前言：為什麼我又換了一個 AI 編碼工具？

這幾年 AI 編碼工具換了一輪又一輪，每套工具各自為政：模型切換、MCP 設定、專案 Prompt 管理散在不同地方，換一台電腦就要重新設定一次。我想要的其實很單純：一個開源、模型中立、設定檔可以跟著 Repo 走的 CLI／桌面版代理，能同時接雲端免費模型、付費模型、地端 Ollama，再掛上 MCP 與專案級 Skill。

OpenCode 剛好就是這樣的工具。同一份 opencode.json，在公司、家裡桌機、甚至內網環境都能用，成本可控、隱私可管，團隊新人拉下 Repo 執行 opencode 就能上手。這篇把我目前的設定、踩過的坑和建議起手式一次整理，給還在猶豫的工程師參考。

核心優勢：一個工具吃遍所有模型與生態

OpenCode 最大的賣點是「聚合器」定位，不綁單一模型商，四個支柱一次到位：

• 模型聚合：目前有 13 個左右 input／output 都是 $0\text{的免費模型（}\mathrm{‘}deepseek-v4.1-flash-free\mathrm{‘}\text{、}\mathrm{‘}glm-5.3-flash-free\mathrm{‘}\text{、}\mathrm{‘}big-pickle\mathrm{‘}\text{、視覺用的}\mathrm{‘}nemotron-3.5-super-vl-free\mathrm{‘}\text{等），終端機輸入}\mathrm{‘}opencodemodels\mathrm{‘}\text{或在}TUI\text{打}\mathrm{‘}\mathrm{/}models\mathrm{‘}\text{就能看到完整清單。付費模型也在同一個介面切換，參考價格：}DeepSeekV4.1Flash\mathrm{‘}0\; 的免費模型（`deepseek-v4.1-flash-free`、`glm-5.3-flash-free`、`big-pickle`、視覺用的\; `nemotron-3.5-super-vl-free`\; 等），終端機輸入\; `opencode\; models`\; 或在\; TUI\; 打\; `/models`\; 就能看到完整清單。付費模型也在同一個介面切換，參考價格：DeepSeek\; V4.1\; Flash\; `$0.30/$1.20\mathrm{‘}\text{、}ClaudeSonnet5.5\mathrm{‘}1.20`、Claude\; Sonnet\; 5.5\; `$2/$10`（每 1M tokens）。
• 地端模型：opencode.json 直接指向內網的 Ollama，依場景挑模型：qwen3-vl:8b 看圖、OCR，qwen3-coder:30b 日常 coding，MoE 架構的 qwen3.6-35b-a3b 只啟用 3B 參數，速度快。
• MCP 原生支援：Context7、瀏覽器三件組、GitHub 都能直接寫進設定檔，不用另外包一層。
• Skill 機制：技能放在專案的 .opencode/skills/ 底下跟著 Repo 走，除錯流程、TDD 習慣、React 最佳實踐全團隊一致，代理變成「懂專案規矩」的隊友。

實戰設定：從安裝到跑起第一個 Task

安裝與啟動

最簡單的是官方安裝腳本，或用 npm 全域安裝：

curl -fsSL https://opencode.ai/install | bash
# 或
npm install -g opencode-ai

也可以直接下載桌面版。終端機執行 opencode 進入 TUI，輸入 /models 確認模型清單有正常載入。

雲端免費模型

我平常先用 deepseek-v4.1-flash-free 跑一般 coding 任務，回應速度不錯，很適合原型開發和副專案。但有幾點要先知道：

• 限時免費：隨時可能下架，別把它當成永久方案。
• 有限速但沒公布數字：尖峰時段會感覺得到變慢。
• 只能在 OpenCode 裡用：免費 chat 模型不能拿 API key 餵給別的 client，需要登入 OpenCode Console 或設定 OPENCODE_API_KEY。
• 注意隱私：NVIDIA 系列明講不要放機密資料；DeepSeek、GLM、Beam 則是零保留。

接地端 Ollama 完整步驟

這是我花最多時間調的地方，坑主要在 context 長度和跨主機連線。

1. 伺服器端啟動參數（一定要加）：

# 把 context 拉到 32K，並開放其他主機連線
OLLAMA_CONTEXT_LENGTH=32768 \
OLLAMA_HOST=0.0.0.0:11434 \
ollama serve

💡 關鍵提醒：Ollama 預設 context 常常只有 4K～8K，模型讀到一半就「突然失憶」，工具呼叫也容易失敗。官方文件也建議遇到 tool call 不正常時先把 context 拉到 16K～32K。跨主機連線記得開防火牆的 11434 埠。

2. 客戶端 opencode.json：

Ollama 走 OpenAI 相容 API，所以 provider 要指定 @ai-sdk/openai-compatible，baseURL 記得帶 /v1：

{
  "$schema": "https://opencode.ai/config.json",
  "provider": {
    "ollama": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "Ollama (內網)",
      "options": {
        "baseURL": "http://192.168.1.100:11434/v1"
      },
      "models": {
        "qwen3-coder:30b": { "name": "Qwen3 Coder 30B" },
        "qwen3-vl:8b": { "name": "Qwen3 VL 8B" },
        "qwen3.6-35b-a3b": { "name": "Qwen3.6 35B A3B (MoE)" }
      }
    }
  },
  "model": "ollama/qwen3-coder:30b"
}

192.168.1.100 換成你自己 Ollama 主機的 IP；同一台機器就用 localhost。

3. 驗證： 重新啟動 OpenCode，/models 應該會出現地端模型，選一個丟個小任務測看看就知道通不通。

地端模型怎麼挑

MCP 與 Skill：把代理變成「懂我專案」的隊友

MCP 怎麼裝

MCP 寫在 opencode.json 的 mcp 區塊，type: "local" 是在本機啟動指令，type: "remote" 是連遠端網址。不想手寫的話，終端機執行 opencode mcp add 會一步步引導你設定。

{
  "$schema": "https://opencode.ai/config.json",
  "mcp": {
    "context7": {
      "type": "remote",
      "url": "https://mcp.context7.com/mcp",
      "enabled": true
    },
    "playwright": {
      "type": "local",
      "command": ["npx", "-y", "@playwright/mcp@latest"],
      "enabled": true
    },
    "chrome-devtools": {
      "type": "local",
      "command": ["npx", "-y", "chrome-devtools-mcp@latest"],
      "enabled": true
    }
  }
}

三個瀏覽器 MCP 各做各的事

我裝了三個瀏覽器相關的 MCP，一開始常搞混，後來抓到分工就很順：

一句話記：要登入用 browse、寫測試用 playwright、查錯誤用 chrome-devtools。

Context7：查官方文件不再瞎掰

裝了 Context7 之後，代理問到 Next.js、Prisma、Tailwind 這類函式庫的用法時，會先去拉最新官方文件，不會憑印象亂寫參數。版本更新快的框架特別有感。

GitHub MCP：要 Token

GitHub MCP 可以直接操作 repo、issue、PR、Actions，但要先設定 GITHUB_PERSONAL_ACCESS_TOKEN。我第一次裝完發現工具數是 0，原因就是 token 沒設。

Skill：把團隊做法寫成檔案

Skill 是一個資料夾配一個 SKILL.md，放在專案的 .opencode/skills/<名稱>/SKILL.md，跟著 Repo 版控。OpenCode 也會讀 .claude/skills/，原本給 Claude Code 寫的技能可以直接共用。例如建立 .opencode/skills/debug/SKILL.md：

---
name: debug
description: 團隊標準除錯流程，遇到 bug 時使用
---

# 除錯技能

遇到 Bug 時，請依照以下步驟：

1.  **先看 Log**：收集 Console、Server Log、錯誤堆疊。
2.  **再推測**：根據錯誤訊息列出 3 個可能原因，標註信心度。
3.  **再改 Code**：針對最有可能的原因做最小範圍修正，並寫測試驗證。
4.  **複盤**：在 PR 描述記錄根因與修正邏輯。

代理碰到 bug 時就會照這套流程走，不會一上來就亂改程式。同樣的方式可以建 TDD、React 最佳實踐、測試撰寫等技能。

坑與限制：免費不代表沒有代價

• 免費模型隨時可能下架：重要工作流不要只綁一個免費模型，地端或付費模型要當備援。
• Ollama context 陷阱：預設 4K～8K 不夠用，一定要設 OLLAMA_CONTEXT_LENGTH=32768；跨主機記得 OLLAMA_HOST=0.0.0.0:11434。
• 地端吃硬體：30B 等級的模型建議 32 GB RAM 起跳；MoE 模型雖然快，複雜重構還是付費模型比較穩。
• 隱私邊界：機密程式碼不要送到明講不保證隱私的免費模型，這種任務就交給地端模型。

結論：適合誰？我的建議起手式

適合

• 想省訂閱費、需要內網或離線開發的工程師
• 希望設定檔進版控、「設定即文件」的團隊
• 喜歡用 MCP、Skill 打造自動化流程的人

不適合

• 不想碰 JSON 設定、想要全託管介面的人
• 已經深度綁定其他 AI 編碼工具、短期沒打算換的團隊

建議起手式

1. 先用免費模型：安裝後 /models 挑 deepseek-v4.1-flash-free 之類的免費模型，先跑幾個日常任務感受一下。
2. 接地端 Ollama：照上面的 provider 設定加進 opencode.json，記得把 context 拉到 32K。
3. 裝 MCP 基礎三件組：Context7、playwright、chrome-devtools。
4. 寫第一個 Skill：從團隊最常重複說明的流程開始，例如除錯或 code review。

如果你也在找一個可攜帶、可擴充、不綁廠商的 AI 編碼夥伴，OpenCode 很值得試試看。

參考連結

• OpenCode 官方文件
• 從 Copilot 到 Cursor 到 Claude：用 Claude Code Hook 在開發中自動提煉知識文件
• Claude Code 進階玩法，GitHub Web 開發、Hook 知識庫、Remote Control 與常用 MCP
• Docker 安裝AI大型語言模型 Ollama ，並實測比較CPU與GPU硬體加速效能
• 先工具、再 MCP、最後 Agent：用 Hermes Agent 打造全地端 AI 助理
• Vibe Coding 經驗分享