企业官网建设流程全解析

Sashiko 是一款面向 Linux 内核的自动化 AI 代码审查（agentic review）系统，它内置了Gemini、Claude、AWS Bedrock、Google Vertex AI、Ollama、vLLM等 10 多种 LLM 提供商的完整配置支持。无论你是想快速上手默认配置，还是追求零成本订阅后端、完全本地私有的模型方案，本文都会手把手带你完成 LLM 提供商的选择与配置，帮助你用最合适的模型跑起内核补丁审查。

一、30 秒快速开始：默认用 Gemini

Sashiko 默认使用 Gemini，也是最简单的一条配置路径，适合想尽快跑通第一次审查的新手：

# 复制官方示例配置 cp docs/examples/Settings.example.toml Settings.toml # 设置 API Key export LLM_API_KEY="your-gemini-api-key"

示例配置的核心内容如下（Settings.example.toml）：

[ai] provider = "gemini" model = "gemini-3.1-pro-preview" max_input_tokens = 950000

所有配置都存放在项目根目录的Settings.toml中。你也可以用环境变量覆盖任意配置项，规则是SASHIKO前缀 +__分隔符，例如：

export SASHIKO__AI__PROVIDER=gemini export SASHIKO__AI__MODEL=gemini-3.1-pro-preview

💡 小贴士：配置解析逻辑见 src/settings.rs，多提供商的统一入口（provider 分发逻辑）在 src/ai/mod.rs 中，感兴趣可以围观一下每种 provider 是如何被实例化的。

二、10+ LLM 提供商全景速览

先通过下表对号入座，再跳到对应章节看配置细节：

所有示例文件都集中在 docs/examples/ 目录，各提供商的详细官方说明见 docs/llm-providers.md。

三、云端 API 提供商配置教程

3.1 Claude API：开启提示词缓存更省钱

cp docs/examples/Settings.claude.toml Settings.toml export ANTHROPIC_API_KEY="sk-ant-..." # 或通用兜底变量 LLM_API_KEY

示例配置（Settings.claude.toml）：

[ai] provider = "claude" model = "claude-sonnet-4-6" max_input_tokens = 40000 # 控制成本的默认值，完整窗口为 200K [ai.claude] prompt_caching = true # 5 分钟 TTL 的提示词缓存 max_tokens = 32768

自带能力：提示词缓存（重复上下文更省）、完整的工具调用支持、限流自动重试，还可以通过[ai.claude]下的thinking与effort调节推理深度。实现见 src/ai/claude.rs。

3.2 AWS Bedrock：走企业 IAM，免 API Key

⚠️ 前置条件：需要用--features bedrock编译 Sashiko。

在 AWS 控制台为目标模型与区域开通访问权限后，用任意标准 AWS 认证方式提供凭证：

export AWS_ACCESS_KEY_ID="..." export AWS_SECRET_ACCESS_KEY="..." export AWS_REGION="us-east-1"

cp docs/examples/Settings.claude-bedrock.toml Settings.toml

[ai] provider = "bedrock" model = "us.anthropic.claude-sonnet-4-6-20250514-v1:0" max_input_tokens = 40000 [ai.bedrock] region = "us-east-1" prompt_caching = true max_tokens = 8192

Bedrock 走 Converse API，兼容任意 Bedrock 托管模型（Claude、Llama、Mistral 等），还支持跨区域推理 profile（如us.anthropic.claude-*）。实现见 src/ai/bedrock.rs。

3.3 Google Vertex AI：GCP 基础设施上的 Claude 与 Gemini

⚠️ 前置条件：需要用--features vertex编译。

先完成 GCP 认证并设置项目与区域：

gcloud auth application-default login export ANTHROPIC_VERTEX_PROJECT_ID="my-gcp-project" export CLOUD_ML_REGION="us-east5"

cp docs/examples/Settings.claude-vertex.toml Settings.toml # 用 Claude cp docs/examples/Settings.gemini-vertex.toml Settings.toml # 用 Gemini

模型名决定走哪条链路：claude-开头的走 Anthropic 的rawPredict端点，gemini-开头的走 Google 的generateContent，其他名称会在启动时直接报错。Vertex 上 Claude Opus 4.7/4.6 与 Sonnet 4.6 支持1M 上下文窗口。实现见 src/ai/vertex.rs。

四、订阅制 CLI 后端：零按量计费

如果你已有 Claude Code、GitHub Copilot、Codex、Devin 或 Kiro 的订阅，可以让 Sashiko 直接把这些本地 CLI 当作补全后端——不需要 API Key、不按 token 计费。

以 Claude Code 为例（Settings.claude-cli.toml）：

cp docs/examples/Settings.claude-cli.toml Settings.toml

[ai] provider = "claude-cli" model = "claude-sonnet-4-6[1m]" # 后缀 [1m] 表示开启 1M 上下文

⚙️ 注意：每次审查可能拉起多个 CLI 进程，如果撞上订阅限流，把[review] concurrency调低即可。相关实现分别位于 src/ai/claude_cli.rs、src/ai/copilot_cli.rs、src/ai/codex_cli.rs、src/ai/devin_cli.rs、src/ai/kiro_cli.rs。

五、完全本地私有部署：Ollama 与 vLLM

对代码保密性要求高、或希望零 API 成本？这两条路线让审查完全在本地进行，代码不出内网。

5.1 Ollama：一条命令拉模型

# 1. 安装 Ollama 并拉取模型 ollama pull deepseek-v3 # 2. 应用示例配置 cp docs/examples/Settings.ollama.toml Settings.toml

[ai] provider = "ollama" model = "deepseek-v3" max_input_tokens = 32768 [ai.ollama] base_url = "http://localhost:11434" context_window_size = 32768 # 对应 Ollama 的 num_ctx think = "medium" # 推理模型的思考强度

亮点：无需任何 Key、支持推理模型（think设置）、私有本地执行。实现见 src/ai/ollama.rs。

5.2 vLLM：生产级本地推理服务

# 1. 启动 vLLM 服务 vllm serve Qwen/Qwen3-8B --max-model-len 32768 --host 0.0.0.0 --port 8000 # 2. 应用示例配置 cp docs/examples/Settings.vllm.toml Settings.toml

[ai] provider = "vllm" model = "Qwen/Qwen3-8B" max_input_tokens = 32768 [ai.vllm] base_url = "http://localhost:8000" context_window_size = 32768 # 与服务器 --max-model-len 保持一致 enable_thinking = false # 针对 Qwen3 等推理模型关闭思考

vLLM 后端会自动分离think块与正式回答，context_window_size一定要与服务器启动参数对齐。实现见 src/ai/vllm.rs。

5.3 goose：给本地模型套一层标准协议

goose 是 Linux 基金会旗下的 Agent 客户端，可作为「桥接层」把 Sashiko 接到任意它支持的后端（vLLM、Ollama、云端模型），是通往纯本地审查的捷径：

[ai] provider = "goose" model = "qwen3-8b-ov" [ai.goose_cli] goose_provider = "openai" context_window_size = 32768 [ai.goose_cli.env] OPENAI_HOST = "http://localhost:8000" OPENAI_BASE_PATH = "v1/chat/completions" OPENAI_API_KEY = "dummy"

⚠️ goose 会在每个请求前附加自己的系统提示词（约 5k token），请把max_input_tokens设得明显低于context_window_size。真实 API Key 建议放环境变量，而不是写进配置文件。

六、OpenAI 兼容端点：一个配置接入半个互联网

只要对方实现了 OpenAI chat completions 接口，就能通过openai-compatible提供商接入（z.ai 智谱 GLM、OrcaRouter、本地 LiteLLM 等都在其列）。核心配置（Settings.openai-compat.toml）：

[ai] provider = "openai-compatible" model = "glm-5.2" [ai.openai_compat] base_url = "http://localhost:8080/v1" context_window_size = 128000 max_tokens = 16384

base_url支持两种写法：

• 短格式：如http://localhost:8080/v1，/chat/completions后缀会自动补全；
• 完整 URL：路径非标准时直接写全，例如某些厂商的 coding 网关端点。

如果用的是 OpenAI 官方 API，则改用 Settings.openai-api.toml：provider = "openai"+ 导出OPENAI_API_KEY即可。部分推理模型网关会拒绝temperature字段，Sashiko 会自动重试并在后续请求中省略该字段，无需手动处理。实现见 src/ai/openai.rs。

七、选哪个？三种典型场景建议

• 快速尝鲜 / 追求审查质量上限：直接用默认的 Gemini（gemini-3.1-pro-preview），或预算充足时上 Claude（开启prompt_caching省成本）。
• 企业合规 / 云资源已有：AWS 用户选 Bedrock（免 API Key，走 IAM 审计）；GCP 用户选 Vertex AI（Claude 还能拿到 1M 上下文）。
• 代码保密 / 零成本：内网部署 Ollama 或 vLLM，代码不离开机器；已有 AI 编程订阅的用户则直接用 CLI 后端，零按量计费。

🔒 提醒：Sashiko 会把补丁数据及相关上下文文件发送给所选提供商，请务必确认你有权与所选服务商共享这些代码，并关注多阶段审查可能产生的 token 账单。

八、常见问题（FAQ）

Q1：配置不生效怎么办？优先检查Settings.toml是否位于项目根目录，或是否被~/.config/sashiko.toml覆盖；环境变量（SASHIKO__AI__PROVIDER等）可以临时覆盖文件配置，注意排查是否残留了旧变量。

Q2：Bedrock / Vertex 报错说"需要 feature"？这两个提供商需要编译时启用对应特性（--features bedrock/--features vertex），默认构建不包含。

Q3：本地模型上下文放不下长补丁？把context_window_size和max_input_tokens同时调低，并适当减少[review] concurrency；本地小模型建议配合 goose 桥接以获得更稳的工具调用行为。

Q4：想同时评估多个模型的效果？Sashiko 自带基准测试能力，可用 docs/benchmarking.md 中的方法对历史Fixes:提交做准确率对比，用数据决定最终选型。

📚 延伸阅读：docs/llm-providers.md 提供商官方文档、docs/configuration.md 完整配置参考、src/ai/ 全部提供商源码目录。