那個沒人問過你的選擇

市面上的 AI 編程助手大多是套裝：一份訂閱、一個固定模型，加上一小段說明，告訴你程式碼會送到某台伺服器處理。個人專案這樣交換還算合理。但如果資料庫結構裡有客戶的名字、資料模型屬於受監管行業，或者產品還沒發表，這場談判最後通常由資安部門說不。問題不在品質，而在誰有決定權。

Continue 補的正是這個缺口——它拒絕當套裝。這是一個開源外掛，裝進你本來就在用的編輯器，免費的或商業的都行，然後接上你自己設定的模型：雲端商業模型、跑在自己機器上的開源模型，或公司內網裡自架的那一套。設定寫在一個跟著專案走的檔案裡，所以助手會做什麼，可以用跟審查程式碼一樣的方式審查。

開放換到什麼

第一是議價能力。當模型是一行設定而不是一份訂閱，價格與能力就變成可以比較的東西，換一家的成本是一分鐘。那些從不願意重談年度合約的團隊，會很樂意在一個下午試三個模型，然後留下通過自己評測又最便宜的那一個——這比品牌忠誠健康得多。

第二是敏感的工作留在該留的地方。把外掛指向開發者機器上的模型，程式碼就沒離開過筆電；指向內網端點，流量就沒出過網路。這不是關於善意的行銷說法，而是架構本身的性質，而且可以用看網路流量來驗證，不必相信一份政策檔案。

第三是工作流程什麼都沒變。行內補全、對開啟檔案的對話、以整個專案為脈絡的編輯、寫成可重用提示的自訂指令，行為都跟其他地方一樣。它還支援業界通行的工具協定，於是要接檔案索引或議題追蹤系統，不必為每一個都裝一個外掛。

它要你付的代價

交換是真實的。固定模型的託管助手是一段被照顧好的體驗：可用性、脈絡長度、模型行為的慢慢漂移，都有人替你處理。換到這邊，這些問題歸你。本機模型要有足夠的記憶體與顯示卡才堪用，而大型託管模型與小型本機模型之間的差距，在陌生程式碼上特別明顯。

設定是另一項老實的成本。檔案可讀是重點，但也就代表得有人去讀。實務上是一個人設定一次、提交上去，其他人繼承結果——跟檢查工具的設定檔同一個模式，同樣不浪漫。

開放助手的重點不在免費，而在「哪個模型可以讀我的程式碼」這個決定，屬於擁有程式碼的人；而且這個決定應該能在不請示廠商的情況下改變。

第一週的實用建議。先試本機方案，看看品質掉多少，因為這個數字會告訴你私密路線在你的工作上到底可不可行。把團隊慣例寫進自訂指令，因為新鮮感退去之後，價值大多落在這裡。敏感專案留給你控制的端點，因為開放工具只有在被用在它被選中的那個設定上時，才真的交付優勢。