DeepLearning.AI上的混合与本地AI课程
内容提要
JetBrains与DeepLearning.AI合作推出免费课程《AI Coding Workflows: Hybrid to Local》，教授混合与本地AI编码。课程从Claude Code开始，介绍用规格、子代理、便宜模型和指标四个杠杆控制成本，再迁移到OpenCode、OpenRouter和DeepSeek，最后演示用LM Studio和Gemma实现本地AI。课程强调通过证据评估模型效果，适应快速变化的AI领域。
延伸解读
课程核心：四个控制杠杆
课程强调通过四个杠杆来控制AI编码的成本和效果：为模型大小调整规格、使用专业子代理分工、为常规工作选择更便宜的模型、收集指标作为评估证据。这些杠杆帮助开发者在不同模型和工具间灵活切换，适应快速变化的AI领域。
从云端到本地的迁移路径
课程设计了一条从云端到本地的渐进路径：从Claude Code开始，迁移到OpenCode和OpenRouter，再使用DeepSeek，最后通过LM Studio和Gemma实现本地AI。这种迁移展示了如何在不同推理服务和模型之间切换，同时保持工作流程的一致性。
本地AI的可行性验证
课程通过实际测试验证了本地AI的可行性：在32GB笔记本上使用Gemma 4 12B作为实现子代理，结果良好；完全本地使用Qwen 3.5 27B作为“大模型”时，结果超出预期。这表明在适当约束下，本地模型可以胜任部分开发任务。
Q&A
JetBrains和DeepLearning.AI合作推出的免费课程是什么？
课程名为《AI Coding Workflows: Hybrid to Local》，旨在教授混合与本地AI编码工作流。
课程中提到的控制AI编码成本的四个杠杆是什么？
四个杠杆包括：为模型大小调整规格、使用专业子代理分工、为常规工作使用更便宜的模型、收集指标作为证据来指导思考。
课程中如何演示从Claude Code迁移到OpenCode和DeepSeek？
课程先使用Claude Code介绍技术，然后迁移到OpenCode（新代理），通过OpenRouter（推理路由）连接DeepSeek（模型和推理托管），并配置子代理使用较小的DeepSeek v4 Flash模型作为“小脑”。
课程中如何实现本地AI？使用了哪些工具和模型？
课程使用LM Studio作为推理服务器，Gemma 4 12B作为本地模型，在32 GB笔记本电脑上运行。之后还尝试了完全本地配置，使用Qwen 3.5 27B作为“大脑”。
课程中如何评估混合和本地AI的效果？
课程通过收集指标（如token数、轮次、成本和预计墙钟时间）来评估效果，强调以证据为基础，观察小模型的挣扎和帮助它们成功的效果。
课程的主要目标是什么？
课程的主要目标是教授混合与本地AI编码的概念和选项，强调学习思想而非具体细节，因为AI领域变化迅速。
