Cline:一个开源的IDE AI插件,可搭配OpenRouter实现cursor功能

Cline(原Claude Dev)开源的IDE AI插件,如何搭配OpenRouter实现cursor功能,Cline怎么使用 OpenRouter是可以使用国内环境直接调用国外LLM API,也就是其他的LLM API 你没有对应的环境的话,就可以使用OpenRouter进行调用。你可以在Cline 的 Task上看到使用的Tokens 和 API Cost 消耗,到OpenRouter 后台也可以查看对应的调用情况。Cline(原Claude Dev)是一个开源的IDE AI插件,可以使用你的命令行界面和编辑器的人工智能助手。如果你需要调用付费的LLM API的话,就需要在OpenRouter后台充值对应的积分就可以调用。 阅读详情
AI摘要

Cline是开源的IDE AI插件,可在VS Code安装。最新版本Cline3.1适合用过Cursor AI IDE的用户。它基于大模型生成代码,支持上下文管理、缓存优化,还有多模态能力,能通过图像输入分析定位UI问题,降低API调用成本。

Cline(原Claude Dev)是一个开源的IDE AI插件,可以使用你的命令行界面和编辑器的人工智能助手。可以直接在VS Code编辑器进行安装。如果使用过Cursor AI IDE的话,可以尝试最新发布的Cline3.1版本。



Stars 数37992
Forks 数3987

 主要特点

  • 代码片段、完整函数生成:Cline 基于 DeepSeek 、Claude、GPT-4o 等大模型生成代码片段或完整函数,覆盖前后端开发需求

  • 支持上下文管理:通过 AST(抽象语法树)分析代码结构,结合正则表达式精准定位项目上下文,避免大模型“遗忘”问题。

  • 缓存优化:重复指令触发缓存命中,显著降低 API 调用频率与成本。

  • 多模态能力:支持图像输入分析,例如通过截图定位UI问题,拓展AI在视觉开发中的应用场景。

GitHub:https://github.com/cline/cline 

开发者必备:Cline VS Code 插件 + Claude 3.7 API Key,获取智能开发环境 这是实现自定义设置最灵活的方法。在 API Provider (API 提供商) 下拉菜单中选择 “Anthropic”。在 “Base URL” 字段中输入由您的服务(如 Anthropic、 OpenAI自定义代理)提供的特定 API 端点 URL。选模型供应商例如,Anthropic、OpenAI,配置 Base URL填入:在UUIAPI获取的 “API Key” 字段中输入由特定服务提供的 API 密钥。​MCP 的核心概念是通过外部服务器扩展 Cline 的内置工具集(如等 )。 阅读详情

相关推荐

国内主流AI编程工具使用实例及总结

AI编程辅助工具是利用人工智能技术来帮助程序员进行软件开发的工具。它们可以在代码编写、代码审查、错误检测、代码优化等多个编程环节发挥作用,提高编程效率和代码质量。通义灵码,基于通义大模型的AI研发辅助工具,提供代码智能生成、研发智能问答、任务自主执行等能力,为开发者带来智能化研发体验,引领AI原生研发新范式。包含智能编码助手和AI程序员。

技术博客 1万+

Vscode的AI插件 —— Cline

vscode的一款AI辅助吃插件,主要用来辅助创建和编辑文件,探索大型项目,使用浏览器并执行终端命令(需要多个tokens),可以使用模型上下文协议(MCP)来创建新工具并扩展自己(比较慢)。支持多个AI的API接入,比如Chatgpt,Deepseek,Claude 3.5 Sonnet等。

专注于硬件开发,嵌入式研发,前后端数据技术,3D打印技术剖析。 1万+

Cline开源IDE插件深度集成OpenRouter:打造高效AI编程环境

本文深度解析了如何通过开源IDE插件Cline与AI模型聚合平台OpenRouter的集成,打造高效、经济的AI编程环境。该组合解决了模型选择单一、成本高昂及网络限制等痛点,支持在VS Code等编辑器中无缝切换GPT-4o、Claude 3.5 Sonnet等主流模型,实现自由、高效的智能编程体验,并提供了详细的成本监控与优化实战技巧。

weixin_28828243的博客 884

Cline:最强开源AI编程智能体

不过从我测试的体验来看,DeepSeek的表现没有Claude那么丝滑,有时候可能不能一步到位,还需要用户进行错误的修正,而且DeepSeek不是多模态的,所以不能像Claude那样检查自己创造的作品,能力上相对有所限制。该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

m0_59235699的博客 2万+

告别Cursor!用Cline+Gemini 2.0打造免费AI编程环境(含OpenRouter避坑指南)

本文详细介绍了如何利用开源工具Cline与Gemini 2.0模型构建免费且高效的AI编程环境,替代Cursor的订阅模式。内容涵盖环境搭建、OpenRouter配置技巧、开发工作流融入及性能调优,特别适合追求高性价比解决方案的开发者。通过实战案例和优化建议,帮助读者快速掌握这一灵活的技术组合。

weixin_30892037的博客 384

Cline开源AI开发搭档:Plan&Act模式与检查点系统实战指南

AI编程工具正从‘代码生成器’向‘可信赖开发协作者’演进。其核心原理在于解耦思考与执行——通过Plan(规划)阶段进行架构推演、依赖分析与风险预判,再经人工确认进入Act(执行)阶段,确保每行代码都符合项目上下文。技术价值体现在可控性、可追溯性与工程鲁棒性上:检查点系统实现毫秒级文件/命令/浏览器状态快照回滚,MCP协议让AI无缝调度本地CLI、内网API与测试工具。典型应用场景包括重构高危模块、团队规范强制落地、企业内部文档集成及终端交互式应用开发。本文聚焦Cline这一开源VS Code扩展,深入解析其

weixin_34082854的博客 458

如何安装Cursor插件 → 配置OpenRouter API Key

如何安装Cursor插件 → 配置OpenRouter API Key

weixin_71709824的博客 1408

告别Cursor!用Cline+Gemini 2.0打造免费AI编程环境(附OpenRouter充值避坑指南)

本文详细介绍了如何利用开源工具Cline结合Gemini 2.0 API打造免费高效的AI编程环境,替代商业解决方案如Cursor。内容涵盖环境搭建、多模型配置、实战技巧及扩展应用,特别适合预算有限的开发者提升编程效率。

weixin_30872157的博客 75

Cline(原Claude Dev)搭配OpenRouter实现Cursor功能:TaoToken统一Key接入与配置验证

Cline 搭配 OpenRouter 复现 Cursor 补全体验,用 TaoToken 统一 Key 接入更省事。在 VS Code 的 settings.json 里把 Provider 设为 OpenAI Compatible,Base URL 填 https://taotoken.net/api,再配好 Key 与 Model ID 即可跑通。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 提供文档与 Coding Plan,适

weixin_42601547的博客 178

Cline深度解析:AI编程助手的计划-执行分离架构与可追溯开发范式

AI编程助手正从‘代码生成工具’演进为‘可信赖开发协作者’,其核心在于对上下文理解、执行可控性与过程可追溯性的系统性重构。传统方案将需求理解与代码生成耦合在单次推理中,易导致逻辑漂移与调试黑洞;而以Cline为代表的新型架构,通过显式Plan(计划)阶段完成代码库扫描、模式归纳与风险预警,再经原子化Act(执行)阶段实施可验证、可回滚的细粒度变更,并依托Checkpoint机制沉淀含代码状态、工具上下文、模型推理链与人工审批的四维开发快照。这种设计直击中高级开发者‘不敢改、怕漏掉、记不住’的痛点,尤其适用于

510

c++11 无锁队列

/************************************************************************* > File Name: lockfreequeue.cpp > Author: > Mail: > Created Time: Wed 08 Aug 2018 11:38:08 AM CST ********...

qq_35728402的博客 5026

Cline:在VS Code中构建开源AI编程代理的完整指南

AI代码补全已成为现代开发工作流的核心组件,其原理是通过大语言模型理解代码上下文并生成预测性建议。这项技术能显著提升开发效率,减少重复性编码工作,广泛应用于日常编程、代码重构和技术学习等场景。本文聚焦于Cline这一开源解决方案,它作为VS Code插件,通过实现MCP协议,让开发者能够灵活接入OpenAI兼容的API(如Ollama、OpenRouter)或本地模型,构建自主可控的AI编程环境。文章深入探讨了从配置模型后端、解决常见连接问题,到集成代码补全和MCP工具扩展的完整实践路径,为追求高自主权、低

chubaisheng8627的博客 382

STM32F407ZGT6开发板跑马灯实战:从原理图到烧录全流程(附FlyMcu配置)

本文以正点原子F4探索者开发板(STM32F407ZGT6)为例,手把手指导完成跑马灯实验。内容涵盖从原理图解读、GPIO驱动逻辑分析、HAL库工程搭建,到代码编写与FlyMcu串口烧录配置的全流程,帮助嵌入式开发新手快速实现第一个LED控制程序,打通软硬件开发链路。

weixin_29183637的博客 224

Cline教程:从零跑通自主编码助手,并把它用好

想让AI一口气跑完测试、修掉所有失败,结果还得你自己在终端、编辑器和聊天框之间来回粘贴?而且改完之后说不清它到底动了哪些文件——这是很多开发者用AI写代码时的日常痛点。Cline是一个开源的自主编码代理(autonomous coding agent),它能以IDE插件、终端命令、SDK三种形态存在:读你的项目、改文件、跑命令、看编译报错,还能在每一步给你留好回滚点。 [![Cline在VS C

gitblog_00037的博客 209

TSMaster MBD模块实战:如何用Simulink模型快速搭建汽车电子测试环境

本文实战演示了如何利用TSMaster的MBD模块,将Simulink模型快速部署为汽车电子自动化测试环境的核心。通过建立模型与TSMaster系统变量的实时数据通道,并利用数据仓库统一数据定义,工程师能无缝连接算法仿真与真实总线网络,显著提升从模型到HIL测试的验证效率。

php55的博客 211

OpenFOAM-v2006重叠网格挖洞问题实战:如何手动修复overset代码中的边缘识别缺陷

本文深入探讨了OpenFOAM-v2006中重叠网格挖洞问题的实战解决方案,重点修复overset代码中的边缘识别缺陷。通过逆向工程解析挖洞决策机制,设计最小侵入式的函数override方案,并建立多级验证体系,有效解决了网格挖洞区域覆盖不全的问题,提升了计算流体动力学模拟的准确性和可靠性。

weixin_29216049的博客 434

5款免费开源AI编程工具实测:Claude Code替代方案与选型指南

AI编程工具正从闭源订阅向开源本地部署演进,其核心原理是通过大模型API实现代码补全、对话交互与任务执行。开源方案支持自定义模型和本地部署,能显著降低使用成本并保障数据隐私,适用于个人项目、受限环境及服务器端开发。在代码补全、终端Agent和IDE集成等场景中,Aider、Cline、Continue等工具已能提供接近闭源产品的体验。本文基于实际使用,对比五款免费开源AI编程工具的功能与选型建议,帮助开发者找到Claude Code的替代方案。

weixin_34262482的博客 427

BUCK 电路详解

参考内容: 手撕Buck!Buck公式推导过程 电力电子的基础应用 《精通开关电源设计(第二版)》 Buck电源芯片输出有问题?检查这几样 原来PWM这么简单! BUCK 电路构建 根据高中所学习的物理知识可以很容易的想到,使用一个滑动变阻器即可实现降压和稳压的效果。当负载波动时,通过改变滑动变阻器的阻值,可以调节负载所获得的电压。但是使用滑动变阻器的劣势也很明显,大量的耗能会导致器件温度快速升高。 上面所提到的电路主要缺点在于导通器件(变阻器或三极管)本身存在耗能,那么有没有不会耗能的导通器件呢?

Guanngxu的博客 3998

Agent IDE免费层全解析:从AI编程工具到白嫖工作流实战

AI编程工具正从单点代码补全走向真正的智能体(Agent)模式,即由模型自主完成读取项目、修改文件、执行命令等复杂任务。理解Agent IDE的原理与额度机制,是高效利用免费资源的前提。当前主流智能编程工具普遍提供免费层,但额度计算、模型选择、商用边界各不相同:有的按月限制补全次数,有的每日刷新Agent请求,还有开源方案完全无次数限制但需自行承担模型成本。掌握免费额度的分配策略,将高杠杆的代码重构、缺陷修复交给Agent,用轻量对话模型处理日常问答,配合额度告警与安全快照,即可在零订阅成本下搭建一条够用的

WGH100817的博客 402

VB.net:VB.net编程语言学习之ADO.net基本名称空间与类的简介、案例应用(实现与SQL数据库编程案例)之详细攻略

ADO.net有六个基础名称空间,除此之外,每个新的数据提供程序还可以有自己的名称空间,如Oracle。在.net中就提供了System.Data.OracleClient名称空间(用于Microsoft建立的Oracle数据库提供的程序)ADO.net体系结构的另一个核心元素是.Net数据提供程序(Data Provider),它的组件用于进行数据处理(和DataSet的数据访问功能相对应)。:是ADD.net核心名称空间,它包含所有数据提供程序使用的类,这些类表示表、列、行,还有DataSet类;

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 1737

LLMs:OpenRouter AI平台(Models/Benchmarks/Chat/Rankings/Apps,统一的大模型接入与生态门户)—大模型的“一站式超市”怎么用、怎么选、有哪些好应用

​ LLMs:OpenRouter AI平台(Models/Benchmarks/Chat/Rankings/Apps,统一的大模型接入与生态门户)—大模型的“一站式超市”怎么用、怎么选、有哪些好应用 目录 OpenRouter AI平台的简介 OpenRouter AI平台的核心功能模块 OpenRouter AI平台的使用方法 OpenRouter AI平台的应用案例 OpenRouter AI平台的简介 OpenRouter是一个统一的大语言模

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 4142

基于深度学习的电力系统暂态稳定评估与预防控制复现

本文复现了基于深度学习的电力系统暂态稳定评估与预防控制方法。主要内容包括:(1)数据预处理环节,对IEEE 39节点系统的电压幅值、相角等特征数据进行归一化处理;(2)ACNGAT模型实现,该模型结合时间卷积网络(TCN)和图注意力网络(GAT)提取时空特征;(3)采用改进的帝企鹅优化算法进行预防控制。关键技术点包括:融合时空信息的特征提取、改进的邻接矩阵构建方法(λ_ij = E_i * E_j * B_ij)以及时空注意力机制。代码实现采用Python和PyTorch框架。

huanghm88的专栏 336

为什么在 AI 工程中使用 Cline:系统级 AI 编码助手的选型与实践(vibe-vibe 工具链解读)

**作者:Addy Osmani(本文为 vibe-vibe 开源教程 [工具链与开发框架栏目](https://link.gitcode.com/i/dc2914904fae1914705b726b6ec28ddf) 收录的技术译文与工程解读)** > **摘要**:在系统评估了整个 AI 编码助手版图之后,一位资深工程师解释了为什么 Cline——一个免费的 VS Code 插件——凭借其系

gitblog_00097的博客 427

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Easy-Vibe 本地 AI 编程实战:从理解 IDE 与 AI IDE 到用 Trae 从零构建贪吃蛇游戏

本教程是 Easy-Vibe 项目「从 0 到 1 学会 Vibe Coding」阶段一(Stage 1)的核心章节,对应仓库文档 [docs/es-es/stage-1/introduction-to-ai-ide/index.md](https://link.gitcode.com/i/d25c7b49a853e498e3ed08a588eced02)(标题为「Principiante 2:

gitblog_01158的博客 324

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

上一篇: 一款开源模拟HTTP请求工具,适合新手,简单、容易上手!
下一篇: 电脑也能玩PS4大作?shadPS4模拟器来了
开源项目精选
博客等级 码龄6年 2011粉丝 227原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值