Copilot已经支持非常多的模型，为什么要接入更多的第三方模型

这事儿其实挺直接的，原因就两条：

• 算个账就明白了：到2026年6月，Copilot的计费策略一调整，订阅价格直接往上涨了不少。这谁受得了？找个更划算的替代方案，是很多人自然的选择。

• 习惯的力量：说白了，就是大家用VS Code里的Copilot Chat用顺手了。那种在编辑器里直接跟AI对话、边写代码边聊的工作流，一旦养成就很难改。现在如果能换个便宜甚至免费的模型，还用着同样的界面和操作，何乐而不为？

copilot adapter

copilot adapter 这个项目，它不是那种独立的AI助手工具，它干的事儿很明确——就是给VS Code原生的 Copilot Chat 做增强，让它能用上别的模型。

项目是开源的，地址在：copilot-adapter。直接去装就行。

安装扩展

在VS Code的扩展商店里搜 copilot adapter，找到之后点安装，或者去marketplace visualstudio页面手动触发一下安装，都一样。

添加模型

它内置支持了好几个主流的提供商和模型，具体看这个表。如果你的模型不在这个列表里，后面还有自定义模型的方法。

接下来用DeepSeek举个例子，走一遍完整的配置流程。这条路是官方推荐的原生方式，通过VS Code自己的语言模型面板来搞。

第1步：打开Copilot Chat的模型选择器

在Copilot Chat输入框的底部，有个模型选择器，点开它就能看到当前能用的模型。注意，这时候DeepSeek和MiniMax还没出现呢。

第2步：打开语言模型面板，点击“添加模型...”

可以通过模型管理面板，或者直接用快捷键 Ctrl/Cmd+Shift+P 搜“语言模型”来打开那个面板。打开后，在右上角点 + 添加模型...。装好插件之后，下拉列表里就会出现插件支持的提供商，找到你想要的选上就行。

第3步：确认分组名称

会弹出一个输入框，让你填个分组名称。默认已经填好了提供商的名字，当然你也可以改成自己喜欢的，只要不和已有的分组重名就行。确认之后按Enter。

第4步：输入API Endpoint和API Key

如果某个提供商支持多个端点，记得先选一下或者手动输入端点，就像下面图片里这样。

然后输入以 sk- 开头的API Key，再按Enter。这个Key会直接存入VS Code的Secret Storage，不会写到磁盘或者任何配置文件里，安全方面可以放心。

第5步：供应商出现在语言模型面板中

这时候再看语言模型面板，应该能看到刚才添加的DeepSeek分组了，里面列出了它的两个模型。如果以后想修改API Key或者调整一下配置，随时可以点分组名称旁边的齿轮图标。

第6步：在Copilot Chat中使用模型

再回到Copilot Chat的模型选择器，你会发现DeepSeek V4 Flash和DeepSeek V4 Pro已经出现在“其他模型”分组下了。选一个，直接开始聊天吧。

安全性

这个API Key的存储方式可以好好说下。它只存在VS Code的Secret Storage里，底层用的是操作系统的凭据管理器——macOS上是Keychain，Windows上是Credential Manager，Linux上则是libsecret。

• 绝不写进 settings.json：Key作为Secret存储，和普通的VS Code设置彻底隔离开，不会通过Settings Sync同步，磁盘上的任何配置文件里都找不到它。
• 不可能被意外提交：因为Key只存在于操作系统的凭据库里，所以根本不存在能被git追踪到的文件，彻底杜绝了手滑提交到代码库的风险。
• 零运行时依赖：这个扩展在运行的时候不依赖任何第三方的库或者外部服务，所有的网络通信都是用VS Code内置的HTTP设施完成的。

功能特性

思考模式

对于那些推理模型（比如DeepSeek V4系列、MiniMax M系列、Qwen3、GLM、Kimi K2），可以配置它们的推理深度。在Language Models面板的模型设置里就能调整，具体级别如下：

以上级别以DeepSeek V4为例；不同提供商的选项名称可能会不一样。

视觉袋里

纯文本模型没法直接处理图片附件，这是个硬伤。但视觉袋里功能就是为了解决这个问题的。配置之后，扩展会自动调用一个有视觉能力的模型来描述附件图片，然后把描述文本注入到上下文中，这样纯文本模型也能无缝处理图片输入了。

可以通过命令 Copilot Adapter: Set Vision Proxy Model 或者设置项 copilot-adapter.visionProxyModel 来配置。把值设为 off 就能随时禁用这个功能。

前缀缓存命中率

这个功能比较“黑盒”但很实用。扩展会自动调整连续对话中消息的顺序，优先把那些可以被缓存的内容放在前面，目的是提升支持前缀缓存和主动缓存的模型（比如DeepSeek、Qwen、智谱）的缓存命中率。如果把日志级别设为 info 或更高，在输出频道里就能看到每次请求的缓存命中详情：

model: deepseek-v4-pro, tokens: prompt=18576 reasoning=40 completion=57, cache: hit=12160 miss=6516 rate=65%

上下文窗口计算

扩展会为每次请求向VS Code上报Token的用量，具体策略分两种情况：

• API返回用量（DeepSeek、Qwen、智谱、Moonshot）—— 模型在流式响应里会返回精确的 prompt_tokens 和 completion_tokens。这是主流路径，不需要估算。

• 降级估算（MiniMax等不返回流式用量的提供商）—— 当API返回的数据里没有用量信息时，扩展会通过请求和响应的文本字符数来估算Token用量。日志里会标明当前是降级模式：

Using fallback usage estimation (API returned no usage data) — prompt chars: 15234, response chars: 487

动态比例校准

provideTokenCount（也就是VS Code用来计算上下文窗口的那个功能）最初用的字符/Token比例是4.0，但它会根据每次API返回的真实用量自动校准。每次收到精确用量的请求，都会用EMA平滑方式（旧值占80%，新值占20%）来更新这个比例。为了避免被噪声干扰，只有变化幅度超过10%的时候，才会真正存储更新：

Chars-per-token ratio calibrated for deepseek: 4.00 to 3.38 (based on API usage: 63200 chars / 18703 tokens)

对于那些拿不到精确用量的提供商（比如MiniMax），就会保持默认的静态比例。

自定义模型

如果你的模型不在内置列表里，自定义模型 功能就能派上用场了。

VS Code Copilot Chat官方的Custom Endpoint功能，只能做一些基础配置（名称、端点、API Key），功能上有些局限。而Copilot Adapter的自定义模型，正好弥补了这些不足：

• 视觉袋里：纯文本模型也能通过自动的视觉袋里管线来处理图片附件。
• 可定制的思考模式：可以针对不同厂商的请求体格式（比如DeepSeek、Qwen、Anthropic），分别配置各模型的推理强度，在模型选择器里就能随时切换。
• 缓存命中率日志：在输出频道里能看到每次请求的前缀缓存命中/未命中率。

只需要在配置文件里定义好元数据（名称、端点、能力、token限制），就可以把任意兼容OpenAI接口的模型接入到Copilot Chat里。如果模型支持思考模式（设置 "thinking": true），它会根据模型ID自动匹配预置的推理强度配置，当然也支持完整的手动自定义。

详细的图文教程和即用型模板可以参考相关文档。

实测的缓存命中率