于劲郭 于劲郭
最近这些年接触了很多学习编程的新手同学，发现有一些学习路径可能会让学习者遇到明显瓶颈：
•一部分人严格依赖教科书和纸质资料，内容陈旧、缺乏实战，学的东西可能适合应付考试，但在真实开发中很难衔接； •另一些人面对官方技术文档的英文内容心生畏惧，转而求助于某些广告泛滥、信息混杂的中文网站（比如某些以“DN”结尾的平台），结果获取的是二手、陈年甚至错误的内容； •还有一些人大量收藏教学视频，刷完就忘，即使记住了概念，也不知道如何动手实现，更谈不上灵活运用； •也有一部分人过度依赖在线 AI 工具，让模型生成大量代码，看似“什么都能做”，实则对底层原理一无所知——一旦生成结果不符合预期，既无从调试，也难以优化，并不算是真有开发能力。
要突破这些困境，关键不在于工具本身，而在于思维方式的转变： 人应当始终是项目的总设计师与架构师。这意味着：
•在动手前，先想清楚整体目标、模块划分与技术选型； •对每一个实现细节，都要追问“为什么这么做”“是否有更优解”“背后的机制是什么”； •把复杂问题拆解为若干可独立处理的子任务，再借助工具高效完成具体实现； •在学习时，主动利用 AI 的联网检索、多语言翻译与知识整合能力，从宏观、前沿、一手的资料（如官方文档、开源项目、技术博客）中构建认知框架，而不是沉湎于碎片化技巧或过时教程。
而要支撑这种“以我为主、AI为辅”的学习与开发范式，就需要一个本地化、可定制、数据自主的技术环境。本文推荐的组合正是为此设计：
•Void 作为主力开发终端，提供干净、高效、可扩展的编码与调试体验； •Ollama 在本地运行轻量大模型（如 qwen3:0.6b 和 qwen3:4b），无需联网即可获得即时编程辅助； •Cherry Studio 用于导入官方文档、技术文章、个人笔记、网页快照等一手学习资料，构建专属知识库，让 AI 回答始终基于你信任的内容。
本文即围绕这一实践路径展开，以新手比较常用的 Windows 系统为例，粗略介绍如何在其中安装 Ollama、Cherry Studio 与 Void，并配置适用于编程学习的本地模型组合。内容涵盖模型拉取（包括主模型与嵌入模型）、学习资料导入、开发环境插件配置等，供新手参考。
1、安装 Ollama
Ollama 是一个专为本地运行大语言模型设计的工具，支持一键拉取和运行多种开源模型，允许在断网、隐私敏感或网络不稳的环境下本地运行一些开源的大语言模型，依然能获得可靠的编程辅助。
安装步骤：
访问 Ollama 官网下载页面： https://ollama.com/download/OllamaSetup.exe （该链接自动提供最新版 Windows 安装程序）
双击下载完成的 OllamaSetup.exe 文件，按提示点击 “Install”。
安装完成后，Ollama 会自动以后台服务形式运行，无需额外操作。
验证是否安装成功：
按 Win + R，输入 cmd 打开命令提示符，执行：
ollama --version
若返回版本号（如 0.1.48），说明安装成功。
2、获取模型
为了适配不同学习阶段的需求，建议同时配置两个主模型和一个嵌入模型：
•qwen3:0.6b：超轻量版本，响应极快，适合快速解释语法、检查拼写、生成简单函数或单元测试； •qwen3:4b：标准版本，逻辑推理更强，适合分析报错日志、设计类结构、讲解并发模型等复杂任务； •qwen3-embedding:0.6b：用于将学习资料转换为向量，支撑 Cherry Studio 中的语义检索。•qwen3-embedding:4b：比前面的更强一点，如果显卡有8G以上显存，其实上面的主模型和这里的嵌入模型都可以用qwen3:8b 和qwen3-embedding:8b。
什么是嵌入（Embedding）： 嵌入是将一段文本（如一段 Markdown或者JSON文档）转换为一串数字向量的技术。语义相近的内容，其向量在空间中距离更近。通过嵌入，Cherry Studio 能在导入的成百上千页资料中，精准定位与当前问题最相关的段落，再交给主模型生成回答——整个过程完全离线，数据不出本地，既安全又可靠。
获取模型：
以管理员身份打开 PowerShell（Win + S 搜索 “PowerShell” → 右键 → 以管理员身份运行）。
拉取主模型：
ollama pull qwen3:0.6bollama pull qwen3:4b.
拉取嵌入模型：
ollama pull qwen3-embedding:0.6b.
验证主模型是否可用：
ollama run qwen3:0.6b "Python 中如何用列表推导式生成偶数？"
若返回类似 [x for x in range(10) if x % 2 == 0] 的简洁代码，说明模型工作正常。
3、下载并安装 Cherry Studio
Cherry Studio 是一个本地知识库对话工具，可以将官方文档、GitHub 项目 README、技术博客、个人笔记、网页快照导入其中，系统会自动建立索引。基于知识库的提问，模型回答会基于知识库中已经提供的资料，降低了回答的幻觉（并不能彻底避免幻觉的存在，所以还是得小心）。
安装步骤：
访问 Cherry Studio 官网下载页面：https://www.cherry-ai.com/download
点击 “Windows” 按钮下载安装包（如 Cherry-Studio-Setup-x64.exe）。
双击安装文件，按向导完成安装。
首次启动后，进行初始化配置：
•点击 “Connect to Ollama”；•在 LLM Model 中填写 qwen3:4b（用于深度问答）或 qwen3:0.6b（用于快速响应）；•在 Embedding Model 中填写 qwen3-embedding:0.6b；•点击 “Create Workspace” 创建名为 My-Learning 的工作区。
导入资料：
•拖入 .md 笔记、.pdf 官方指南、.txt 代码示例；•粘贴网页 URL（如 https://docs.python.org/3/tutorial/），Cherry Studio 会自动提取正文；•系统将在后台完成解析与索引（首次可能需几分钟）。
索引完成后，即可提问。例如：
“根据我导入的 Django 文档，如何自定义用户模型？” 回答将引用你提供的资料，帮助你建立“从权威来源理解问题”的习惯。
4、下载并安装 Void 终端
Void 是一款现代化、可扩展的 Windows 终端，界面简洁、启动迅速，支持多标签页与插件系统，非常适合作为日常编程学习的主力开发环境。它让你专注于“写代码”本身，而不是被繁杂的 IDE 功能干扰。
安装步骤：
访问 Void 官网或 GitHub Releases 页面： https://voideditor.com/download-beta.
下载最新版安装程序（如 Void-Installer.exe）。
双击运行安装程序，按提示完成安装（建议勾选“创建桌面快捷方式”）。
启动 Void，记得要选择LocalLLM，以便于使用Ollama提供的模型。
5、在 Void 中安装 Python 与 Markdown 插件
为支撑“边学边写、边写边查”的学习闭环，建议在 Void 中启用对 Python 和 Markdown 的增强支持。
安装步骤：在 Void 中按下 Ctrl + Shift + P 打开命令面板，然后输入 Extensions: Install 并回车，打开插件市场。
搜索并安装以下两个插件：
•Python Language Support
提供语法高亮、括号匹配、错误提示，以及按 F5 快速运行当前脚本；•Markdown Preview Plus
支持实时预览 .md 文件，方便查看学习笔记、项目说明或文档草稿。
安装完成后，重启 Void 使插件生效。
验证功能：
•新建 debug.py，输入 print("Step 1: Understand the problem")，按 F5 应在终端中运行；•新建 learning-notes.md，输入 ## 模块化设计原则，按 Ctrl+K V 应弹出格式化预览。
6、疑难问题如何解决
| 场景 | 推荐做法 |
|---|---|
| 遇到陌生概念 | 先用浏览器搜索该技术的关键词（如 “FastAPI dependency injection official site”），优先点击官网或 GitHub 链接；将找到的官方文档 URL（如 https://fastapi.tiangolo.com/tutorial/dependencies/）复制到 Cherry Studio，系统会自动抓取正文并建立索引；之后再提问：“用通俗语言解释依赖注入，结合我导入的 FastAPI 文档。” |
| 调试报错信息 | 将完整错误信息粘贴到搜索引擎，筛选出 Stack Overflow 高票回答或官方 Issue 讨论；若涉及框架行为，务必找到对应版本的官方文档 URL 一并导入 Cherry Studio；随后提问：“根据我导入的 Flask 2.3 文档和错误日志，这个 Working outside of application context 是怎么回事？” |
| 设计程序结构 | 先在纸上或思维导图中明确目标与模块划分；针对每个模块，搜索其最佳实践（如 “Python logging best practices official”），导入 PEP、官方指南或知名开源项目 README；再让 qwen3:4b 基于这些资料生成符合规范的骨架代码。 |
| 学习新框架 | 不要直接看短视频或聚合站教程。先访问其官网（通常在 GitHub 主页或项目首页有链接），找到 Quickstart、Tutorial 和 Core Concepts 页面；将这些核心文档的 URL 批量导入 Cherry Studio；之后通过提问逐步深入，例如：“对比我导入的 LangChain 和 LlamaIndex 的入门文档，它们在文档加载方式上有何异同？” |
| 验证 AI 生成代码 | 在 Void 中运行代码，观察行为；若结果不符预期，不要盲目修改，而是回到 Cherry Studio，导入相关模块的官方 API 文档；再追问：“根据 Python 官方文档，itertools.chain() 和列表拼接在内存使用上有何区别？为什么这里推荐用前者？” |
上述流程的核心在于：你始终掌控信息源的质量与范围。AI 不再是神秘的“黑箱答案提供者”，而是基于你主动筛选并导入的一手资料（如官方文档、权威教程、开源项目说明）的“可信解释者”。这不仅有效规避了网络上泛滥的二手、过时甚至错误信息，更在实践中锻炼你识别权威来源、组织知识结构的能力——而这，正是优秀程序员不可或缺的底层素养。
通过前述步骤，你已构建起一个以自己为主导、AI 为辅助的本地编程学习环境：Void 作为干净高效的“工作台”，支撑日常编码、调试与文档预览；Ollama 作为离线运行的“本地助手”，提供即时、私密且可定制的编程建议；Cherry Studio 则充当你的“知识中枢”，将你精心收集的权威资料转化为可问答、可追溯的个人知识库，确保每一次交互都有据可依。
这套环境的真正价值，不在于让 AI 替你写代码，而在于助你更高效地理解原理、验证假设、构建系统。当你能清晰定义目标、追问设计合理性、规划验证路径——比如“我要实现什么？”“为什么这样设计最优？”“下一步该测试哪个边界条件？”——AI 就真正成为你手中的工具，而非思维的替代品。编程学习的本质，终究是培养拆解问题、抽象建模、迭代验证的能力。工具只是加速器，而你，永远是站在架构顶端的设计师。
References
[1]: https://ollama.com/download/OllamaSetup.exe
[2]: https://cherrystudio.app/download
[3]: https://voidtools.app/download/
预览时标签不可点
Close
更多
Name cleared
微信扫一扫赞赏作者
Like the AuthorOther Amount
赞赏后展示我的头像
作品
暂无作品
Like the Author
Other Amount
¥
最低赞赏 ¥0
OK
Back
Other Amount
更多
赞赏金额
¥
最低赞赏 ¥0
1
2
3
4
5
6
7
8
9
0
.
大语言模型 · 目录
大语言模型
上一篇Ollama模型排行榜-查看下载量、参数规模、更新时间和模型标签下一篇搭建本地 AI 应用栈：Ollama + OpenWebUI + LlamaFactory 入门指南
Close
更多
搜索「」网络结果
Close
调整当前正文文字大小
更多
100%