Aider ialah rakan pengaturcara di terminal: anda menambah fail ke dalam chat, menerangkan perubahan, dan ia menyunting fail tersebut lalu membuat commit hasilnya ke git. Ia tidak terikat kepada mana-mana model, dan itulah kekuatannya serta soalan pertamanya. Model manakah yang patut anda pasang?
Tiada satu jawapan yang betul, tetapi ada cara yang betul untuk membuat keputusan. Catatan ini merangkumi apa yang sebenarnya diminta oleh Aider daripada model, cara membandingkan calon, dan cara menyambungkan mana-mana API serasi OpenAI dengan dua pembolehubah persekitaran.
Apakah yang diperlukan oleh Aider daripada model?
Aider tidak menggunakan panggilan alat API untuk menyunting fail. Ia meminta model membalas dalam format suntingan, kemudian menghurai balasan itu dan menggunakannya. Dokumentasinya menyenaraikan beberapa format:
| Format suntingan | Apa yang dipulangkan model | Sesuai untuk |
|---|---|---|
whole |
Kandungan baharu penuh bagi setiap fail yang berubah | Fail kecil, model yang lebih lemah |
diff |
Blok cari-dan-ganti untuk bahagian yang berubah | Kebanyakan model, kebanyakan repo |
diff-fenced |
Sama, dengan laluan fail di dalam pagar | Model yang tersilap meletakkan laluan |
udiff |
Unified diff yang dipermudah | Model yang tersasar dalam diff |
Jadi model Aider yang baik memerlukan empat perkara:
- Disiplin format. Jika blok carian tidak sepadan dengan fail secara tepat, suntingan gagal dan Aider bertanya semula. Setiap cubaan semula ialah satu lagi permintaan penuh.
- Ruang konteks. Aider menghantar peta repositori (ringkasan padat simbol di seluruh repo), fail yang anda tambah dan chat setakat ini. Pada pangkalan kod yang besar, itu puluhan ribu token setiap giliran.
- Penaakulan yang muat dalam bajet. Model penaakulan berfikir sebelum menjawab, dan pemikiran itu dikira dalam
max_tokens. Had yang terlalu kecil memberikan balasan kosong. - Harga yang boleh dibiarkan berjalan. Aider memang banyak bercakap. Kos setiap jam kerja sebenar lebih penting daripada kos setiap token di halaman harga.
Papan pendahulu Aider sendiri mengukur seberapa kerap model menyiapkan latihan pengekodan dalam format suntingannya. Ia penapis pertama yang berguna, tetapi repositori, bahasa dan tabiat anda akan mengubah hasilnya. Anggap mana-mana penanda aras sebagai senarai pendek, bukan keputusan muktamad.
Bagaimanakah anda membandingkan model pada kod anda sendiri?
Ujian praktikal mengambil masa kira-kira sejam:
- Pilih lima tugas sebenar daripada backlog anda: pembetulan pepijat, ciri kecil, refactor merentas dua fail, ujian untuk ditulis dan kemas kini dokumentasi.
- Jalankan setiap model calon pada tugas yang sama daripada commit git yang sama, satu cabang bagi setiap model.
- Rekod tiga perkara setiap tugas: adakah ia selesai, berapa giliran yang diambil, dan berapa suntingan yang gagal digunakan.
- Baca diff. Model yang “selesai” dengan perubahan yang berselerak lebih teruk daripada model yang memerlukan satu giliran lagi tetapi kekal kecil.
Suntingan gagal dan giliran tambahan ialah tempat kos bersembunyi. Model dengan harga setiap token yang rendah tetapi memerlukan tiga cubaan bagi setiap suntingan boleh berkos lebih tinggi daripada model yang lebih mahal tetapi betul pada kali pertama.
Bagaimanakah anda menyambungkan Aider ke API serasi OpenAI?
Persediaan serasi OpenAI Aider memerlukan base URL, kunci, dan nama model yang diawali dengan openai/:
export OPENAI_API_BASE=https://inference.broadnet.ai/v1
export OPENAI_API_KEY="$BROADNET_API_KEY"
cd /path/to/your/repo
aider --model openai/broadnet/deepseek-v4.1-flash
Awalan openai/ memberitahu Aider (melalui LiteLLM) supaya menggunakan format wayar OpenAI terhadap base URL anda. Semua selepas awalan ialah ID model penyedia, termasuk garis condong. Versi langkah demi langkah, termasuk Windows, ada dalam panduan Aider.
Untuk menjadikannya kekal, letakkan tetapan yang sama dalam .aider.conf.yml di direktori rumah atau akar repo anda:
openai-api-base: https://inference.broadnet.ai/v1
model: openai/broadnet/deepseek-v4.1-flash
Simpan kunci dalam persekitaran, bukan dalam fail yang mungkin anda commit.
Mendiamkan amaran model tidak dikenali
Aider mengetahui saiz konteks dan harga untuk model popular sahaja. Untuk yang lain, ia mencetak amaran. Dokumentasinya menyatakan anda biasanya boleh mengabaikannya, kerana Aider “never enforces token limits” (Terjemahan: tidak pernah menguatkuasakan had token); ia hanya melaporkan ralat penyedia. Untuk memberinya angka yang tepat, tambah .aider.model.metadata.json di direktori rumah, akar repo atau direktori pelancaran anda:
{
"openai/broadnet/deepseek-v4.1-flash": {
"max_input_tokens": 1048576,
"max_output_tokens": 32000,
"litellm_provider": "openai",
"mode": "chat"
}
}
Angka output di situ ialah tetapan yang anda pilih, bukan had yang diterbitkan. Tinggalkan ruang untuk penaakulan.
Model BroadNet manakah yang sesuai untuk Aider?
BroadNet Inference menyediakan tiga model chat yang sesuai untuk kerja pengekodan. Harga adalah setiap 1M token, daripada fail harga yang diterbitkan:
| Model | Konteks | Input | Input cache | Output |
|---|---|---|---|---|
| DeepSeek V4.1 Flash | 1,048,576 | $0.175 | $0.0055 | $0.52 |
| GLM 5.3 | 1,048,576 | $0.78 | $0.173 | $3.46 |
| Qwen3.8 27B | 262,144 | $0.175 | $0.0435 | $2.17 |
Ketiga-tiganya membuat penaakulan sebelum menjawab. BroadNet Gemma 4 VL 26B mempunyai konteks 32,768 token, yang sempit untuk peta repo Aider serta beberapa fail, jadi lebih baik ia dikhaskan untuk kerja yang lebih ringan.
DeepSeek V4.1 Flash ialah pilihan lalai di sini atas sebab yang mudah: ia satu-satunya model pada pelan tanpa had BroadNet. Sesi Full Moon berharga $60 sebulan tanpa meter token, dan tabiat Aider menghantar semula konteks setiap giliran tidak lagi menjadi masalah kos. Tetingkap 1M tokennya juga bermakna anda boleh menambah lebih banyak fail daripada biasa tanpa memangkas.
GLM 5.3 lebih mahal setiap token output. Ia berbaloi dicuba secara bayar ikut guna sebagai model architect untuk langkah reka bentuk yang sukar, di mana kualiti setiap giliran lebih penting daripada volum.
Qwen3.8 27B mempunyai harga input yang sama dengan Flash dan konteks 262K. Ia model kedua yang munasabah jika anda mahu membandingkan tingkah laku pada pangkalan kod anda.
Patutkah anda menggunakan mod architect dengan dua model?
Mod architect Aider membahagikan satu giliran kepada dua: model architect merancang perubahan, dan model editor menukar rancangan itu kepada suntingan fail. Ini membolehkan anda memasangkan model penaakulan yang lebih kuat dengan editor yang lebih murah dan boleh dipercayai dari segi format:
aider --architect \
--model openai/broadnet/glm-5.3 \
--editor-model openai/broadnet/deepseek-v4.1-flash
Dokumentasi Aider menyatakan setiap giliran kini menggunakan dua permintaan LLM. Pada sesi pelan, itu penting untuk keserentakan, bukan kos: kedua-dua permintaan berjalan satu demi satu, jadi satu sesi cukup untuk satu tetingkap Aider.
Adakah Aider lebih murah setiap token atau pada pelan kadar tetap?
Trafik Aider yang berat dengan input ialah tempat harga kadar tetap membawa pulangan. Ejen pengekodan biasanya menghantar jauh lebih banyak input daripada yang diterimanya, dan sebahagian besar input itu berulang. Dengan prompt caching, input berulang dibilkan pada kadar cache ($0.0055 setiap 1M pada Flash), jadi tuil pertama pada kunci setiap token ialah awalan prompt yang stabil. Cara input cache dibilkan.
Tuil kedua ialah pelan. Contoh kiraan BroadNet untuk ejen pengekodan sepenuh masa mencecah kira-kira $65.40 sebulan secara bayar ikut guna, berbanding $60 untuk sesi Full Moon, jadi Full Moon lebih murah untuk profil itu. Penggunaan ringan dan sekali-sekala ialah kes sebaliknya. Masukkan angka anda sendiri ke dalam kalkulator kadar tetap vs setiap token, atau baca kadar tetap vs bayar setiap token. Untuk lebih banyak tuil kos yang terpakai pada mana-mana ejen pengekodan, lihat 10 cara mengurangkan kos LLM ejen pengekodan.
Tetapan Aider manakah yang menjimatkan giliran?
- Tinggalkan ruang untuk penaakulan. Jika Aider mendapat balasan kosong, model telah menghabiskan bajet outputnya untuk berfikir. Mengapa jawapan kembali kosong.
- Tambah hanya fail yang berubah. Peta repo Aider sudah memberitahu model di mana sesuatu berada. Fail tambahan memakan konteks dan perhatian.
- Gunakan
/clearantara tugas yang tidak berkaitan. Sejarah chat lama menjadi input pada setiap giliran. - Biarkan auto-commit dihidupkan. Setiap suntingan Aider menjadi commit git, jadi
/undohanya satu arahan jauhnya apabila model tersilap. - Satu tetingkap setiap sesi. Dua tetingkap Aider pada satu sesi pelan akan bergilir-gilir. Beli sesi kedua jika anda bekerja dalam dua repo serentak; lihat menjalankan ejen pengekodan selari.
Bagaimanakah anda menguji model sebelum membuat komitmen?
Ujian paling murah ialah satu jam Meteor pada $1: DeepSeek V4.1 Flash tanpa had selama sejam, cukup untuk menjalankan perbandingan lima tugas di atas. Akaun baharu juga mendapat $5 kredit permulaan, tetapi antara model chat ia hanya meliputi BroadNet Gemma 4 VL 26B; DeepSeek V4.1 Flash, GLM 5.3 dan Qwen3.8 27B memerlukan tambah nilai atau pelan. Semua model disenaraikan di halaman model. Jika anda masih memilih antara ejen dan bukan model, baca Cline vs Roo Code vs Aider.
