大型语言模型提供商

要在 Zed 中使用 AI，您需要至少设置一个大型语言模型提供商。

您可以通过订阅 Zed 的某个计划，或者使用您已有的受支持提供商的 API 密钥来实现。

使用您自己的密钥

如果您已经拥有 Anthropic 或 OpenAI 等现有 LLM 提供商的 API 密钥，您可以将它们添加到 Zed，并免费使用 Agent Panel 的全部功能。

要将现有 API 密钥添加到给定提供商，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 Enter。

注意：API 密钥不会以纯文本形式存储在您的 settings.json 中，而是存储在您的操作系统的安全凭据存储中。

支持的提供商

Zed 提供了广泛的“使用您自己的密钥”LLM 提供商列表

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

Amazon Bedrock

支持使用支持流式工具使用的模型进行工具使用。更多详细信息请参阅 Amazon Bedrock 的工具使用文档。

要使用 Amazon Bedrock 的模型，需要进行 AWS 身份验证。请确保您的凭据具有以下权限设置

bedrock:InvokeModelWithResponseStream
bedrock:InvokeModel

您的 IAM 策略应类似于

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

完成上述操作后，选择以下两种身份验证方法之一

通过命名配置文件进行身份验证（推荐）

确保您已安装 AWS CLI 并配置了命名配置文件

打开您的 settings.json (zed: open settings file) 并在 language_models 下包含 bedrock 密钥，并使用以下设置

{
  "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 Agent Panel 设置 UI 直接输入您的 AWS 访问密钥和秘密来配置，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 控制台中创建一个您可以扮演的 IAM 用户。
为该用户创建安全凭据，保存并妥善保管。
使用 (agent: open settings) 打开 Agent Configuration 并转到 Amazon Bedrock 部分
将步骤 2 中的凭据复制到相应的访问密钥 ID、秘密访问密钥和区域字段中。

跨区域推理

Zed 对 Amazon Bedrock 的实现使用跨区域推理，适用于所有支持它的模型和区域组合。通过跨区域推理，您可以将流量分布到多个 AWS 区域，从而实现更高的吞吐量。

例如，如果您使用 us-east-1 中的 Claude Sonnet 3.7 Thinking，它可能会在美国区域进行处理，即：us-east-1、us-east-2 或 us-west-2。跨区域推理请求保留在数据最初所在的地理区域内的 AWS 区域中。例如，在美国境内发出的请求会保留在美国境内的 AWS 区域中。

尽管数据仍仅存储在源区域中，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。所有数据将通过 Amazon 的安全网络进行加密传输。

我们将尽最大努力支持每个模型的跨区域推理，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的模型和区域。

Anthropic

您可以通过在 Agent Panel 的模型下拉菜单中选择 Anthropic 模型来使用它们。

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

即使您已支付 Claude Pro 费用，您仍然需要支付额外信用额度才能通过 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 settings.json 来为 Anthropic 提供商添加自定义模型

{
  "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"
        }
      ]
    }
  }
}

自定义模型将列在 Agent Panel 的模型下拉菜单中。

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维（如果支持），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 代理预配置为使用常见模型（DeepSeek Chat、DeepSeek Reasoner）的最新版本。如果您希望使用其他模型或自定义 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
        }
      ]
    }
  }
}

自定义模型将列在 Agent Panel 的模型下拉菜单中。您还可以根据需要修改 api_url 以使用自定义端点。

GitHub Copilot Chat

您可以通过在 Agent Panel 的模型下拉菜单中选择 GitHub Copilot Chat 来将其与 Zed 代理一起使用。

打开设置视图 (agent: open settings) 并转到 GitHub Copilot Chat 部分
单击 Sign in to use GitHub Copilot，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：如果您在下拉菜单中没有看到特定的模型，您可能需要在您的 GitHub Copilot 设置中启用它们。

要将 Copilot Enterprise 与 Zed 一起使用（用于代理和补全），您必须按照配置 GitHub Copilot Enterprise 中的说明配置您的企业端点。

LM Studio

下载并安装最新版本的 LM Studio
在应用程序中按 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
```
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 设置为登录项以自动运行 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。

Zed 代理预配置了几个 Mistral 模型（codestral-latest、mistral-large-latest、mistral-medium-latest、mistral-small-latest、open-mistral-nemo 和 open-codestral-mamba）。所有默认模型都支持工具使用。如果您希望使用其他模型或自定义其参数，可以通过将以下内容添加到您的 Zed settings.json 来实现

{
  "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
        }
      ]
    }
  }
}

自定义模型将列在 Agent Panel 的模型下拉菜单中。

Ollama

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

下载一个可用模型，例如 mistral
```
ollama pull mistral
```
确保 Ollama 服务器正在运行。您可以通过运行 Ollama.app (macOS) 或启动它来启动它
```
ollama serve
```
在 Agent Panel 中，使用模型下拉菜单选择一个 Ollama 模型。

Ollama 上下文长度

Zed 已预配置最大上下文长度 (max_tokens) 以匹配常见模型的功能。Zed 对 Ollama 的 API 请求将此作为 num_ctx 参数包含在内，但默认值不超过 16384，因此拥有约 16GB RAM 的用户可以开箱即用大多数模型。

有关完整的默认设置，请参阅 ollama.rs 中的 get_max_tokens。

注意：Agent Panel 中显示的令牌计数只是估算值，与模型的原生分词器会有所不同。

根据您的硬件或用例，您可能希望通过 settings.json 限制或增加特定模型的上下文长度

{
  "language_models": {
    "ollama": {
      "api_url": "https://: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
        }
      ]
    }
  }
}

如果您指定的上下文长度对于您的硬件来说太大，Ollama 将记录错误。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。

您还可以选择为每个可用模型指定 keep_alive 值。这可以是一个整数（秒）或一个字符串持续时间，例如“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 显存）。

supports_tools 选项控制模型是否使用附加工具。如果模型在 Ollama 目录中标记为 tools，则应提供此选项，并且可以使用内置配置文件 Ask 和 Write。如果模型在 Ollama 目录中未标记为 tools，则仍可以提供此选项并将其值设置为 true；但是，请注意，只有 Minimal 内置配置文件才能工作。

supports_thinking 选项控制模型在生成最终答案之前是否执行显式的“思考”（推理）过程。如果模型在 Ollama 目录中标记为 thinking，则设置此选项即可在 Zed 中使用它。

supports_images 选项启用模型的视觉功能，允许它处理对话上下文中包含的图像。如果模型在 Ollama 目录中标记为 vision，则设置此选项即可在 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。身份验证需要 API 密钥。

其中一项服务是 [Ollama Turbo])(https://ollama.ac.cn/turbo)。要配置 Zed 以使用 Ollama turbo

登录您的 Ollama 帐户并订阅 Ollama Turbo
访问 ollama.com/settings/keys 并创建 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 Enter。
对于 API URL，输入 https://ollama.ac.cn

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 API 密钥
确保您的 OpenAI 帐户有信用额度
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 代理预配置为使用常见模型（GPT-5、GPT-5 mini、o4-mini、GPT-4.1 等）的最新版本。要使用其他模型，可能是预览版，或者如果您希望控制请求参数，可以通过将以下内容添加到您的 Zed settings.json 来实现

{
  "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；这可以在 OpenAI 模型文档中找到。

OpenAI o1 模型也应设置 max_completion_tokens 以避免产生高额推理令牌成本。自定义模型将列在 Agent Panel 的模型下拉菜单中。

OpenAI API 兼容

Zed 通过为 OpenAI 提供商指定自定义 api_url 和 available_models 来支持使用与 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 settings.json 添加自定义的 OpenAI 兼容模型。

要通过 UI 完成此操作，请转到 Agent Panel 设置 (agent: open settings) 并查找“LLM Providers”部分标题右侧的“Add Provider”按钮。然后，填写模态框中可用的输入字段。

要通过您的 settings.json 完成此操作，请在 language_models 下添加以下代码片段

{
  "language_models": {
    "openai_compatible": {
      // Using Together AI as an example
      "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 密钥不会存储在您的设置文件中。因此，请确保您已在环境变量中设置它 (<PROVIDER_NAME>_API_KEY=<your api key>)，以便您的设置可以获取它。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。它支持兼容模型的工具使用。

访问 OpenRouter 并创建一个帐户
从您的 OpenRouter 密钥页面生成 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。

自定义模型

您可以通过将以下内容添加到您的 Zed settings.json 来为 OpenRouter 提供商添加自定义模型

{
  "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
          }
        }
      ]
    }
  }
}

每个模型的可用配置选项是

name (必需)：OpenRouter 使用的模型标识符
display_name (可选)：UI 中显示的人类可读名称
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令牌数
max_completion_tokens (可选)：最大补全令牌数
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)：思维模型的特殊模式配置

您可以在 OpenRouter 模型页面上找到可用模型及其规范。

自定义模型将列在 Agent Panel 的模型下拉菜单中。

提供商路由

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

支持的字段（全部可选）

order：按顺序首先尝试的提供商标识符数组（例如 ["anthropic", "openai"]）
allow_fallbacks (默认值：true)：如果首选提供商不可用，是否可以使用备用提供商
require_parameters (默认值：false)：仅使用支持您提供的所有参数的提供商
data_collection (默认值：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标识符白名单
ignore：要跳过的提供商标识符
quantizations：限制为特定的量化变体（例如 ["int4","int8"]）
sort：候选提供商的排序策略（例如 "price" 或 "throughput"）

示例：为模型添加路由偏好

{
  "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"
          }
        }
      ]
    }
  }
}

这些路由控制使您无需更改在 UI 中选择的模型名称即可微调成本、功能和可靠性权衡。

Vercel v0

Vercel v0 是一个用于生成全栈应用程序的专家模型，具有针对 Next.js 和 Vercel 等现代堆栈优化的框架感知补全功能。它支持文本和图像输入，并提供快速流式响应。

v0 模型是与 OpenAI 兼容的模型，但 Vercel 在面板的设置视图中被列为一级提供商。

要开始在 Zed 中使用它，请确保您已首先创建 v0 API 密钥。拥有密钥后，将其直接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 的模型下拉菜单中找到它，显示为 v0-1.5-md。

xAI

Zed 对 xAI 模型提供一流支持。您可以使用自己的 API 密钥访问 Grok 模型。

在 xAI 控制台中创建 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： 虽然 xAI API 与 OpenAI 兼容，但 Zed 作为专用提供商对其提供一流支持。为了获得最佳体验，我们建议使用专用的 x_ai 提供商配置，而不是OpenAI API 兼容方法。

自定义模型

Zed 代理预配置了常见的 Grok 模型。如果您希望使用其他模型或自定义其参数，可以通过将以下内容添加到您的 Zed settings.json 来实现

{
  "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
        }
      ]
    }
  }
}

自定义提供商端点

您可以为不同的提供商使用自定义 API 端点，只要它与提供商的 API 结构兼容。为此，请将以下内容添加到您的 settings.json 中

{
  "language_models": {
    "some-provider": {
      "api_url": "https://:11434"
    }
  }
}

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

这与支持例如与 OpenAI 兼容的模型的相同基础设施。