LLM 提供商

要在 Zed 中使用 AI，您需要至少设置一个大语言模型提供商。一旦配置完成，这些提供商将在 Agent Panel、Inline Assistant 和 Text Threads 中可用。

您可以通过订阅 [Zed 的任一计划](./plans-and usage.md) 来实现，或者使用您已支持的提供商的 API 密钥。有关通用 AI 设置，请参阅 Configuration。

使用您自己的密钥

如果您已经拥有 Anthropic 或 OpenAI 等提供商的 API 密钥，您可以将其添加到 Zed。无需 Zed 订阅。

要将现有的 API 密钥添加到指定的提供商，请转到 Agent Panel 设置 (agent: open settings)，找到所需的提供商，将密钥粘贴到输入框中，然后按回车键。

注意：API 密钥不会以纯文本形式存储在您的设置文件中，而是存储在您操作系统的安全凭证存储中。

支持的提供商

Zed 支持使用您自己的 API 密钥的以下提供商：

Amazon Bedrock
Anthropic
DeepSeek
GitHub Copilot Chat
Google AI
LM Studio
Mistral
Ollama
OpenAI
OpenAI API Compatible
OpenRouter
Vercel AI Gateway
Vercel v0
xAI

Amazon Bedrock

支持对支持流式工具调用的模型使用工具。更多细节可以在 Amazon Bedrock 的工具使用文档中找到。

要使用 Amazon Bedrock 的模型，需要 AWS 身份验证。确保您的凭证已设置以下权限：

bedrock:InvokeModelWithResponseStream
bedrock:InvokeModel

您的 IAM 策略应如下所示：

json

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "bedrock:InvokeModel",
        "bedrock:InvokeModelWithResponseStream"
      ],
      "Resource": "*"
    }
  ]
}

完成后，从以下三种身份验证方法中选择一种：

通过命名配置文件进行身份验证（推荐）

确保您已安装 AWS CLI 并使用命名配置文件进行了配置

打开您的设置文件 (zed: open settings file) 并在 language_models 下包含 bedrock 键，并使用以下设置：

json

{
  "language_models": {
    "bedrock": {
      "authentication_method": "named_profile",
      "region": "your-aws-region",
      "profile": "your-profile-name"
    }
  }
}

通过静态凭据进行身份验证

虽然可以通过在 Agent Panel 设置 UI 中直接输入您的 AWS 访问密钥和密钥来进行配置，但我们建议使用命名配置文件以获得更好的安全实践。为此：

在 IAM 控制台中创建一个 IAM 用户。
为该用户创建安全凭证，保存并妥善保管它们。
使用 (agent: open settings) 打开 Agent 配置并转到 Amazon Bedrock 部分
将步骤 2 中的凭证分别复制到 Access Key ID、Secret Access Key 和 Region 字段中。

通过 Bedrock API 密钥进��身份验证

Amazon Bedrock 还支持 API 密钥，它无需 IAM 用户或命名配置文件即可直接进行身份验证。

在 Amazon Bedrock 控制台中创建一个 API 密钥
使用 (agent: open settings) 打开 Agent 配置并转到 Amazon Bedrock 部分
在 API Key 字段中输入您的 Bedrock API 密钥，然后选择您的 Region

json

{
  "language_models": {
    "bedrock": {
      "authentication_method": "api_key",
      "region": "your-aws-region"
    }
  }
}

API 密钥本身安全地存储在您的操作系统钥匙串中，而不是在您的设置文件中。

跨区域推理

Zed 对 Amazon Bedrock 的实现使用跨区域推理来提高可用性和吞吐量。通过跨区域推理，您可以将流量分布在多个 AWS 区域，从而实现更高的吞吐量。

区域性与全局性推理配置文件

Bedrock 支持两种类型的跨区域推理配置文件：

区域性配置文件（默认）：在特定地理区域内（美国、欧盟、亚太地区）路由请求。例如，us-east-1 使用 us.* 配置文件，该配置文件在 us-east-1、us-east-2 和 us-west-2 之间路由。
全局性配置文件：跨所有商业 AWS 区域路由请求，以实现最高的可用性和性能。

默认情况下，Zed 使用区域性配置文件，这会将您的数据保留在相同的地理区域内。您可以通过在 Bedrock 配置中添加 "allow_global": true 来选择使用全局配置文件：

json

{
  "language_models": {
    "bedrock": {
      "authentication_method": "named_profile",
      "region": "your-aws-region",
      "profile": "your-profile-name",
      "allow_global": true
    }
  }
}

注意：只有部分较新的模型支持全局推理配置文件。有关支持全局推理的当前模型列表，请参阅 AWS Bedrock 支持的模型文档。如果您在区域中遇到模型的可用性问题，启用 allow_global 可能会解决这些问题。

尽管数据仅存储在源区域中，但在跨区域推理期间，您的输入提示和输出结果可能会移出您的源区域。所有数据都将通过亚马逊的安全网络进行加密传输。

我们将尽最大努力为每个模型支持跨区域推理，请参考跨区域推理方法代码。

有关最新的支持区域和模型，请参阅跨区域推理的支持模型和区域。

扩展上下文窗口

Bedrock 上的 Anthropic 模型通过 anthropic_beta API 参数支持 1M token 的扩展上下文窗口。要启用此功能，请在您的 Bedrock 配置中设置 "allow_extended_context": true：

json

{
  "language_models": {
    "bedrock": {
      "authentication_method": "named_profile",
      "region": "your-aws-region",
      "profile": "your-profile-name",
      "allow_extended_context": true
    }
  }
}

Zed 为支持的模型（Claude Sonnet 4.5 和 Claude Opus 4.6）启用扩展上下文。扩展上下文的使用可能会增加 API 成本—有关详细信息，请参阅 AWS Bedrock 定价。

图像支持

支持视觉的 Bedrock 模型（Claude 3 及更高版本、Amazon Nova Pro 和 Lite、Meta Llama 3.2 Vision 模型、Mistral Pixtral）可以在对话和工具结果中接收图像。

Anthropic

您可以通过在 Agent Panel 中的模型下拉列表中选择 Anthropic 模型来使用它们。

注册 Anthropic 并创建一个 API 密钥
确保您的 Anthropic 账户有信用额度
打开设置视图 (agent: open settings) 并转到 Anthropic 部分
输入您的 Anthropic API 密钥

即使您为 Claude Pro 付费，您仍然需要为额外的信用额度付费才能通过 API 使用它。

如果定义了 ANTHROPIC_API_KEY 环境变量，Zed 也会使用它。

自定义模型

您可以通过将以下内容添加到您的 Zed 设置文件中来向 Anthropic 提供商添加自定义模型（如何编辑）：

json

{
  "language_models": {
    "anthropic": {
      "available_models": [
        {
          "name": "claude-3-5-sonnet-20240620",
          "display_name": "Sonnet 2024-June",
          "max_tokens": 128000,
          "max_output_tokens": 2560,
          "cache_configuration": {
            "max_cache_anchors": 10,
            "min_total_token": 10000,
            "should_speculate": false
          },
          "tool_override": "some-model-that-supports-toolcalling"
        }
      ]
    }
  }
}

自定义模型将列在 Agent Panel 中的模型下拉列表中。

您可以通过将模型配置中的模式更改为 thinking 来配置模型使用扩展思考（如果支持），例如：

json

{
  "name": "claude-sonnet-4-latest",
  "display_name": "claude-sonnet-4-thinking",
  "max_tokens": 200000,
  "mode": {
    "type": "thinking",
    "budget_tokens": 4096
  }
}

DeepSeek

访问 DeepSeek 平台并创建一个 API 密钥
打开设置视图 (agent: open settings) 并转到 DeepSeek 部分
输入您的 DeepSeek API 密钥

DeepSeek API 密钥将保存在您的钥匙串中。

如果定义了 DEEPSEEK_API_KEY 环境变量，Zed 也会使用它。

自定义模型

Zed agent 已预配置为使用常见模型（DeepSeek Chat, DeepSeek Reasoner）的最新版本。如果您希望使用替代模型或自定义 API 端点，您可以通过将以下内容添加到您的 Zed 设置文件中来实现（如何编辑）：

json

{
  "language_models": {
    "deepseek": {
      "api_url": "https://api.deepseek.com",
      "available_models": [
        {
          "name": "deepseek-chat",
          "display_name": "DeepSeek Chat",
          "max_tokens": 64000
        },
        {
          "name": "deepseek-reasoner",
          "display_name": "DeepSeek Reasoner",
          "max_tokens": 64000,
          "max_output_tokens": 4096
        }
      ]
    }
  }
}

自定义模型将列在 Agent Panel 中的模型下拉列表中。如果需要，您也可以修改 api_url 以使用自定义端点。

GitHub Copilot Chat

您可以在 Agent Panel 中的模型下拉列表中选择它来使用 GitHub Copilot Chat。

打开设置视图 (agent: open settings) 并转到 GitHub Copilot Chat 部分
点击 Sign in to use GitHub Copilot，并按照模态框中显示的步骤操作。

或者，您可以通过 GH_COPILOT_TOKEN 环境变量提供 OAuth 令牌。

注意：如果您在下拉列表中看不到特定模型，您可能需要在您的 GitHub Copilot 设置中启用它们。

要在 Zed 中使用 Copilot Enterprise（用于 agent 和补全），您必须按照配置 GitHub Copilot Enterprise 中的说明配置您的企业端点。

Google AI

您可以在 Agent Panel 中的模型下拉列表中选择它来使用 Gemini 模型。

访问 Google AI Studio 网站并创建一个 API 密钥。
打开设置视图 (agent: open settings) 并转到 Google AI 部分
输入您的 Google AI API 密钥并按回车。

Google AI API 密钥将保存在您的钥匙串中。

如果定义了 GEMINI_API_KEY 环境变量，Zed 也会使用它。有关更多信息，请参阅 Gemini 文档中的使用 Gemini API 密钥。

自定义模型

默认情况下，Zed 将使用模型的 stable 版本，但您可以使用特定版本的模型，包括实验性模型。您可以通过在模型中添加 mode 配置来配置模型使用思考模式（如果支持）。这对于控制推理 token 的使用和响应速度很有用。如果未指定，Gemini 将自动选择思考预算。

以下是您可以添加到 Zed 设置文件中的自定义 Google AI 模型的示例（如何编辑）：

json

{
  "language_models": {
    "google": {
      "available_models": [
        {
          "name": "gemini-3.1-pro-preview",
          "display_name": "Gemini 3.1 Pro",
          "max_tokens": 1000000,
          "mode": {
            "type": "thinking",
            "budget_tokens": 24000
          }
        },
        {
          "name": "gemini-3-flash-preview",
          "display_name": "Gemini 3 Flash (Thinking)",
          "max_tokens": 1000000,
          "mode": {
            "type": "thinking",
            "budget_tokens": 24000
          }
        }
      ]
    }
  }
}

自定义模型将列在 Agent Panel 中的模型下拉列表中。

LM Studio

下载并安装 LM Studio 的最新版本
在应用中按下 cmd/ctrl-shift-m 并下载至少一个模型（例如，qwen2.5-coder-7b）。或者，您可以通过 LM Studio CLI 获取模型：
sh
```
lms get qwen2.5-coder-7b
```
通过执行以下命令确保 LM Studio API 服务器正在运行：
sh
```
lms server start
```

提示：将 LM Studio 设置为登录项以自动运行 LM Studio 服务器。

Mistral

访问 Mistral 平台并创建一个 API 密钥
打开配置视图 (agent: open settings) 并导航到 Mistral 部分
输入您的 Mistral API 密钥

Mistral API 密钥将保存在您的钥匙串中。

如果定义了 MISTRAL_API_KEY 环境变量，Zed 也会使用它。

自定义模型

Zed agent 已预配置了几个 Mistral 模型（codestral-latest, mistral-large-latest, mistral-medium-latest, mistral-small-latest, open-mistral-nemo, and open-codestral-mamba）。所有默认模型都支持工具使用。如果您希望使用替代模型或自定义其参数，您可以通过将以下内容添加到您的 Zed 设置文件中来实现（如何编辑）：

json

{
  "language_models": {
    "mistral": {
      "api_url": "https://api.mistral.ai/v1",
      "available_models": [
        {
          "name": "mistral-tiny-latest",
          "display_name": "Mistral Tiny",
          "max_tokens": 32000,
          "max_output_tokens": 4096,
          "max_completion_tokens": 1024,
          "supports_tools": true,
          "supports_images": false
        }
      ]
    }
  }
}

自定义模型将列在 Agent Panel 中的模型下拉列表中。

Ollama

从 ollama.com/download（Linux 或 macOS）下载并安装 Ollama，并确保它通过 ollama --version 运行。

下载其中一个可用模型，例如，对于 mistral：
sh
```
ollama pull mistral
```
确保 Ollama 服务器正在运行。您可以通过运行 Ollama.app (macOS) 或启动以下命令来启动它：
sh
```
ollama serve
```
在 Agent Panel 中，使用模型下拉列表选择其中一个 Ollama 模型。

Ollama 自动发现

Zed 将自动发现 Ollama 已拉取的模型。您可以通过在 Ollama 设置中设置 auto_discover 字段来关闭此功能。如果这样做，您应该手动指定哪些模型可用。

json

{
  "language_models": {
    "ollama": {
      "api_url": "http://localhost:11434",
      "auto_discover": false,
      "available_models": [
        {
          "name": "qwen2.5-coder",
          "display_name": "qwen 2.5 coder",
          "max_tokens": 32768,
          "supports_tools": true,
          "supports_thinking": true,
          "supports_images": true
        }
      ]
    }
  }
}

Ollama 上下文长度

Zed 向 Ollama 发出的 API 请求将上下文长度作为 num_ctx 参数包含。默认情况下，Zed 对所有 Ollama 模型使用 4096 tokens 的上下文长度。

注意：Agent Panel 中显示的 Token 数只是估计值，并且会与模型的原生分词器不同。

您可以使用 context_window 设置为所有 Ollama 模型设置上下文长度。这也可以在 Ollama 提供商设置 UI 中配置：

json

{
  "language_models": {
    "ollama": {
      "context_window": 8192
    }
  }
}

或者，您可以使用 available_models 中的 max_tokens 字段为每个模型配置上下文长度：

json

{
  "language_models": {
    "ollama": {
      "api_url": "http://localhost:11434",
      "available_models": [
        {
          "name": "qwen2.5-coder",
          "display_name": "qwen 2.5 coder 32K",
          "max_tokens": 32768,
          "supports_tools": true,
          "supports_thinking": true,
          "supports_images": true
        }
      ]
    }
  }
}

注意：如果设置了 context_window，它将覆盖任何单模型的 max_tokens 值。

如果您指定的上下文长度对于您的硬件来说过大，Ollama 将记录一个错误。您可以通过运行以下命令来查看这些日志：tail -f ~/.ollama/logs/ollama.log (macOS) 或 journalctl -u ollama -f (Linux)。根据您机器上可用的内存，您可能需要将上下文长度调整为较小的值。

您还可以为每个可用模型选择性地指定 keep_alive 的值。这可以是一个整数（秒），或者是字符串持续时间，如 "5m", "10m", "1h", "1d" 等。例如，"keep_alive": "120s" 将允许远程服务器在 120 秒后卸载模型（释放 GPU VRAM）。

supports_tools 选项控制模型是否会使用额外的工具。如果模型在 Ollama 目录中被标记为 tools，则应提供此选项，并且可以使用内置的 Ask 和 Write 配置文件。如果模型在 Ollama 目录中没有被标记为 tools，此选项仍然可以设置为 true；但请注意，只有 Minimal 内置配置文件会有效。

supports_thinking 选项控制模型在产生最终答案之前是否会执行明确的“思考”（推理）过程。如果模型在 Ollama 目录中被标记为 thinking，请设置此选项，您就可以在 Zed 中使用它。

supports_images 选项启用模型的视觉功能，允许它处理包含在对话上下文中的图像。如果模型在 Ollama 目录中被标记为 vision，请设置此选项，您就可以在 Zed 中使用它。

Ollama 身份验证

除了在您自己的硬件上运行 Ollama（通常不需要身份验证）之外，Zed 还支持连接到远程 Ollama 实例。API 密钥是身份验证所必需的。

Ollama Turbo 就是这样一个服务。要将 Zed 配置为使用 Ollama Turbo：

登录您的 Ollama 账户并订阅 Ollama Turbo
访问 ollama.com/settings/keys 并创建一个 API 密钥
打开设置视图 (agent: open settings) 并转到 Ollama 部分
粘贴您的 API 密钥并按回车。
对于 API URL，输入 https://ollama.com

如果定义了 OLLAMA_API_KEY 环境变量，Zed 也会使用它们。

OpenAI

访问 OpenAI 平台并创建一个 API 密钥
确保您的 OpenAI 账户有信用额度
打开设置视图 (agent: open settings) 并转到 OpenAI 部分
输入您的 OpenAI API 密钥

OpenAI API 密钥将保存在您的钥匙串中。

如果定义了 OPENAI_API_KEY 环境变量，Zed 也会使用它。

自定义模型

Zed agent 已预配置为使用常见 OpenAI 模型（GPT-5.2, GPT-5 mini, GPT-5.2 Codex 等）的最新版本。要使用替代模型，也许是预览版本，或者您希望控制请求参数，您可以通过将以下内容添加到您的 Zed 设置文件中来实现（如何编辑）：

json

{
  "language_models": {
    "openai": {
      "available_models": [
        {
          "name": "gpt-5.2",
          "display_name": "gpt-5.2 high",
          "reasoning_effort": "high",
          "max_tokens": 272000,
          "max_completion_tokens": 20000
        },
        {
          "name": "gpt-5-nano",
          "display_name": "GPT-5 Nano",
          "max_tokens": 400000
        },
        {
          "name": "gpt-5.2-codex",
          "display_name": "GPT-5.2 Codex",
          "max_tokens": 128000,
          "capabilities": {
            "chat_completions": false
          }
        }
      ]
    }
  }
}

您必须在 max_tokens 参数中提供模型的上下文窗口；这可以在 OpenAI 模型文档中找到。

对于专注于推理的模型，也请设置 max_completion_tokens 以避免产生高昂的推理 token 费用。

如果模型不支持 /chat/completions 端点（例如 gpt-5.2-codex），请通过将 capabilities.chat_completions 设置为 false 来禁用它。Zed 将使用 Responses 端点。

自定义模型将列在 Agent Panel 中的模型下拉列表中。

OpenAI API Compatible

Zed 支持通过为 OpenAI 提供商指定自定义的 api_url 和 available_models 来使用 OpenAI 兼容的 API。这对于连接到其他托管服务（如 Together AI, Anyscale 等）或本地模型非常有用。

您可以通过 UI 或编辑您的设置文件来添加自定义的、OpenAI 兼容的模型。

要通过 UI 实现，请转到 Agent Panel 设置 (agent: open settings) 并在 "LLM Providers" 部分标题的右侧查找 "Add Provider" 按钮。然后，填充模态框中可用的输入字段。

要通过您的设置文件实现（如何编辑），请在 language_models 下添加以下代码片段：

json

{
  "language_models": {
    "openai_compatible": {
      // 以 Together AI 为例
      "Together AI": {
        "api_url": "https://api.together.xyz/v1",
        "available_models": [
          {
            "name": "mistralai/Mixtral-8x7B-Instruct-v0.1",
            "display_name": "Together Mixtral 8x7B",
            "max_tokens": 32768,
            "capabilities": {
              "tools": true,
              "images": false,
              "parallel_tool_calls": false,
              "prompt_cache_key": false
            }
          }
        ]
      }
    }
  }
}

默认情况下，OpenAI 兼容的模型继承以下功能：

tools: true (支持工具/函数调用)
images: false (不支持图像输入)
parallel_tool_calls: false (不支持 parallel_tool_calls 参数)
prompt_cache_key: false (不支持 prompt_cache_key 参数)
chat_completions: true (调用 /chat/completions 端点)

如果某个提供商的模型仅适用于 Responses API，请为这些条目设置 chat_completions 为 false。Zed 对这些模型使用 Responses 端点。

请注意，LLM API 密钥不会存储在您的设置文件中。因此，请确保将其设置在您的环境变量中（<PROVIDER_NAME>_API_KEY=<your api key>），以便您的设置可以拾取它。在上面的示例中，它将是 TOGETHER_AI_API_KEY=<your api key>。

OpenRouter

OpenRouter 通过单个 API 提供对多个 AI 模型的访问。它支持对兼容模型的工具使用。

访问 OpenRouter 并创建一个账户
从您的 OpenRouter 密钥页面生成一个 API 密钥
打开设置视图 (agent: open settings) 并转到 OpenRouter 部分
输入您的 OpenRouter API 密钥

OpenRouter API 密钥将保存在您的钥匙串中。

如果定义了 OPENROUTER_API_KEY 环境变量，Zed 也会使用它。

当使用 OpenRouter 作为您的 assistant 提供商时，您必须在设置中明确选择一个模型。OpenRouter 不再提供默认的模型选择。

在 settings.json 中配置您首选的 OpenRouter 模型：

json

{
  "agent": {
    "default_model": {
      "provider": "openrouter",
      "model": "openrouter/auto"
    }
  }
}

openrouter/auto 模型会自动将您的请求路由到最合适的可用模型。您也可以指定 OpenRouter API 提供的任何模型。

自定义模型

您可以通过将以下内容添加到您的 Zed 设置文件中来向 OpenRouter 提供商添加自定义模型（如何编辑）：

json

{
  "language_models": {
    "open_router": {
      "api_url": "https://openrouter.ai/api/v1",
      "available_models": [
        {
          "name": "google/gemini-2.0-flash-thinking-exp",
          "display_name": "Gemini 2.0 Flash (Thinking)",
          "max_tokens": 200000,
          "max_output_tokens": 8192,
          "supports_tools": true,
          "supports_images": true,
          "mode": {
            "type": "thinking",
            "budget_tokens": 8000
          }
        }
      ]
    }
  }
}

每个模型可用的配置选项包括：

name (必需): OpenRouter 使用的模型标识符
display_name (可选): 在 UI 中显示的可读名称
max_tokens (必需): 模型的上下文窗口大小
max_output_tokens (可选): 模型可以生成的最大 token 数
max_completion_tokens (可选): 最大完成 token 数
supports_tools (可选): 模型是否支持工具/函数调用
supports_images (可选): 模型是否支持图像输入
mode (可选): 思考模型的特殊模式配置

您可以在 OpenRouter 模型页面上查找可用模型及其规格。

自定义模型将列在 Agent Panel 中的模型下拉列表中。

提供商路由

您可以选择性地通过每个模型条目上的 provider 对象来控制 OpenRouter 如何在底层的上游提供商之间路由给定的自定义模型请求。

支持的字段（均为可选）：

order: 要首先尝试的提供商 slug 数组，按顺序排列（例如 ["anthropic", "openai"]）
allow_fallbacks (默认: true): 如果首选提供商不可用，是否可以使用备用提供商
require_parameters (默认: false): 仅使用支持您提供的所有参数的提供商
data_collection (默认: allow): "allow" 或 "disallow"（控制可能存储数据的提供商的使用）
only: 此请求允许的提供商 slug 白名单
ignore: 要跳过的提供商 slug
quantizations: 限制到特定的量化变体（例如 ["int4","int8"]）
sort: 候选提供商的排序策略（例如 "price" 或 "throughput")

示例向模型添加路由首选项：

json

{
  "language_models": {
    "open_router": {
      "api_url": "https://openrouter.ai/api/v1",
      "available_models": [
        {
          "name": "openrouter/auto",
          "display_name": "Auto Router (Tools Preferred)",
          "max_tokens": 2000000,
          "supports_tools": true,
          "provider": {
            "order": ["anthropic", "openai"],
            "allow_fallbacks": true,
            "require_parameters": true,
            "only": ["anthropic", "openai", "google"],
            "ignore": ["cohere"],
            "quantizations": ["int8"],
            "sort": "price",
            "data_collection": "allow"
          }
        }
      ]
    }
  }
}

这些路由控制让您可以微调成本、能力和可靠性之间的权衡，而无需更改您在 UI 中选择的模型名称。

Vercel AI Gateway

Vercel AI Gateway 通过单个 OpenAI 兼容的端点提供对许多模型的访问。

从您的 Vercel AI Gateway 密钥页面创建一个 API 密钥
打开设置视图 (agent: open settings) 并转到 Vercel AI Gateway 部分
输入您的 Vercel AI Gateway API 密钥

Vercel AI Gateway API 密钥将保存在您的钥匙串中。

如果定义了 VERCEL_AI_GATEWAY_API_KEY 环境变量，Zed 也会使用它。

您也可以在设置文件中为 Vercel AI Gateway 设置自定义端点：

json

{
  "language_models": {
    "vercel_ai_gateway": {
      "api_url": "https://ai-gateway.vercel.sh/v1"
    }
  }
}

Vercel v0

Vercel v0 是一个用于生成全栈应用的模型，对 Next.js 和 Vercel 等堆栈具有框架感知的补全功能。它支持文本和图像输入，并提供快速的流式响应。

v0 模型是 OpenAI 兼容的模型，并且在面板的设置视图中 Vercel 作为一个专用的提供商出现。

要在 Zed 中开始使用它，请确保您首先创建了一个 v0 API 密钥。一旦拥有它，直接将其粘贴到面板设置视图中的 Vercel 提供商部分。

然后，您应该在 Agent Panel 的模型下拉列表中找到它作为 v0-1.5-md。

xAI

Zed 包含一个专用的 xAI 提供商。您可以使用自己的 API 密钥来访问 Grok 模型。

在 xAI 控制台中创建一个 API 密钥
打开设置视图 (agent: open settings) 并转到 xAI 部分
输入您的 xAI API 密钥

xAI API 密钥将保存在您的钥匙串中。如果定义了 XAI_API_KEY 环境变量，Zed 也会使用它。

注意：xAI API 是 OpenAI 兼容的，并且 Zed 还包含一个专用的 xAI 提供商。我们建议使用专用的 x_ai 提供商配置，而不是 OpenAI API Compatible 方法。

自定义模型

Zed agent 已预配置了常见的 Grok 模型。如果您希望使用替代模型或自定义其参数，您可以通过将以下内容添加到您的 Zed 设置文件中来实现（如何编辑）：

json

{
  "language_models": {
    "x_ai": {
      "api_url": "https://api.x.ai/v1",
      "available_models": [
        {
          "name": "grok-1.5",
          "display_name": "Grok 1.5",
          "max_tokens": 131072,
          "max_output_tokens": 8192
        },
        {
          "name": "grok-1.5v",
          "display_name": "Grok 1.5V (Vision)",
          "max_tokens": 131072,
          "max_output_tokens": 8192,
          "supports_images": true
        }
      ]
    }
  }
}

自定义提供商端点

只要它与提供商的 API 结构兼容，您就可以为不同的提供商使用自定义 API 端点。为此，请将以下内容添加到您的设置文件中（如何编辑）：

json

{
  "language_models": {
    "some-provider": {
      "api_url": "http://localhost:11434"
    }
  }
}

目前，some-provider 可以是以下任何值：anthropic, google, ollama, openai。

这与例如 OpenAI-compatible 模型所使用的基础设施相同。

LLM 提供商 ​

使用您自己的密钥 ​

支持的提供商 ​

Amazon Bedrock ​

通过命名配置文件进行身份验证（推荐） ​

通过静态凭据进行身份验证 ​

通过 Bedrock API 密钥进��身份验证 ​

跨区域推理 ​

区域性与全局性推理配置文件 ​

扩展上下文窗口 ​

图像支持 ​

Anthropic ​

自定义模型 ​

DeepSeek ​

自定义模型 ​

GitHub Copilot Chat ​

Google AI ​

自定义模型 ​

LM Studio ​

Mistral ​

自定义模型 ​

Ollama ​

Ollama 自动发现 ​

Ollama 上下文长度 ​

Ollama 身份验证 ​

OpenAI ​

自定义模型 ​

OpenAI API Compatible ​

OpenRouter ​

自定义模型 ​

提供商路由 ​

Vercel AI Gateway ​

Vercel v0 ​

xAI ​

自定义模型 ​

自定义提供商端点 ​

LLM 提供商

使用您自己的密钥

支持的提供商

Amazon Bedrock

通过命名配置文件进行身份验证（推荐）

通过静态凭据进行身份验证

通过 Bedrock API 密钥进��身份验证

跨区域推理

区域性与全局性推理配置文件

扩展上下文窗口

图像支持

Anthropic

自定义模型

DeepSeek

自定义模型

GitHub Copilot Chat

Google AI

自定义模型

LM Studio

Mistral

自定义模型

Ollama

Ollama 自动发现

Ollama 上下文长度

Ollama 身份验证

OpenAI

自定义模型

OpenAI API Compatible

OpenRouter

自定义模型

提供商路由

Vercel AI Gateway

Vercel v0

xAI

自定义模型

自定义提供商端点