Оглавление

1. Введение

2. Что потребуется

3. Шаг 1: Установка Ollama

4. Шаг 2: Загрузка моделей (LLM + embed)

5. Шаг 3: Установка IntelliJ IDEA и плагина Continue

6. Шаг 4: Настройка config.yaml

7. Шаг 5: Индексация проекта и первый запуск

8. Пример работы: генерация и вставка кода

9. Заключение

Введение

Я расскажу, как реализовать локального LLM, который будет генерировать текст, код, тесты и сам вставлять результат прямо в ваш проект, если это требуется.

⚠️ Важно: это не полноценный «агент» в современном понимании (с планированием, памятью и т.д.). Но плагин Continue именно так его называет, и я буду придерживаться этой терминологии.

Конечно, возможности локального ИИ напрямую зависят от вашего железа. Чем мощнее машина — тем больше контекст и лучше качество. Но подобрать модель можно практически под любой ПК, просто она будет иметь меньше памяти, токенов и более скромные возможности.

Давайте сразу договоримся: никаких «это только для избранных» — я покажу, как всё настроить, а вы уже подберёте модель под свои ресурсы.

Что потребуется

1. Ollama (или LM Studio — настройка LM Studio описана в моей предыдущей статье).

2. IntelliJ IDEA (Community или Ultimate — без разницы).

3. Плагин Continue для IDE.

По сути — всё. Теперь пройдёмся по каждому пункту подробно.

Шаг 1: Установка Ollama

1. Скачайте установщик с официального сайта.

2. Запустите и установите (все настройки по умолчанию — подойдут).

Проверка установки

• Нажмите Win + R, введите powershell, нажмите Enter.

• В открывшемся окне выполните:

ollama --version

Если показана версия — Ollama установлена успешно.

Шаг 2: Загрузка моделей

Нам понадобятся две модели:

• Генеративная LLM (будет писать код и отвечать на вопросы).

• Embedding-модель (будет индексировать ваш проект, разбивать на чанки и позволит искать контекст).

Embedding-модель нужна для функции Index — она делает код проекта доступным для поиска по смыслу.

Вводим в PowerShell следующие команды (по очереди):

ollama pull nomic-embed-text:latest
ollama pull qwen3-coder:30b

Пример из жизни автора: на скриншоте в оригинале использовался qwen2.5-coder:14b, потому что 30b уже была скачана.

Системные требования (пример автора)

• 32 ГБ DDR5

• Intel 12900K

• NVIDIA RTX 4090 24 ГБ

Если у вас скромнее — выбирайте модель поменьше, например:

• qwen2.5-coder:7b

• codellama:13b

• deepseek-coder:6.7b

После загрузки модель автоматически запустится в интерактивном режиме (вы попадёте в чат с LLM).
Чтобы выйти, введите /exit.

Проверьте, что обе модели загружены:

ollama list

Вы должны увидеть nomic-embed-text и выбранную вами coder-модель.

Теперь PowerShell можно закрыть.

Шаг 3: Установка IntelliJ IDEA и плагина Continue

3.1. Установка IDE

Если IntelliJ IDEA ещё не установлена — скачайте с официального сайта и установите. Любая версия подойдёт.

3.2. Установка плагина Continue

Способ 1 (через Marketplace)
File → Settings → Plugins → Marketplace → найти Continue → установить.

Способ 2 (вручную, если Marketplace недоступен)

• Скачайте последнюю версию плагина (файл .jar) с официального релиза.

• В IDE: Settings → Plugins → ⚙️ → Install plugin from disk… → выберите .jar-файл.

• Перезапустите IDE.

После успешной установки в правом верхнем углу появится иконка виджета Continue.

Шаг 4: Настройка config.yaml

Это самый ответственный этап. Откройте конфигурационный файл Continue:

• В виджете Continue нажмите на шестерёнку → config.yaml.

• Скопируйте туда содержимое ниже, адаптировав под свои модели (замените qwen3-coder:30b на ту модель, которую скачали).

name: Qwen Big Context Config
version: 1.0.0
schema: v1

models:
  - name: qwen3-coder
    provider: ollama
    model: qwen3-coder:30b        # замените на вашу модель
    roles:
      - chat
      - edit
      - apply

    defaultCompletionOptions:
      contextLength: 80000        # размер контекста (чем больше, тем тяжелее для GPU)
      maxTokens: 8192             # максимальная длина ответа
      temperature: 0.2            # 0.0–0.5 — низкая креативность, 0.7+ — высокая

  - name: nomic-embed             # embedding-модель
    provider: ollama
    model: nomic-embed-text
    roles:
      - embed

    embedOptions:
      maxChunkSize: 500           # размер одного чанка (у меня 700 выдавал ошибки)
      chunkOverlap: 50            # перекрытие между соседними чанками
      maxBatchSize: 16            # чанков за один пакет


retrieval:
  maxChunks: 40                   # сколько чанков извлекать из индекса по запросу


context:
  - provider: code
  - provider: file
  - provider: diff
  - provider: terminal
  - provider: problems

# Дополнительные правила (можно дописать свои)
rules:
  - Всегда сначала ищи код в workspace
  - Используй несколько файлов для анализа
  - При рефакторинге сохраняй структуру проекта
  - Не придумывай код, если он не найден

💡 Пояснение параметров

• contextLength — максимальная длина контекста (токенов). У каждой модели есть свой потолок; слишком большое значение вызовет ошибку.

• temperature — при 0.2 модель будет довольно «серьёзной», почти без выдумок.

• chunkOverlap — помогает не терять смысл на границах чанков.

После редактирования сохраните файл.

Шаг 5: Индексация проекта и первый запуск

5.1. Перезапустите IDE с очисткой кеша

File → Invalidate Caches... → Invalidate and Restart

5.2. Запустите индексацию проекта

В виджете Continue нажмите Index → Click to re-index.

Если возникли ошибки, полностью удалите папки index и logs из директории:
C:\Users\<Ваше_имя_пользователя>\.continue
После этого Continue сам пересоздаст их при повторной попытке.

5.3. Переключите режим с «Chat» на «Agent»

В виджете найдите переключатель внизу (или в выпадающем меню) и выберите Agent вместо Chat.

В режиме Agent Continue может сам применять изменения к файлам (создавать, редактировать, удалять). Для этого используется кнопка Apply.

Пример работы: генерация сортировки пузырьком

1. Откройте файл, в который хотите вставить код (или создайте новый).

2. В чате Continue напишите:

text

Реализуй в классе @Ваш класс пузырьковый метод сортировки. Просто добавь его без анализа.

Чтобы привязать конкретный файл (или несколько), используйте @ и выберите нужные файлы из подсказок. Например:
@src/main/java/MyClass.java

3. Модель сгенерирует ответ. Если вас устраивает код, нажмите Apply — IDE сама вставит код в указанные файлы и подсветит изменения.

Заключение

Теперь у вас есть локальный LLM, который:

• видит весь ваш проект (благодаря эмбеддингам и индексации),

• может писать тесты, рефакторить код, отвечать на вопросы по кодовой базе,

• сам вставляет код в нужные файлы (одним кликом).

Конечно, это не замена облачным гигантам вроде GPT-4 или Claude. Но это идеальное решение, если:

• вы работаете с закрытым кодом и не можете отправлять его в облако,

• у вас нет доступа к интернету,

• вы просто любите экспериментировать с локальными моделями.

Успешной кодировки!

Если у вас остались вопросы — задавайте в комментариях. Обязательно укажите конфигурацию вашего ПК и модель, которую пытаетесь запустить.