Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar

Continue

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Continue é uma extensão de código aberto para VS Code e IntelliJ que deixa o desenvolvedor escolher o modelo de IA de cada função, local ou na nuvem, e ampliar o contexto além do workspace.

Entre os Assistentes de Código com IA, o Continue se diferencia por não prender o usuário a um provedor. Aceita modelos da OpenAI (GPT-4, GPT-4o mini, GPT-3.5-turbo), Claude, Mistral, Gemini e modelos abertos rodando na própria máquina via Ollama. A extensão é gratuita: só há custo quando se configura a chave de uma API paga. A configuração é compartilhada: o que se ajusta no VS Code vale no IntelliJ.

A instalação deve ser feita pelo marketplace do editor; instalar pelo repositório, no Linux, costuma falhar por exigir permissão de root.

Um modelo para cada função

O Continue separa quatro papéis de modelo: chat, autocomplete, embedding e rerank. O autocomplete olha o código antes e depois do cursor e completa o meio; o embedding vetoriza conteúdo para busca semântica; o rerank decide qual arquivo ou trecho é mais relevante para a pergunta. Usar o mesmo modelo local para chat e autocomplete ao mesmo tempo gera conflito de recursos.

Autocomplete sem GPU

O autocomplete fica enviando requisições o tempo todo, mesmo sem uso ativo. Sem placa de vídeo dedicada, é melhor desligá-lo e ficar com o IntelliSense nativo do editor. Ver Dimensionamento de Hardware para Modelos Locais.

Para chat, a recomendação é preferir modelos menores: localmente, o Llama 3.2 de 3 bilhões de parâmetros rende bem; na nuvem, GPT-4o mini ou GPT-3.5-turbo custam bem menos que o GPT-4. A detecção automática de modelos pode listar cerca de 300 opções com várias chaves, por isso vale selecionar à mão só os que serão usados.

Geração, edição e comandos de barra

O comando de geração insere o código direto na posição do cursor, com opção de aceitar ou rejeitar, sem copiar e colar de uma janela de chat. O comando de edição reescreve só o trecho selecionado, por exemplo para renomear variáveis.

Os comandos de barra prontos incluem /commit, que gera a mensagem de commit a partir do que está em stage; /share, que exporta a conversa em Markdown para compartilhar uma depuração; /cmd, que transforma uma descrição em comando de terminal; e /test, que gera testes para um arquivo ou pasta. Sem indicação de linguagem, a geração tende ao Python.

Comandos próprios são criados numa pasta .prompt, com arquivos .prompt que definem o texto do prompt, a Temperatura e o limite de tokens. Três chaves em volta de input marcam onde entra o que o usuário digita. Assim surgem comandos encadeáveis de tradução ou de pesquisa na web.

Provedores de contexto com arroba

Os comandos de arroba trazem contexto: @code (trecho ou arquivo), @codebase (busca semântica no repositório já indexado), @terminal (últimos comandos e saídas), @problems (erros do editor), @diff, @web e @google. Este último usa uma chave gratuita do Serper, limitada a 2500 requisições. Há também integração com Jira, com issues e merge requests de GitHub e GitLab, e conexão direta a banco de dados, que lê o schema e explica tabelas sem enviar dados para fora. A única informação que deixa a máquina é a consulta enviada ao buscador.

O @docs indexa documentação de terceiros a partir de uma URL inicial, seguindo os links, aplicando RAG à documentação oficial. A qualidade depende da estrutura do site: documentação de página única, como as geradas por Doxygen ou ReadMe, carrega inteira; documentação bem encadeada chega a dezenas de páginas indexadas; sites mal estruturados exigem indexar página por página. Também é possível escrever provedores de contexto próprios no arquivo de configuração.

Diferenças em relação ao GitHub Copilot

O GitHub Copilot oferece contexto e um comando de terminal, mas de forma mais restrita. Customizar exige arquivos de instruções dentro das configurações, processo menos direto que os prompts do Continue, e no IntelliJ ele é ainda mais limitado. Do lado do Continue, o custo da flexibilidade aparece com modelos locais: menos capacidade que os grandes modelos pagos e mais consumo da máquina, em troca de funcionar sem internet e sem expor o código a terceiros.