> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# 我用本地Gemma 4替换了Codex
- URL: https://www.hubwiz.com/blog/i-replaced-codex-with-local-gemma4/
- Published: 2026-04-16T14:26:04.000Z
- Updated: 2026-04-16T14:26:04.000Z
- Description: 开发人员使用人工智能的方式正在悄然改变。
- Author: admin
- Tags: AGENT, GEMMA4, #Import 2026-10-14 14:41

过去几年，默认的工作流程是这样的：

- 打开编辑器
- 连接云端人工智能（Copilot、Codex、Claude）
- 发送代码 → 等待响应

这很有效。但它有取舍：

- API成本
- 延迟
- 隐私问题
- 控制有限

这就是我决定做出改变的原因。

## 1、寻找替代方案

几个月前，我开始尝试本地运行的人工智能编码模型。

我的目标很明确：

- 保持代码私密
- 减少延迟
- 降低API成本
- 获得完全控制

输入：**Gemma 4** \+ **Ollama**。

Gemma 4是Google最新的开放模型。Ollama是在本地运行大型语言模型的工具。

它们的组合改变了我的开发流程。

## 2、为什么选择Gemma 4？

![无](https://www.hubwiz.com/blog/content/images/2026/04/1-uf0VycoEqBo7iKkdrcRlIA.png)

Gemma 4有几个关键优势：

**1\. 完全本地运行**

你的代码永远不需要离开你的机器。隐私得到保证。

**2\. 免费使用**

没有API调用成本。一旦模型下载，你可以无限使用。

**3\. 快速响应**

本地模型意味着零网络延迟。

**4\. 完全控制**

你选择何时更新模型或更改配置。

## 3、入门设置

步骤1：安装Ollama

首先，安装Ollama工具：

```bash
curl -fsSL https://ollama.com/install.sh | sh

```

这将在你的机器上设置Ollama。

步骤2：下载Gemma 4

安装Ollama后，获取Gemma 4模型：

```bash
ollama pull gemma:2b

```

或者对于更强大的版本：

```bash
ollama pull gemma:7b

```

根据你的硬件选择。2b版本可以在大多数笔记本电脑上运行。7b版本需要更多资源。

步骤3：测试模型

运行一下命令确保它工作：

```bash
ollama run gemma:2b

```

现在你可以和它聊天了。

## 4、构建你的编码代理

现在有趣的部分开始了。

你需要的不只是一个聊天机器人。你需要一个可以帮你编码的代理。

这是我的设置：

**工具1：代码编辑器**

使用VS Code或你喜欢的编辑器。

**工具2：Ollama后端**

Gemma 4通过Ollama运行。

**工具3：Claude Code（可选）**

如果你想增强功能，Claude Code可以作为补充。

## 5、我的实际工作流程

这是我的设置：

**1\. 分析需求**

我告诉Gemma我需要什么。例如：

```
"创建一个Express服务器，监听3000端口，返回Hello World"

```

**2\. 生成代码**

Gemma生成代码。我检查并修改。

**3\. 自动补全**

对于简单任务，Copilot风格的补全仍然有效。

**4\. 调试帮助**

当事情不工作，我让Gemma分析错误。

## 6、性能对比

让我比较一下我的设置：

![无](https://www.hubwiz.com/blog/content/images/2026/04/1-lpz3WY0JtmakOXvjEELE9Q.png)

| 方面 | 云端AI | 本地Gemma |
| -- | ---- | ------- |
| 延迟 | 2-5秒 | 0.5-1秒  |
| 隐私 | 差    | 优       |
| 控制 | 有限   | 完全      |
| 成本 | 订阅/月 | 一次性     |

本地设置在我的日常任务上甚至更快。

## 7、处理复杂任务

对于复杂任务，我使用分层方法：

**简单任务**：直接使用Gemma

- 函数创建
- 简单调试
- 代码补全

**复杂任务**：云端AI

- 架构决策
- 大规模重构
- 高级推理

这给了我两全其美。

## 8、实际示例

让我展示一个真实的例子。

**任务**：创建一个Express服务器

我给Gemma的提示：

```
创建一个简单的Express服务器，监听3000端口。
当访问根路径时，返回"Hello World from the Express Server!"

```

Gemma的响应（经过本地运行后）：

```javascript
const express = require('express');
const app = express();
const port = 3000;

app.get('/', (req, res) => {
  res.send('Hello World from the Express Server!');
});

app.listen(port, () => {
  console.log(`Express server is running at http://localhost:${port}`);
});

```

## 9、部署它

代码很直接：

初始化项目：

```bash
npm init -y
npm install express

```

保存文件：

将代码保存为server.js。

运行服务器：

```bash
node server.js

```

测试服务器：

打开你的浏览器或使用curl访问服务器：

导航到：http://localhost:3000

你会看到响应：Hello World from the Express Server!

## 10、结束语

完全替换Codex？ 还不是。

但替换工作流程的重要部分？ 绝对是。

这个实验显示的很简单：

> *你不再需要完全依赖云端人工智能来构建真正的软件。*

使用**Gemma 4**和**Ollama**，你现在可以：

- 本地运行人工智能模型
- 构建和理解代码
- 创建真正的开发工作流程
- 保持对环境的完全控制

所有这一切都不需要向外部API发送一行代码。

---

原文链接: [I Replaced Codex with Gemma 4 + Ollama — Here’s My Local AI Coding Agent](https://medium.com/@techlatest.net/i-replaced-codex-with-gemma-4-ollama-heres-my-local-ai-coding-agent-e18307e35d6f?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处