尧图网络 高端网站定制 · 原创设计
免费咨询热线
400-888-6620
免费获取方案
如何在Zed中运行little-coder:pi-acp桥接与社区扩展生态完全指南
如何在Zed中运行little-coderpi-acp桥接与社区扩展生态完全指南【免费下载链接】little-coderA harness optimized to smaller LLMs项目地址: https://gitcode.com/gh_mirrors/li/little-coder想在 Zed 的 Agent 面板里直接使用 little-coder这篇指南带你用约 10 分钟完成 pi-acp 桥接配置把这款专为小参数本地模型优化的 AI 编程助手从终端搬进你的编辑器并顺带了解它的三层扩展生态。为什么需要 pi-acp 桥接先说结论little-coder 本身不内置 ACPAgent Client Protocol服务端。它提供的little-coder --mode rpc输出的是 pi 的内部扩展 UI RPCsetTitle/notify/setWidget这类结构化 JSON并不是 ACP所以 Zed 的 agent 面板无法直接驱动它。社区给出的务实解法是在中间放一座桥安装第三方桥接工具pi-acpACP ↔ pi 协议转换器利用它的PI_ACP_PI_COMMAND环境变量把底层 agent 从裸pi换成little-coder二进制这样 Zed 启动的每一轮对话都会带上 little-coder 的全部内置扩展与技能文件。完整官方说明见 docs/zed-acp.md。需要留意pi-acp 是第三方社区项目不在 little-coder 的测试矩阵内属于实践中效果很好的非官方方案。 官方态度一等公民的 ACP 传输层更适合做进 pi 上游届时 pi 与 little-coder 同时受益在那之前桥接是最短路径。一键准备安装 little-coder 与 pi-acp第一步装好 little-coder要求Node.js ≥ 22.19。仓库克隆地址为https://gitcode.com/gh_mirrors/li/little-coder克隆后运行自带的一行安装脚本git clone https://gitcode.com/gh_mirrors/li/little-coder bash little-coder/install.sh也可用包管理器直接安装npm install -g little-coderbun 用户可用bun add -g little-coder但运行时仍是 Node。装完little-coder就在 PATH 上任意目录可用。第二步安装 pi-acp 桥接npm install -g pi-acppi-acp 自身无需任何配置——你唯一需要拨动的就是PI_ACP_PI_COMMAND这个环境变量。第三步给本地模型占位API Keylittle-coder 通过 models.json 注册本地模型llama.cpp / Ollama / LM Studio。对本地服务而言pi 仍要求环境变量里存在一个 API key 值导出占位值即可export LLAMACPP_API_KEYnoop # 或 OLLAMA_API_KEY / LMSTUDIO_API_KEY小模型专属扩展对云端大模型会自动关闭本地/云端模型在 Zed 里行为一致。在 Zed 中注册 little-coder Agent官方推荐的完整配方包含一个包装脚本little-coder-acp启动本地llama-server→ 等待就绪 → 设置PI_ACP_PI_COMMAND后拉起 pi-acp → Zed 关闭会话时自动回收 llama-server。脚本全文含日志与清理逻辑见 docs/zed-acp.md。你只需把它保存为 PATH 上的可执行文件然后在 Zed 的settings.json中加入agent_servers条目{ agent_servers: { little-coder: { type: custom, command: /usr/local/bin/little-coder-acp, args: [], env: { LLAMACPP_BASE_URL: http://127.0.0.1:8888/v1, LLAMACPP_API_KEY: noop, PI_ACP_PI_COMMAND: /usr/local/bin/little-coder, PI_SKIP_VERSION_CHECK: 1 } } } }三个环境变量的作用值得记住环境变量作用PI_ACP_PI_COMMAND核心开关让 pi-acp 启动little-coder而非裸piLLAMACPP_BASE_URL/API_KEY指向本地推理服务本地 key 填noop即可PI_SKIP_VERSION_CHECK抑制版本检查提示防止交互弹窗打断 JSON-RPC 流保存后打开 Zed 的 Agent 面板你会看到little-coder出现在可选 agent 列表中选择项目目录发一句 prompt 即可开工。两条实用备注包装脚本中所有诊断日志必须写stderr——stdout 被 ACP 的 JSON-RPC 独占往 stdout 打一行普通文本就会破坏协议流如果 llama-server 已经作为常驻服务运行删掉脚本里的启动服务器块、只导出LLAMACPP_BASE_URL指向它即可。社区扩展生态三层加载机制 现成项目little-coder 的设计哲学是冷启动上下文只花约 7k token启动 pi 时加--no-extensions再精确加载自带的 30 余个扩展。这带来一个副作用——全局pi install的扩展默认不会进入 little-coder。官方为此设计了三个渐进式的扩展入口详见 docs/extensions.md~/.config/little-coder/extensions/你的扩展目录每次启动加载在内置集之后可覆盖内置行为。单文件 TS 即可无需构建步骤LITTLE_CODER_EXTRA_EXTENSIONS指向任意路径的扩展文件/目录列表适合扩展藏在别的已安装包里--with-pi-extensions放开 pi 自身的扩展发现机制~/.pi/agent/extensions与项目.pi/extensions代价是扩展集不再固定。在 TUI 里输入/extensions可随时查看谁被加载了、来自哪里、谁加载失败。官方维护的社区扩展清单节选自 docs/extensions.md 的 Community extensions 表Zed / ACP 桥接BMorgan1296 与 charly1r——即本文主角让 little-coder 以外部 agent 身份跑在 Zed 里包装脚本自动管理 llama-server 生命周期Telegram 桥接johnzan——复用仓库自带的 benchmarks/rpc_client.py 从 Telegram 驱动 little-coder扩展、AGENTS.md与终端体验完全一致llama.cpp 配置与本地模型推荐charly1r——消费级硬件上的实测配置与盲测模型排名适合给包装脚本选参数。这些是社区项目不捆绑、不随仓库审核安装前请自行阅读代码。在 Zed 里也能用上你自己的扩展因为桥接启动的是同一个little-coder二进制你的用户配置全部随行生效~/.config/little-coder/extensions/里的扩展、models.json覆盖文件比如追加社区推荐的ream-192模型都会在 Zed 会话中加载。换句话说桥接只是换了门面little-coder 的完整配置生态原样保留。常见问题排查现象原因与解法面板里选不到 little-coder确认command路径正确command -v little-coder、command -v pi-acp查实际位置包装脚本需有可执行权限ECONNREFUSED 127.0.0.1:8888llama-server 没启动或LLAMACPP_BASE_URL端口不一致会话中途出现更新询问/卡住在 env 块里加LITTLE_CODER_NO_UPDATE_CHECK1彻底关闭启动期更新检查JSON-RPC 流被异常字符打断有程序往 stdout 写了日志——一切诊断信息必须走 stderr不知道哪些扩展加载了终端里进 TUI 输入/extensions查看清单与来源更多排障条目LAN 防火墙、上下文溢出压缩看门狗等见 README.md 的 Troubleshooting 一节。小结关键文档速查Zed ACP 完整桥接配方docs/zed-acp.md扩展机制与社区扩展列表docs/extensions.md安装、本地模型服务、权限与排障README.md模型注册清单本地 provider 与默认模型models.json架构总览27 个内置扩展一览docs/architecture.md跑通之后你就同时拥有了终端里的 little-coder和Zed 面板里的 little-coder——同一套扩展、同一套技能、同一份配置按需切换界面即可。【免费下载链接】little-coderA harness optimized to smaller LLMs项目地址: https://gitcode.com/gh_mirrors/li/little-coder创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
RELATED

相关推荐

解锁 AI 的“火眼金睛”:OpenClaw 接入腾讯云 OCR 实战指南——从简历识别到智能文档处理的全面进阶|TaoToken 统一 Key 配置

解锁 AI 的“火眼金睛”:OpenClaw 接入腾讯云 OCR 实战指南——从简历识别到智能文档处理的全面进阶|TaoToken 统一 Key 配置

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

📅 2026/10/4 13:38:06
Symfony Notifier Mercure 桥接组件实战:DSN 配置、ChatMessage 选项与底层发布原理

Symfony Notifier Mercure 桥接组件实战:DSN 配置、ChatMessage 选项与底层发布原理

后端Web框架 【免费下载链接】symfony The Symfony PHP framework 项目地址: https://gitcode.com/GitHub_Trending/sy/symfony 点击查看 免费下载 Mercure 是一个基于 Server-Sent Events (SSE) 的实时通信协议,Symfony 通过 symfony/mercure-notifier…

📅 2026/10/4 13:38:06
不用折腾!最简单的 OpenClaw 本地安装方法(TaoToken 统一 Key 接入版)

不用折腾!最简单的 OpenClaw 本地安装方法(TaoToken 统一 Key 接入版)

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

📅 2026/10/4 13:38:06
MORE NEWS

更多资讯

📰

CAP-LLM: Context-Augmented Personalized Large Language Models for News Headline Generation

文章主要内容和创新点 主要内容 本文提出了一种名为CAP-LLM(Context-Augmented Personalized LLM) 的新型框架,旨在解决个性化新闻标题生成中“捕捉复杂用户兴趣”与“保证事实一致性”的核心挑战。该框架基于预训练大语言模型(如Llama-2、Mistral),通过三个核心组件实…

📰

npm install 安装慢?把 registry 改到 TaoToken 统一通道的配置与验证

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

📰

BridgeScope: A Universal Toolkit for Bridging Large Language Models and Databases

文章主要内容和创新点 主要内容 本文介绍了BridgeScope,一个连接大型语言模型(LLMs)与数据库的通用工具包,旨在解决当前LLM与数据库交互中存在的可用性低、安全性弱、权限管理混乱及数据传输效率低等问题。 核心功能:BridgeScope通过三大核心功能支持各类数据相关任务,…

📰

眼动追踪中的动态AOI分析:从静态画框到兴趣区跟随的完整实战指南

眼动数据分析里有一个很隐蔽的门槛:静态图片上的AOI分析,随便找个教程就能上手,画个矩形框,统计注视时长,完事。可一旦刺激物动起来——视频广告、驾驶模拟界面、人机交互操作过程,很多人立刻卡壳。为什么&…

📰

Enhancing Serendipity Recommendation System by Constructing Dynamic User Knowledge Graphs with La...

文章主要内容和创新点 主要内容 本文针对工业推荐系统中因“系统推荐→用户反馈→系统再推荐”的反馈循环导致的过滤气泡效应(推荐结果趋同、用户满意度下降),提出了一种利用大型语言模型(LLMs)构建动态用户知识图谱以增强推荐系统“意外发现性”(serendipity)的方法。…

📰

Large Language Models Assisting Ontology Evaluation

文章主要内容总结 研究背景:本体评估中的能力问题(CQ)验证是重要的功能需求验证方式,但传统方法耗时、费力且易出错。近年来大语言模型(LLMs)在本体工程中展现潜力,但在通过CQ验证进行功能评估(尤其是人机协同场景)的研究仍属空白。 核心贡献: 提出OE-Assist框架,通…

TODAY

今日更新

THIS WEEK

本周精选

THIS MONTH

本月热门

读完文章,想聊聊您的网站?

告诉我们您的行业与需求,资深顾问一对一梳理方案与报价,全程免费。

📞 💬