大语言模型服务提供商

要在 Zed 中使用 AI 功能，您需要至少配置一个大语言模型服务提供商。

您可以通过订阅 Zed 的任一方案，或使用已持有的支持服务商的 API 密钥来实现此配置。

使用自有密钥

若您已拥有现有 LLM 服务商（如 Anthropic 或 OpenAI）的 API 密钥，可将其添加到 Zed 中，即可**免费**使用智能助手面板的全部功能。

要将现有 API 密钥添加到指定服务商，请前往智能助手面板设置（agent: open settings），找到目标服务商，将密钥粘贴至输入框后按回车键确认。

注意：API 密钥不会以明文形式存储于您的 settings.json 中，而是保存在操作系统的安全凭证存储内。

支持的服务商

Zed 提供了丰富的"使用自有密钥"型 LLM 服务商选项

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

Amazon Bedrock

支持使用具备流式工具调用功能的模型。更多详情请参阅 Amazon Bedrock 工具使用文档。

使用 Amazon Bedrock 的模型需要 AWS 身份验证。请确保您的凭证已配置以下权限：

bedrock:InvokeModelWithResponseStream
bedrock:InvokeModel

您的 IAM 策略应类似如下：

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

完成此步骤后，请选择以下两种身份验证方式之一：

通过命名配置文件进行身份验证（推荐）

确保已安装 AWS CLI 并使用命名配置文件完成配置

打开您的 settings.json (zed: open settings) 文件，在 language_models 配置段中包含 bedrock 密钥并设置以下参数：

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

通过静态凭证进行身份验证

虽然可以通过代理面板设置界面直接输入您的AWS访问密钥和密钥进行配置，但我们建议使用命名配置文件以遵循更佳的安全实践。具体操作如下：

在IAM控制台中创建可供您使用的IAM用户
为该用户创建安全凭证，妥善保存并确保其安全性
使用(agent: open settings)打开代理配置，进入Amazon Bedrock版块
将第2步获取的凭证分别填入对应的访问密钥ID、秘密访问密钥和区域字段

跨区域推理

Zed对Amazon Bedrock的实现针对所有支持的模型与区域组合均采用跨区域推理方案。通过跨区域推理功能，您可以将流量分发至多个AWS区域，从而实现更高的吞吐量。

例如，若您使用Claude Sonnet 3.7 Thinking中的us-east-1，请求可能会在美国各区域进行处理，即：us-east-1、us-east-2或us-west-2。跨区域推理请求将始终限定在数据原始所在地理分区内的AWS区域范围。例如，在美国发起的请求将仅在美国境内的AWS区域进行处理。

虽然数据仅存储在源区域，但在跨区域推理过程中，您输入的提示词和输出结果可能会离开源区域。所有数据都将在亚马逊安全网络中以加密形式传输。

我们将尽最大努力为每个模型提供跨区域推理支持，具体请参阅跨区域推理方法代码。

有关最新支持的区域和模型，请参阅《跨区域推理支持模型与区域指南》(https://docs.aws.amazon.com/bedrock/latest/userguide/inference-profiles-support.html)。

Anthropic

您可以通过Agent面板中的模型下拉菜单选择使用Anthropic模型。

注册Anthropic账号并创建API密钥
确保您的Anthropic账户拥有可用额度
打开设置界面（agent: open settings）并进入Anthropic版块
输入您的Anthropic API密钥

请注意：即使您已订阅Claude Pro服务，仍需购买额外额度才能通过API使用该服务。

如果定义了ANTHROPIC_API_KEY环境变量，Zed也将自动调用该变量。

自定义模型

您可以通过在Zed的settings.json中添加以下配置，为Anthropic服务商添加自定义模型：

{
  "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"
        }
      ]
    }
  }
}

自定义模型将显示在代理面板的模型下拉列表中。

如果模型支持扩展思考功能，您可以通过将模型配置中的模式更改为thinking来启用该功能，例如：

{
  "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 API 密钥
打开设置视图 (agent: open settings) 并进入 DeepSeek 部分
输入您的 DeepSeek API 密钥

DeepSeek API 密钥将保存在您的密钥链中。

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

自定义模型

Zed 代理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，可以通过将以下内容添加到您的 Zed settings.json 来实现：

{
  "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
        }
      ]
    }
  }
}

自定义模型将显示在智能体面板的模型下拉列表中。如需使用自定义端点，您也可以修改api_url。

GitHub Copilot 聊天功能

通过在智能体面板的模型下拉列表中选择GitHub Copilot，即可在Zed智能体中使用GitHub Copilot聊天功能。

打开设置界面（agent: open settings）并进入GitHub Copilot聊天功能分区
点击Sign in to use GitHub Copilot，按照弹窗提示完成操作步骤。

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

注意：如果在下拉菜单中看不到特定模型，您可能需要前往 GitHub Copilot 设置启用这些模型。

若要在 Zed 中使用 Copilot Enterprise（包括智能助手和代码补全功能），请按照配置 GitHub Copilot Enterprise 中的说明配置企业端点。

LM Studio

下载并安装最新版LM Studio
在应用中点击cmd/ctrl-shift-m并至少下载一个模型（例如qwen2.5-coder-7b）。您也可以通过LM Studio命令行获取模型：
```
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：
```
lms server start
```

提示：将 LM Studio 设为登录项可自动运行 LM Studio 服务器。

Mistral

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

Mistral API 密钥将保存至您的密钥链中。

如果定义了 MISTRAL_API_KEY 环境变量，Zed 也会使用该变量。

Zed 智能体预配置了多个 Mistral 模型（codestral-latest、mistral-large-latest、mistral-medium-latest、mistral-small-latest、open-mistral-nemo 和 open-codestral-mamba）。所有默认模型均支持工具调用。如需使用替代模型或自定义参数，可通过在 Zed settings.json 中添加以下配置实现：

{
  "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
        }
      ]
    }
  }
}

自定义模型将显示在代理面板的模型下拉列表中。

Ollama

请从ollama.com/download下载并安装Ollama（适用于Linux或macOS），并通过ollama --version确保其正在运行。

下载一个可用模型，例如针对mistral的模型：
```
ollama pull mistral
```
确保Ollama服务器正在运行。您可以通过运行Ollama.app（macOS）或执行以下命令来启动：
```
ollama serve
```
在智能体面板中，通过模型下拉菜单选择任意一个Ollama模型。

Ollama上下文长度

Zed已根据常见模型的能力预设了最大上下文长度（max_tokens）。 Zed向Ollama发起的API请求会将其作为num_ctx参数包含在内，但默认值不会超过16384，因此拥有约16GB内存的用户可以直接使用大多数模型。

完整默认值请参阅ollama.rs中的get_max_tokens函数。

注意：智能体面板中显示的词元计数仅为估算值，与模型原生分词器的计数会存在差异。

根据您的硬件配置或使用场景，您可能希望通过settings.json为特定模型限制或增加上下文长度：

{
  "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
        }
      ]
    }
  }
}

如果您设置的上下文长度超出硬件承载能力，Ollama会记录错误信息。您可以通过运行以下命令查看这些日志：tail -f ~/.ollama/logs/ollama.log（macOS系统）或journalctl -u ollama -f（Linux系统）。根据您设备的可用内存情况，可能需要将上下文长度调整为更小的数值。

您也可以选择为每个可用模型指定keep_alive的值。该值可以是整数（秒），也可以是类似"5m"、"10m"、"1h"、"1d"等表示时长的字符串。例如，"keep_alive": "120s"将允许远程服务器在120秒后卸载模型（释放GPU显存）。

supports_tools选项控制模型是否使用附加工具。如果在Ollama目录中模型标记有tools，则应提供此选项，并且可以使用内置配置文件Ask和Write。如果在Ollama目录中模型未标记tools，仍可通过true值提供此选项；但请注意，只有Minimal内置配置文件会生效。

supports_thinking选项控制模型在生成最终答案前是否执行显式的"思考"（推理）过程。如果在Ollama目录中模型标记有thinking，设置此选项后即可在Zed中使用该功能。

supports_images 选项可启用模型的视觉功能，使其能够处理对话上下文中包含的图像。如果模型在 Ollama 目录中被标记为 vision，请设置此选项后即可在 Zed 中使用。

Ollama 身份验证

除了在自有硬件上运行 Ollama（通常无需身份验证）之外，Zed 还支持连接远程 Ollama 实例。此类连接需使用 API 密钥进行身份验证。

[Ollama Turbo])(https://ollama.com/turbo) 便是此类服务之一。配置 Zed 使用 Ollama Turbo 的步骤如下：

登录 Ollama 账户并订阅 Ollama Turbo 服务
访问 ollama.com/settings/keys 创建 API 密钥
打开设置界面（agent: open settings）并进入 Ollama 设置分区
粘贴您的 API 密钥后按回车键确认
在 API URL 字段中输入 https://ollama.com

若已定义 OLLAMA_API_KEY 环境变量，Zed 也会自动调用该配置。

OpenAI

访问OpenAI平台并创建API密钥
确保您的OpenAI账户有可用额度
打开设置界面（agent: open settings）并进入OpenAI版块
输入您的OpenAI API密钥

该API密钥将安全存储于您的密钥链中。

若已定义OPENAI_API_KEY环境变量，Zed也会自动调用该变量。

自定义模型

Zed智能助手默认配置支持主流模型的最新版本（GPT-5、GPT-5 mini、o4-mini、GPT-4.1及其他模型）。如需使用替代模型（例如预览版本），或需要自定义请求参数，请将以下配置添加到Zed的settings.json文件中：

{
  "language_models": {
    "openai": {
      "available_models": [
        {
          "name": "gpt-5",
          "display_name": "gpt-5 high",
          "reasoning_effort": "high",
          "max_tokens": 272000,
          "max_completion_tokens": 20000
        },
        {
          "name": "gpt-4o-2024-08-06",
          "display_name": "GPT 4o Summer 2024",
          "max_tokens": 128000
        }
      ]
    }
  }
}

您必须在max_tokens参数中提供模型的上下文窗口大小；该信息可在OpenAI模型文档中查询。

对于OpenAI的o1模型，还应设置max_completion_tokens参数，以避免产生高昂的推理令牌费用。自定义模型将显示在智能体面板的下拉菜单中。

OpenAI API 兼容性

Zed支持通过为OpenAI提供商指定自定义api_url和available_models来使用兼容OpenAI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。

您可以通过用户界面或编辑settings.json来添加自定义的、兼容OpenAI的模型。

要通过用户界面操作，请进入Agent Panel设置（agent: open settings），在“LLM Providers”部分标题右侧找到“Add Provider”按钮。
然后在弹出的窗口中填写可用的输入字段。

要通过settings.json操作，请在language_models下添加以下代码片段：

默认情况下，与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）

请注意，LLM API 密钥不会保存在您的设置文件中。因此，请确保已将其设置在环境变量中（<PROVIDER_NAME>_API_KEY=<your api key>），以便您的设置能够读取。在上面的示例中，应为TOGETHER_AI_API_KEY=<your api key>。

OpenRouter

OpenRouter 通过单一 API 提供对多种 AI 模型的访问。它支持兼容模型的工具调用功能。

访问 OpenRouter 并创建账户
在您的 OpenRouter 密钥页面生成 API 密钥
打开设置界面（agent: open settings）并进入 OpenRouter 版块
输入您的 OpenRouter API 密钥

该 API 密钥将安全保存在您的密钥链中。

如果定义了 OPENROUTER_API_KEY 环境变量，Zed 也会自动调用该变量。

自定义模型

您可以通过在 Zed settings.json 中添加以下配置来为 OpenRouter 服务商添加自定义模型：

{
  "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（必填）：OpenRouter使用的模型标识符
display_name（选填）：用户界面中显示的可读名称
max_tokens（必填）：模型的上下文窗口大小
max_output_tokens（选填）：模型能生成的最大令牌数
max_completion_tokens（选填）：最大补全令牌数
supports_tools（选填）：模型是否支持工具/函数调用
supports_images（选填）：模型是否支持图像输入
mode（选填）：思考模型的特殊模式配置

您可以在OpenRouter模型页面查看可用模型及其规格说明。

自定义模型将显示在智能体面板的模型下拉列表中。

供应商路由

您可以通过每个模型条目中的provider对象，可选地控制OpenRouter如何在底层上游供应商之间路由特定自定义模型请求。

支持的字段（均为可选）：

order：优先尝试的服务商标识数组，按顺序排列（例如["anthropic", "openai"]）
allow_fallbacks（默认值：true）：当首选服务商不可用时是否允许使用备用服务商
require_parameters（默认值：false）：仅使用支持您提供的所有参数的服务商
data_collection（默认值：allow）："allow"或"disallow"（控制是否使用可能存储数据的服务商）
only：本次请求允许使用的服务商标识白名单
ignore：需要跳过的服务商标识
quantizations：限制使用特定量化变体（例如["int4","int8"]）
sort：候选服务商的排序策略（例如"price"或"throughput"）

为模型添加路由配置的示例：

{
  "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"
          }
        }
      ]
    }
  }
}

这些路由控制功能让您能够精细调整成本、性能和可靠性之间的权衡，而无需更改在用户界面中选择的模型名称。

Vercel v0

Vercel v0 是一款专为生成全栈应用打造的专家模型，具备框架感知的智能补全功能，特别针对 Next.js 和 Vercel 等现代技术栈进行了优化。该模型支持文本与图像输入，并能提供流畅的实时流式响应。

v0 系列模型兼容 OpenAI API 标准，但在 Zed 面板设置界面中，Vercel 被列为首选服务提供商。

若要在 Zed 中使用该服务，请先确保已创建 v0 API 密钥。获取密钥后，直接将其粘贴至面板设置界面的 Vercel 服务商配置区域。

随后您将在智能体面板的模型下拉菜单中看到 v0-1.5-md 选项。

xAI

Zed 为 xAI 模型提供原生支持。您可使用自己的 API 密钥接入 Grok 系列模型。

在 xAI 控制台创建 API 密钥
打开设置界面（agent: open settings）并进入 xAI 版块
输入您的 xAI API 密钥

xAI API 密钥将保存在您的密钥链中。如果定义了 XAI_API_KEY 环境变量，Zed 也会使用该变量。

注意： 虽然 xAI API 与 OpenAI 兼容，但 Zed 将其作为专属服务商提供原生支持。为获得最佳体验，我们建议使用专属的 x_ai 服务商配置，而非 OpenAI API 兼容方案。

自定义模型

Zed 智能助手已预置常用 Grok 模型。如需使用替代模型或自定义参数，可通过在 Zed settings.json 中添加以下配置实现：

{
  "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
        }
      ]
    }
  }
}

自定义供应商端点

您可以为不同的供应商使用自定义API端点，只要该端点与供应商的API结构兼容即可。具体操作方式是在您的settings.json中添加以下配置：

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

目前，some-provider可以是以下任意值：anthropic、google、ollama、openai。

这正是支撑各类模型运行的同一套基础设施，例如兼容OpenAI的模型也基于此构建。