鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
3
3
3

IDEA + 阿里 Qoder = 王炸!

鱼友7295
鱼友7295
2026-07-20 10:19
阅读 1813
鱼友7295
2026-07-20 10:19
阅读 1813

之前给大家分享过 《IDEA+Claude Code的使用》,最近发现阿里的Qoder插件在IDEA中也十分好用,用起来更加丝滑,国内几种顶尖的大模型都内置了,今天给大家分享下IDEA+Qoder在项目中的实战用法!

Qoder简介 Qoder是阿里巴巴推出的一款面向真实软件开发的Agentic编码平台,它通过增强上下文工程与智能体无缝结合,能全面理解你的代码库,并以系统化方式推进开发任务。它提供了代码智能生成、智能问答、多文件修改、编程智能体等功能,能为开发者带来高效、流畅的编码体验。

Qoder的主要特性如下:

项目级理解能力:通过超强上下文工程与Repo Wiki功能,实现对十万级代码文件的深度扫描与隐性知识的显性化文档转化。 智能开发模式:提供问答、智能体及首创的Quest任务模式,支持从自然语言需求到端到端代码交付的全流程自主开发。 记忆与自适应能力:依托长短期记忆系统学习开发者偏好,结合智能模型路由自动匹配最优AI模型以实现持续进化。 日常编程辅助:具备上下文感知的多行级代码补全、内联聊天重构及智能Debug功能,全方位提升日常开发效率。 工具生态扩展:基于MCP协议无缝接入数据库、终端等外部工具,构建可扩展的一站式开发服务生态。 下面是Qoder使用过程中的效果图,和IDEA还是非常搭的!

这或许是一个对你有用的开源项目,mall项目是一套基于 SpringBoot3 + Vue3 的电商系统(Github标星60K),后端支持多模块和微服务架构,采用Docker和K8S部署。包括前台商城项目和后台管理系统,能支持完整的订单流程!涵盖商品、订单、购物车、权限、优惠券、会员、支付等功能!

Boot项目: github.com/macrozheng/… Cloud项目: github.com/macrozheng/… 文档网站: 项目演示:

安装及配置 在IDEA中安装Qoder非常简单,直接从插件市场搜索 qoder即可找到该插件,插件有200M左右大小,需要耐心等待一会。

Qoder安装完成后,默认为英文版本,可以在 设置->其他设置->Qoder中设置为中文。

此外Qoder除了可以使用内置模型外,还支持配置自定义模型,如果你有购买 Coding plan的话,也可以添加对应的模型。

如果你想让Qoder全面接管IDEA,可以在 个人设置->MCP服务中添加IDEA的MCP服务。

Qoder里面还有个 MCP广场,里面有很多常用的MCP,如果你有需要的话,也可以从里面安装。

对比Claude Code,Qoder的模式比较简单,有智能问答和智能体两种;

智能问答:相当于只聊天不执行。 智能体:编程规划及执行。 目前有些热门模型的coding plan还需要抢购,而Qoder中内置了Qwen3.6-Plus、GLM-5.1、MiniMax-M2.7等新模型,简直是开箱即用!

Qoder内置了模型分级选择器,为开发者提供五个高性能模型池,具体使用场景可以参考下图。

使用 下面就以我的mall-tiny(基于Spring Boot的脚手架)项目升级 Spring Boot 4.0.5为例,来介绍下Qoder的使用。

这里我先让Qoder来规划下升级方案,输入如下提示词; 代码解读复制代码我想把项目升级到SpringBoot 4.0.5,帮我规划下升级方案,生成markdown存放到项目根目录下。 Qoder帮我生成了方案,并对其中的关键升级项和主要工作量进行了总结;

整个升级方案还是非常全面的,看了下没啥问题就让它执行了,具体生成方案的目录如下;

执行过程中Qoder自行添加了待办事项,每个事项完成后会自动标记为完成,还可以自行调用IntelliJ MCP来完成一些操作;

Qoder在执行终端命令时,出现了个小问题,需要把IDEA的终端设置为 经典才可以解决;

最终Qoder完成了升级任务,在此过程中还发现了一些废弃的API,也进行了升级;

之后我还让Qoder运行项目,并对项目中的接口进行了测试,测试也顺利通过了;

最后还让其生成了一份升级文档,内容还是非常详细的!

总结 今天通过项目实战给大家分享了下Qoder的使用,对比之前使用的CC GUI+Claude Code,感觉Qoder更加丝滑,内置了国内顶尖的几款大模型,响应速度也比较快,感兴趣的小伙伴可以尝试下!

作者:MacroZheng 来源:稀土掘金

AI
3
3
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片
🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
410
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题