本地部署 AI 编程助手：用 Ollama + qwen2.5-coder 离线给函数补单元测试（本机实测·含纠错）

一、适合谁 / 前置条件

本教程面向想在本机离线用 AI 写代码测试的 Python 开发者：在意代码隐私（不想把源码传到第三方云端）、希望零 API 费用、或需要在无网环境跑辅助编程的人。前置：一台装了 Ollama 的电脑（Windows / macOS / Linux 均可），已安装 Python 3.10+ 与 pytest。

二、操作步骤（可复制）

第 1 步：安装并启动 Ollama（以 Windows 为例）：

curl -fsSL https://ollama.com/install.sh | sh   # macOS/Linux
# Windows 去 ollama.com 下载安装包，装完自动后台运行

第 2 步：拉取代码模型（本机实测用 7B，约 4.4GB）：

ollama pull qwen2.5-coder:7b

第 3 步：用一行命令直接对话，或写脚本调 API。下面这段 Node 脚本就是本教程实测用的：

fetch('http://127.0.0.1:11434/api/generate', {
  method: 'POST',
  headers: {'Content-Type':'application/json'},
  body: JSON.stringify({ model:'qwen2.5-coder:7b', prompt, stream:false })
})

把待测函数贴进 prompt，让模型输出 pytest 用例即可。

三、本机真实实测输出（qwen2.5-coder:7b）

以下为本机 Ollama qwen2.5-coder:7b 原始返回，未做任何修饰（实测耗时 11.5 秒），注意它自带两处错误——这正是下一节的纠错素材：

import pytest

def test_divide_and_round():
    assert divide_and_round(10, 2) == 5.00
    assert divide_and_round(10, 3) == 3.33
    assert divide_and_round(10, 0) == pytest.raises(ValueError)
    assert divide_and_round(1, 10**10, 5) == 0.00001
    assert divide_and_round(1, 10**10, 1) == 0.0

四、常见坑 + 解决（逐行纠错）

坑 1：pytest.raises 写成等号比较。模型第 3 行 assert divide_and_round(10, 0) == pytest.raises(ValueError) 是错的——pytest.raises 是上下文管理器，必须配合 with 使用，写成 == 永远为 False（且不会真的触发异常断言）。

坑 2：对 round 的浮点行为理解有误。第 4 行 divide_and_round(1, 10**10, 5) 期望 0.00001，但 1 / 10**10 = 1e-10，round(1e-10, 5) 结果是 0.0（远小于 0.00001），模型把"保留 5 位小数"误当成了"变成 1e-5"。

修正版（人审后可直接跑通）：

import pytest

def test_normal():
    assert divide_and_round(10, 2) == 5.0
    assert divide_and_round(10, 3) == 3.33

def test_divide_by_zero():
    with pytest.raises(ValueError):
        divide_and_round(10, 0)

def test_precision():
    assert divide_and_round(1, 10**10, 5) == 0.0
    assert divide_and_round(2, 3, 4) == 0.6667

结论：AI 生成的测试不要无脑复制，至少过一遍人审——尤其异常断言和浮点边界。

五、适用 / 不适用人群

适用：重视源码隐私、需离线/无网编程、想零成本用本地模型辅助写测试的个人开发者；做原型、补覆盖率、生成样板测试很快。

不适用：需要最新顶级模型能力（如 Claude/GPT-5 级推理）、超大上下文仓库级重构、或团队统一云 IDE 流程的团队——本地 7B 在复杂跨文件理解上仍弱于云端大模型。

六、同类编程助手对比

工具	部署	费用	强项	弱项
qwen2.5-coder（本地/Ollama）	本机	免费	隐私、离线、零成本	7B 复杂推理弱
Cursor	云端	订阅	仓库级理解、Tab 补全强	需联网、付费
Trae	云端	免费档	中文项目友好	需联网
GitHub Copilot	云端	订阅	IDE 深度集成	付费、隐私顾虑
Windsurf	云端	订阅	Agent 式多文件编辑	付费

七、小结 + 相关阅读

本地 Ollama + qwen2.5-coder 是把"AI 写测试"做到隐私可控、零成本、离线可用的最低门槛方案；代价是 7B 模型会犯常识错误，必须人审。把它当"初稿生成器"而非"正确答案来源"，效率最高。想更强推理就上 Cursor / Copilot 这类云端助手。把两者按场景搭配，是性价比最高的本地+云端组合。

延伸阅读：见下方「相关阅读」与正文「相关工具」卡片。