Escolha o modelo de IA por trás das edições do seu servidor

O PrimeCircuit não prende você a um único cérebro. Você escolhe o modelo: um provedor de IA na nuvem por um endpoint de API padrão, um modelo rodando no seu próprio PC ou o modelo integrado, e pode mudar a escolha quando quiser.

Três jeitos de conectar um modelo

Um provedor de IA na nuvem

Digite o endpoint e a chave de API de um provedor de IA na nuvem. Isso serve para edições grandes e arquivos de plugins longos, porque esses modelos conseguem ler mais de uma vez. A chave fica no seu PC, mas seus prompts vão para o provedor escolhido, então não coloque dados privados neles. O provedor pode cobrar à parte.

Um modelo no seu PC

Um modelo rodando localmente no seu PC mantém tudo na máquina, então nada sai dela. Serve para pastas de servidor privadas e para trabalhar offline. Modelos locais menores podem ter dificuldade com arquivos longos, então dê a eles tarefas pequenas e claras, como 1 mudança de config por vez.

O modelo integrado

O modelo integrado não precisa de endpoint nem de chave de API, o que o torna um jeito tranquilo de experimentar o PrimeCircuit em um arquivo de config pequeno. Para plugins longos ou lógica complicada, talvez você queira um modelo maior depois. Trocar leva uma visita às configurações.

Verifique a conexão com o Test

Depois de digitar um endpoint, aperte o botão Test. Ele envia um pedido curto, mostra o tempo de resposta e informa a janela de contexto, que é quanto texto o modelo consegue ler de uma vez. Um arquivo de plugin grande pede uma janela maior, então confira o número antes de começar um trabalho longo.

Combine o modelo com o trabalho

Use um modelo maior para refatorações e lógica complexa, e um menor para edições pequenas, como 1 valor alterado. Quando um único passo é difícil demais, run_on_model manda só esse passo para um modelo maior, e o resto do chat continua no modelo de sempre.

A qualidade varia de um modelo para outro. Revise o diff sempre que aceitar uma mudança e deixe o Ask first ligado até confiar em como um modelo lida com seus arquivos.