1. 为什么要折腾 Aider 的自定义 API官方配置之外的刚需场景先说说我个人的使用背景。我用 Aider 做终端里的辅助编程已经有半年多从最初老实按官方文档用 OpenAI 的 key到后来切换到各种自定义 API最大的感受就是这个工具真正的自由度不在它支持多少功能而在你能不能把模型接入点换成自己说了算的那个。Aider 是啥一句话给还没上手的读者解释它是一个跑在终端里的 AI 配对编程工具能直接读取你的本地 Git 仓库理解代码改动然后通过自然语言对话帮你改代码、提交 commit、跑测试。和 ChatGPT 那种网页对话完全不同Aider 操作的是真实项目文件每一次修改都会以 diff 的形式呈现确认后直接落盘。它是给程序员用的结对搭子不是聊天机器人。那为什么需要配置自定义 API原因很直白我用几个场景来说成本控制OpenAI 官方按 token 计费日常高强度使用时账单容易烫手。很多兼容 OpenAI 协议的中转服务或云厂商端点价格能低一大截同样的任务量花费完全不同。模型选择自主权不同模型在不同编程任务上的表现差异很大。有的模型在代码补全上反应极快有的模型在复杂重构时思路更完整。Aider 默认只认几个官方模型但自定义 API 可以让你把任何兼容接口的模型接进来。数据隐私和合规压力不少公司内部代码不能出内网或者必须走企业内部部署的模型网关。这个场景下配置自定义 API 不是可选项而是能不能用 Aider 的前提条件。区域可用性问题有些地区官方服务访问不稳定很多开发者会找可靠的中转端点或者本地推理服务比如 Ollama、vLLM 部署的本地模型来替代。这四种需求里前两种是想折腾后两种是不折腾不行。不管你是哪一种本文的核心内容都一样手把手把 Aider 自定义 API 的配置链路彻底讲透从配置文件语法、环境变量加载到模型元数据覆盖再到验证、排错、进阶技巧一条龙走完。注意本文讲的所有自定义 API均指通过合规渠道获取的兼容 OpenAI SDK 协议的 API 端点包括自建推理服务、企业内部模型网关、云厂商模型服务以及公开的模型聚合平台。配置逻辑都是通用的。2. 配置前必须搞清楚的底层逻辑Aider 是怎么找到模型端点的不夸张地说很多人配置失败问题都出在这一步没想清楚。Aider 的模型接入机制表面上就是个--model参数但底层其实有完整的查找链路。搞清楚这个链路你才能理解后面每一步在干什么。2.1 三层配置的优先级命令行 环境变量 配置文件Aider 的配置来源有三个地方优先级从高到低分别是命令行参数比如aider --model gpt-4o --api-key sk-xxx最高优先只影响当次启动环境变量在 shell 里 export 的变量比如AIDER_MODEL、AIDER_API_KEY、AIDER_OPENAI_API_BASE或者写在.env文件里的变量中间优先配置文件默认是~/.aider.conf.yml也可以是项目目录下的.aider.conf.yml低优先作为兜底如果你同一项在三处都有值命令行会覆盖环境变量环境变量会覆盖配置文件。掌握这个顺序之后排查为什么我改了配置文件没生效这类问题时就会有的放矢——大概率是环境变量或命令行参数把它盖掉了。2.2 自定义 API 的核心接线点不是 key而是 base URL很多新手会问自定义 API 是不是把--api-key换成我买的 key 就行了不是。自定义 API 和默认 OpenAI 服务的最大区别在于 API 的接入地址base URL不同。你买的第三方服务它提供的文档里一定会写一个类似https://xxx.com/v1这样的端点地址。Aider 通过这个地址去发起对话补全请求就像浏览器通过网址访问网站一样。key 只是身份验证base URL 才是数据走的管道。Aider 里对应的参数有这么几个我列个表方便对照参数作用默认情况AIDER_OPENAI_API_BASE设置 OpenAI 兼容接口的 base URL默认指向 OpenAI 官方https://api.openai.com/v1AIDER_API_KEY设置认证密钥无默认必须配置AIDER_MODEL指定使用的模型名默认 gpt-4o 等官方模型AIDER_MODEL_METADATA覆盖模型的元数据上下文窗口、价格等非必填但自定义模型时建议配置AIDER_ENV_FILE指定加载哪个环境变量文件默认无Aider 会自动读.env2.3 为什么本地模型和云端中转的配置逻辑不一样一个容易混淆的点Ollama、LM Studio、vLLM 这类本地推理服务和云端中转服务的接入逻辑有微妙区别。云端中转通常直接兼容 OpenAI 的/v1/chat/completions路径所以 base URL 一般填到/v1结尾就行。但本地推理服务五花八门Ollama 默认暴露的是http://localhost:11434它不仅有原生 API也提供了 OpenAI 兼容端点http://localhost:11434/v1。Aider 官方对 Ollama 有专门支持可以直接aider --model ollama/qwen2.5-coder这种格式。vLLM 启动服务时可以通过--api-key来设置认证而且它在兼容 OpenAI 协议方面做得最全一般填http://your-server:8000/v1即可。LM Studio 的新版本也带了一个本地服务器提供一个 OpenAI 兼容的端点填入它的地址就行。所以配置之前先去查你用的服务商或推理框架的文档确认它对外暴露的完整 URL 长什么样。端点路径多一层、少一层都会直接导致连接失败。3. 实操从零开始把 Aider 接到自定义 API完整步骤拆解这章是全文的核心我按一条完整链路来写安装、初始化配置文件、写入自定义 API 信息、验证启动、实测对话。3.1 安装 Aider 和 Python 环境准备Aider 是一个 Python 工具官方推荐用 pipx 或者 venv 安装避免污染系统 Python 环境。我个人的习惯是用 pipx因为它能把每个 CLI 工具隔离在自己独立的环境里后续升级也不互相影响。# 安装 pipx如果已有可跳过 brew install pipx # 或者使用 apt 系 sudo apt install pipx pipx ensurepath # 通过 pipx 安装 aider pipx install aider-chat装完检查一下aider --version如果 bash 提示找不到命令大概率是~/.local/bin没加到 PATH 里把下面这行加到~/.bashrc或~/.zshrcexport PATH$PATH:$HOME/.local/bin然后重新加载配置再试一次。3.2 创建项目级 .env 文件还是全局配置文件Aider 官方支持两种存放配置的路径全局~/.aider.conf.yml和项目目录下的.env文件。我的建议是全局配置文件只放通用选项比如编辑器偏好、是否自动提交项目相关的 API 信息放进项目目录的.env。原因有两点第一不同项目可能对接不同模型比如这个项目用本地模型那个项目用云端中转各自独立不会串第二.env文件天然被.gitignore排除不会把密钥误提交到仓库。好开始写配置。在项目根目录创建.env文件touch .env然后编辑# .env AIDER_MODELopenrouter/deepseek/deepseek-chat AIDER_API_KEYsk-or-xxxxxxxxxxxxxxxx AIDER_OPENAI_API_BASEhttps://openrouter.ai/api/v1看懂这几行在干什么吗第一行是模型名我用的是 OpenRouter 平台上 deepseek 模型的命名格式厂商/模型名。第二行是密钥。第三行最关键告诉 Aider 往哪个地址发请求。3.3 启动 Aider 并验证是否成功接入在配置好.env的项目目录里执行aiderAider 启动时会自动读取当前目录下的.env文件。启动成功后你会看到模型信息提示比如Model: openrouter/deepseek/deepseek-chat。这时候心里还没底没关系直接让它做个小任务来验证请帮我读一下当前目录下的 README.md然后用三句话说一下这个项目是干嘛的如果它能正确读取文件并给出合理的回答说明接入成功。如果它回答我不确定当前目录有什么文件那也是正常的——Aider 需要你先用git add把文件纳入版本控制它默认只会读取已跟踪的文件。3.4 用命令行参数临时验证排错时最好用如果你不想先写配置文件就想快速验证一个 API 能不能用可以用命令行参数直接启动aider --model deepseek/deepseek-chat \ --api-key sk-xxx \ --openai-api-base https://xxx.com/v1这种做法的好处是无残留启动失败就直接换参数不会在配置文件里留下写了一半的内容。适合用来快速测试不同端点和不同 key 的搭配。3.5 图形化菜单也有配置入口适合不想碰命令行参数的人如果你已经在 Aider 的交互界面里也可以直接输入/model命令切换模型输入/help查看当前配置摘要。不过我的建议是界面内的操作适合临时切换不适合作为第一次接入的配置方式因为一旦退出进程切换结果不会持久化。真正想要每次进项目自动用哪个模型还得靠.env或配置文件。4. 不同供应商接入的适配细节对照OpenRouter、自建服务、企业内部网关Aider 的自定义 API 接入理论上只要遵循 OpenAI SDK 协议就能用同一套配置跑通。但实际接入不同供应商时细节上有不少差异我挑三个最常见的类型分别讲。4.1 OpenRouter聚合平台模型命名格式最讲究OpenRouter 是一个聚合多家模型服务的平台一个 key 访问几十种模型。它最大的特点是模型名字必须写全用厂商/模型名的格式比如openrouter/deepseek/deepseek-chatopenrouter/anthropic/claude-3.5-sonnetopenrouter/meta-llama/llama-3.3-70b-instructAider 官方直接把 OpenRouter 支持内置了所以你只要把 base URL 配成https://openrouter.ai/api/v1然后模型名部分按它的命名规则写就行。有些模型在 OpenRouter 上有多个版本比如带 :free 后缀的免费版用 Aider 配这类模型时要注意模型编码能力和上下文窗口会影响输出质量免费版通常会有速率限制不适合长时间高强度结对。实际使用中我建议在.env里再加一行AIDER_OPENAI_API_BASEhttps://openrouter.ai/api/v1 AIDER_OPENAI_API_KEYsk-or-xxxxxxxx AIDER_MODELopenrouter/deepseek/deepseek-chat注意我这里是用了AIDER_OPENAI_API_KEY而不是笼统的AIDER_API_KEY因为 OpenRouter 文档里明确要求认证头用Authorization: Bearer携带它的 key而 Aider 对 OpenRouter 场景会自动处理这套。如果你用的是普通兼容端点用AIDER_API_KEY即可。4.2 自建本地推理服务vLLM 和 Ollama 的两种接入姿势本地部署推理服务的场景越来越常见。我分别说vLLM 启动的命令大概是这样假设模型是 Qwen2.5-Coder-7Bpython -m vllm.entrypoints.openai.api_server \ --model Qwen/Qwen2.5-Coder-7B-Instruct \ --host 0.0.0.0 \ --port 8000 \ --api-key your-local-key启动后 Aider 配置AIDER_MODELQwen/Qwen2.5-Coder-7B-Instruct AIDER_API_KEYyour-local-key AIDER_OPENAI_API_BASEhttp://127.0.0.1:8000/v1vLLM 的 OpenAI 兼容端点做得非常标准base URL 必须带/v1模型名一般就是你在启动命令里传的--model参数值两边严格一致才能命中。如果不带 API keyvLLM 默认是不校验的那 Aider 这边的AIDER_API_KEY可以随便填一个占位符——有些版本的 OpenAI SDK 不允许 key 为空填sk-no-auth这类占位值就行。Ollama 的接入更特殊Ollama 原生 API 是/api/generate这种格式但它也实现了 OpenAI 兼容端点在/v1/chat/completions。不过 Aider 对 Ollama 有单独的模型前缀处理配置方式跟通用 OpenAI 兼容端点不一样AIDER_MODELollama/qwen2.5-coderAider 会自动把ollama/前缀识别为本地 Ollama然后用默认地址http://localhost:11434去连不需要手动设置 API base。此时如果你还额外设了AIDER_OPENAI_API_BASE反而可能覆盖掉它内部对 Ollama 的默认地址处理导致连不上。4.3 企业内部模型网关常有额外 Header 要求企业自建的模型网关比如基于 One-API、LiteLLM 部署的网关是最容易出现配置看起来都对但连不上的场景。原因通常出在网关要求额外的请求头或者特殊路径前缀。LiteLLM 部署的网关标准 OpenAI 兼容路径一般是AIDER_MODELopenai/my-model-name AIDER_API_KEYsk-litellm-master-key AIDER_OPENAI_API_BASEhttps://gateway.company.com/v1但有些公司的网关要求带租户 ID、环境标识等额外 Header而 Aider 的基础配置不直接支持自定义 Header。这种场景下我有两个解决思路用一个反向代理比如 Nginx把网关要求的 Header 注入进去对外暴露一个干净的 OpenAI 兼容端点然后 Aider 连代理。写一个极轻量的 OpenAI 兼容转发服务用 FastAPI 包一层统一处理认证 Header 和路径映射。企业网关这个场景不是说 Aider 配不了而是需要在你和网关之间加一个翻译层。一般情况下只要网关本身是 OpenAI 兼容协议直接把 base URL 指向/v1路径加上正确的 key就能跑通。5. 模型元数据覆盖自定义模型接入后必须补的一课你有没有遇到过这种情况API 明明通了Aider 也启动成功了但一对话就报错token count exceeded或者输入超出最大上下文限制这通常是因为Aider 根本不认识你这个自定义模型它只能用内置的默认元数据来估算上下文窗口和价格。如果实际模型支持 128K 上下文Aider 却以为只有 8K那么稍微长一点的代码文件就会触发超限报错。5.1 元数据里到底有哪些字段Aider 支持通过AIDER_MODEL_METADATA参数覆盖模型的元信息格式是 JSON 字符串常用的字段有max_input_tokens模型最大输入 token 数max_output_tokens最大输出 token 数input_cost_per_token每千 token 输入价格美元output_cost_per_token每千 token 输出价格openai_compatible是否是 OpenAI 兼容接口一般 True5.2 具体配置写法假设我接入的是一个本地部署的模型支持 32K 上下文输入价格忽略不计本地部署那么配置长这样AIDER_MODEL_METADATA{max_input_tokens: 32000, max_output_tokens: 4000, input_cost_per_token: 0.0, output_cost_per_token: 0.0}注意如果 JSON 里有空格建议整个用单引号包起来避免 shell 解析出问题。5.3 一个坑max_input_tokens 与 max_output_tokens 的关系Aider 内部会用人话给它能处理的输入长度设一个上限max_input_tokens是你模型的硬上限但这个硬上限不能被全部用来塞上下文因为模型还需要预留输出 token。如果你没设置max_output_tokensAider 可能会从输入预算里扣掉默认的输出预算导致你能用的上下文变小。我目前用的方案是本地模型统一设max_input_tokens为模型标注上下文的三分之二左右输出预留 4K 到 8K。比如一个 128K 上下文的模型我设置max_input_tokens为 80000max_output_tokens为 8000。这样既不会因为塞太满导致模型生成中途截断又能保证长代码文件放得进去。5.4 价格信息也要填虽然不花钱但影响 Aider 的策略判断这里有个不容易注意的点Aider 在决定要不要自动压缩代码、要不要用 map 文件、要不要走更省的上下文策略时会参考模型的价格和上下文大小。如果你把价格设成 0、上下文设得很大Aider 会认为这个模型很便宜于是倾向于把更多代码一次性塞进上下文减少多轮交互。这通常是个好事但如果你本地模型跑得很慢反而应该把价格设高一点诱导 Aider 更精打细算地使用上下文。这个小技巧是我在实际项目中对比出来的推荐你按需尝试。6. 环境变量加载的隐藏机制.env 文件到底怎么被读的很多人不知道Aider 读取.env文件有一套自己定义的查找顺序理解它有助于避免我明明写了配置它却不生效的困惑。6.1 .env 查找顺序和 Git 仓库的关系Aider 启动时会从当前工作目录往上逐级查找.env文件。当你在一个 Git 仓库里运行 Aider 时查找逻辑还会受到 Git 根目录的影响。具体来说它会先找当前目录的.env然后往上找父目录的.env如果当前目录恰好是 Git 仓库根目录那 Git 根目录的.env就是最高优先级之一全局的~/.env也可以被读取但优先级最低所以如果你在项目子目录里启动了 Aider它却读到了别的配置文件先查查是不是在父级目录或 Git 根目录存在另一个.env把它覆盖了。6.2 自定义环境变量文件的指定方式有些场景下你不想用.env这个名字比如不同模型分别存不同文件可以用--env-file参数指定aider --env-file .env.local这个参数在命令行里指定适用于同一个项目今天对接 A 模型、明天对接 B 模型的切换需求。6.3 检查当前生效的配置到底是多少运行 Aider 后在交互界面输入/run或者直接启动时加上 verbose 模式aider --verboseverbose 模式会在启动阶段打印出实际加载到的模型、API base、key 来源是从配置读的还是从环境变量读的这对排查我修改了配置但看不到变化特别有用。比如它会明确显示api_key: loaded from env file和api_key: loaded from environment一眼就能看出是哪层配置兜底生效。7. 终端实测几个容易翻车的场景和完整解决链路即使配置思路全对实操中一定会遇到几个经典翻车场景。我把它们按发生频率排序每个都给出排查链路你能按图索骥。7.1 场景一Connection error连不上端点现象Aider 启动后一说话就报Connection error或者APIError: Connection error。排查链路先确认端点地址在浏览器或 curl 里能不能通curl -X POST https://你的api地址/v1/chat/completions \ -H Authorization: Bearer 你的key \ -H Content-Type: application/json \ -d {model: 你的模型名, messages: [{role: user, content: hi}], max_tokens: 10}这一步能把网络问题和Aider 配置问题分离。如果 curl 能返回正常 JSON说明端点没问题问题在 Aider 侧如果 curl 也报错先解决网络和服务端问题。确认 base URL 是否带/v1。很多服务商在文档里给的是https://xxx.com不带/v1需要你的 Aider 配置补上也有的给了完整/v1你再填的时候别重复写。确认有没有代理或防火墙拦截。如果本机有 HTTP 代理设置比如公司网络可能需要给 Aider 显式传代理环境变量。我在 Linux 终端里经常遇到这个问题尤其用了终端代理工具之后Aider 默认不会继承所有环境变量要在.env或系统环境变量里显式设置HTTP_PROXY和HTTPS_PROXY。确认 TLS/SSL 证书问题。企业内部网关如果用的是自签名证书curl 会直接拒绝连接Aider 也一样。这种场景需要让 Python 环境信任该证书或者临时用SSL_CERT_FILE指向证书文件。7.2 场景二Model not found 或 404现象连接没报错但每次请求都返回 404 或model not found。排查链路这种情况九成是模型名不对。同一个服务商Chat 页面显示的模型名和 API 接口接受的模型名经常不一样。解决办法只有一条去查服务商 API 文档里列出的精确模型标识符然后原样复制到AIDER_MODEL里。还有一个坑有些平台允许你在 URL 里用模型别名但通过 API 调用时必须用完整的部署名称。比如我接企业内部网关时文档写模型名填 chatgpt-4o-latest但实际 API 期望的是gpt-4o加上deployment参数。这种服务端差异会导致 Aider 报 404。7.3 场景三401 Unauthorized 或 Forbidden现象连接建立成功但认证失败。排查链路检查 key 是否拷贝完整。key 中间意外多了空格、换行从网页复制时常见都会导致认证失败。检查是否配错了环境变量名。Aider 的AIDER_API_KEY和AIDER_OPENAI_API_KEY是两个不同的变量前者是通用 OpenAI 兼容接口的 key后者是特定情况下使用的。如果用错了请求头里的 key 可能没被带上。有些服务商要求额外传organization或project字段尤其是大厂的云服务。Aider 不一定直接暴露这些参数需要通过 API base 路径或者在网关侧绑定 project 来解决。7.4 场景四上下文长度超限现象小对话没问题一旦让它读大文件或多次迭代改代码就报maximum context length exceeded。排查链路直接进AIDER_MODEL_METADATA把max_input_tokens调大。我前面说过可以先从模型实际支持的上下文里预留输出窗口再填剩余值。调完保存.env重启 Aider 生效。7.5 场景五Aider 读了但改不动代码文件现象对话正常它也能读懂代码但说我不能修改文件或者修改没落盘。排查链路确认当前目录是不是 Git 仓库。Aider 强烈依赖 Git它只会修改已跟踪的文件而且改动需要通过git diff确认。如果你的项目还没git init它不会改任何文件。检查文件是否被.gitignore排除。如果文件没被 Git 跟踪Aider 默认不会编辑它。确认你是不是在--yes模式全自动模式。如果设置了--yesAider 会自动采纳所有修改建议不需要交互确认但前提是它认为当前修改是安全的。不要和自动提交混淆——--auto-commit只影响是否自动 commit不影响是否修改文件。8. 进阶把自定义 API 按项目做区分管理多个模型接入当你同时维护多个项目、多个模型时靠一个全局配置就不够用了。我分享一下我现在是怎么管理的算是比较成熟的项目级管理方案。8.1 每个项目一套 .env互不干扰我的项目结构长这样~/code/project-a/ .env # project-a 对接 A 模型 .aider.conf.yml # project-a 的 Aider 偏好设置 ~/code/project-b/ .env # project-b 对接 B 模型.env里只放接入相关的内容比如AIDER_MODELopenrouter/anthropic/claude-3.5-sonnet AIDER_OPENAI_API_BASEhttps://openrouter.ai/api/v1 AIDER_OPENAI_API_KEYsk-or-xxxx.aider.conf.yml里放通用偏好auto-commit: true pretty: true show-model-warnings: true edit-format: diff项目 B 想用不同模型就把.env里的三行复制过去改一下模型名和 key。因为.env不会被提交到 Git所以不同项目的密钥天然隔离。8.2 通过 alias 一键切换模型配置如果你经常在同一个项目里切换不同模型对比效果比如同一个任务分别用 A 模型和 B 模型跑一遍可以在 shell 里定义 alias# ~/.bashrc 或 ~/.zshrc alias aider-localaider --env-file .env.local alias aider-cloudaider --env-file .env.cloud然后项目目录里维护两个环境变量文件一个指向本地 vLLM一个指向云端中转。用哪个模型就用对应 alias 启动 Aider。8.3 推荐用--edit-format控制修改方式进阶用户还会关注 Aider 的修改格式edit format有diff生成 diff 再套用、whole整个文件重写、udiff等几种。不同模型对不同格式的支持效果不一样。我实测下来本地小参数模型用whole格式更稳云端强模型用diff格式更省 token。如果你发现 Aider 改代码时经常改出语法错误试试切换 edit format往往立竿见影。9. 一个容易被忽略的问题模型适配性与 Aider 内置提示词的关系最后讲一个稍微深一点的话题也是我踩过多次坑之后才彻底想明白的。Aider 不是一个简单的把聊天记录透传给模型的工具。为了引导模型输出可解析的代码修改结果它会在你每次请求时注入一整套系统提示词告诉模型如何回应、如何输出 diff、如何遵循编辑器指令。不同模型对这套提示词的遵循能力是天差地别的。顶级大模型Claude 3.5 Sonnet、GPT-4o 级别基本能完美理解 Aider 的提示词输出规范的 diff 格式Aider 可以准确落盘。小参数开源模型7B~13B 级别有时会无视指令直接输出一大段解释文字而不是 diff导致 Aider 无法解析。这时候你往往会看到它回答得很热闹但文件根本没改。这跟API 能不能通完全是两码事但它决定自定义 API 接入后好不好用。所以我的建议是如果自定义 API 接的是一个未知模型第一次跑一个最小改代码测试比如让它给一个函数改名看它能不能真正落盘。如果它输出很好但就是不落盘先怀疑 edit format再怀疑模型对系统提示词的遵循能力。如果你一定要用开源小模型可以在模型名里加提示 Aider 用更宽松的解析模式或者手动把编辑格式调成whole整体重写让它输出完整文件内容而不是 diff解析成功率会明显提高。10. 我踩过几次坑之后的总结性配置模板和心得最后分享一套我目前用得最顺手的完整模板以及几条实战心得。10.1 通用配置模板.env 文件# 模型接入 AIDER_MODEL你的模型名 AIDER_API_KEY你的密钥 AIDER_OPENAI_API_BASEhttps://你的端点/v1 # 模型元数据按需调整 AIDER_MODEL_METADATA{max_input_tokens: 32000, max_output_tokens: 4096, input_cost_per_token: 0, output_cost_per_token: 0}.aider.conf.yml 文件# 启动时的常用偏好 auto-commit: true pretty: true show-model-warnings: false edit-format: diff测试启动命令aider --verbose10.2 实战心得和我的个人建议这条配置流程我帮不少同事配过反复踩坑之后留下了几条最值得分享的经验不要相信别人的配置能直接复制粘贴。不同服务商的 base URL 路径、模型命名规则差异很大唯一靠谱的方式是读服务商自己的 API 文档从里面找OpenAI 兼容或Chat Completions相关的接入说明。Key 泄露的教训.env虽然通常被.gitignore排除但如果你把.env放在子目录而 Git 根目录没有全局*.env规则它还是有可能被提交进仓库。建议在全局.gitignore里加一行*.env一劳永逸。模型切换前先看 Aider 的 verbose 日志我每次接入新端点都会用aider --verbose启动一次确认它实际读到的 API_base 是不是我预期的。宁可花 10 秒看日志也不要花 10 分钟猜问题。本地模型如果响应慢先检查max_input_tokens设的是不是虚高模型上下文标称值和实际推理性能是两码事。即使硬件能塞 128K 上下文推理速度也可能慢到无法使用。我配置本地模型时宁可把上下文设小一点换取流畅的交互体验。Aider 的自定义 API 接入本质上就是把模型、密钥、端点这三件事告诉它。复杂的地方从来不在 Aider 本身的配置而在你对接的供应商或推理框架千奇百怪的细节差异。按本文的链路走一遍大部分问题都能在十分钟内解决。之后你会体会到一个能自由选择模型的终端结对编程工具用起来和官方默认配置完全是两个世界。