用不兼容。虽然，它可以用于终端补全（FIM / Auto-complete）或轻量级对话，但不适合驱动 Agent 场景。

我不死心，又尝试了qwen3.5:2b，发现能正确创建文件，但是，跑起来却报错了：

snake2.html:124 Uncaught ReferenceError: gameLoop is not defined    at startGame (snake2.html:124:13)
    at HTMLButtonElement.onclick (snake2.html:78:43)

把报错信息给它，但是一直无法修复：

毕竟只有2b参数，能力有限。没法，我的显卡只有6G显存，没法跑更大的模型了。于是，切换到免费的MiMo V2.5，一次运行成功。

这种简单的小任务，对于这种体量的大模型来说，简直就是砍瓜切菜。

毕竟，MiMo V2.5总参数量高达 1.02 Trillion（1.02 万亿），比我本地的qwen 2.5-3B的参数大了340倍！另外，qwen 2.5-3B最大的上下文才32K，而 Ollama 的 OpenCode 集成文档明确建议使用 64K+ context。

小结

相比之前的AI辅助编程（代码补全，代码解释）等，OpenCode这种Agentic Coding算是一种全新的开发方式！