VS Code 完整安装与远程开发实战教程（Windows + Ubuntu 服务器 + Codex + RT1 环境部署）
Visual Studio Code（简称 VS Code）是目前全球开发者使用最广泛的轻量代码编辑器，凭借跨平台兼容、海量扩展生态、强大的远程开发能力与 AI 编码加持，成为 AI 算法、后端、前端领域的首选开发工具。本文从零起步，完整覆盖 Windows 本地安装、Ubuntu GPU 服务器远程连接、OpenAI Codex 智能插件配置、RT-1 机器人算法环境一键部署 全流程，手把手搭建高效的远程 AI 开发工作台。
一、Windows 系统 VS Code 本地安装
1.1 下载官方安装包
打开 VS Code 官方网站：
https://code.visualstudio.com/
点击首页 Download for Windows 按钮，下载 .exe 格式的官方稳定版安装程序。
1.2 安装向导关键配置
- 创建桌面快捷方式
- 将“Code”注册为资源管理器右键「打开文件夹」入口
- 将“Code”注册为资源管理器右键「打开文件」入口
- 添加到 PATH 环境变量（支持 cmd / PowerShell 直接输入 code 启动编辑器）
首次启动默认界面如下：
1.3 安装验证
按下 Win+R 输入 cmd 打开命令行，执行：
code –version
若正常输出版本号，说明环境变量配置生效，可全局调用 VS Code。
二、Ubuntu 远程服务器连接（Remote-SSH）
AI 算法开发通常依赖服务器 GPU 算力，使用 Remote-SSH 可以在本地编辑代码、服务器运行训练，无需反复传输文件，是行业标准开发模式。
2.1 前置准备
- 本地环境：Windows / Mac / WSL 均可，已完成 VS Code 本地安装
- 服务器信息：
- 公网 IP / 局域网 IP
- SSH 端口（默认 22，机房自定义端口需单独记录）
- 登录用户名、登录密码 / SSH 私钥文件
- 服务器防火墙已开放对应 SSH 端口
2.2 安装 Remote-SSH 官方插件
2.3 SSH 连接配置（密码登录方式）
ssh 用户名@服务器IP -p 端口号
示例：
ssh linux@192.168.118.250 -p 22
2.4 连接成功验证
连接成功后，VS Code 左下角会显示当前 SSH 连接标识，打开内置终端即可直接操作服务器命令行，效果如下：
三、OpenAI Codex 智能编码插件安装与配置
Codex 是 OpenAI 官方推出的代码级 AI 代理插件，支持代码生成、项目重构、报错排查、终端命令执行，配合 Remote-SSH 可实现「本地提需求、服务器跑代码」的高效开发模式。
3.1 安装官方 Codex 扩展
3.2 API 密钥配置
可视化界面配置（推荐新手使用）
- /model：切换不同推理档位的模型版本
- /ide：开启当前文件、选中代码作为上下文读取
- /permissions：配置文件读写、终端命令执行权限
配置完成后，在聊天框输入自然语言需求即可生成代码、重构工程、定位报错，支持读取整个项目上下文，适合复杂算法工程的 AI 辅助开发。
四、实战：Codex + Remote-SSH 一键部署 RT1 算法环境
本章节以 Google Robotics Transformer (RT1) 机器人算法环境部署为例，演示本地 Codex 生成全套部署脚本 → Remote-SSH 上传服务器 → 一键执行搭建的完整流程。全程无需在服务器安装 Codex，API 密钥仅留存本地，安全可控。
4.1 前置条件说明
- 服务器：Ubuntu 22.04，已装好显卡驱动、CUDA 11.8、Miniconda，GPU 为 RTX 4090
- 本地：VS Code 已安装 Remote-SSH + Codex 插件，SSH 连接正常
- 目标：搭建 RT1 独立 conda 运行环境，复现官方轻量化推理 demo
4.2 本地工作区准备
- 工程根目录：/home/linux/robotics_transformer-master
- CUDA 版本：11.8
- Miniconda 路径：/home/miniforge3
- 环境名称：rt1_env
4.3 向 Codex 下发指令，生成全套部署文件
打开 Codex 聊天面板，输入以下完整需求，AI 会一次性输出所有部署文件：
需求：在已预装CUDA、显卡驱动、Miniconda的Ubuntu22.04服务器上复现google-research/robotics_transformer（RT1），仅搭建RT1独立conda环境。
服务器信息：
1. 工程根目录：/home/linux/robotics_transformer-master
2. 已预装CUDA11.8，GPU RTX4090，Miniconda路径 /home/miniforge3
3. 无需安装显卡驱动、CUDA、conda本体，仅创建子环境rt1_env
请输出以下完整可直接使用的文件：
1. rt1_env.yml：conda环境配置文件，统一锁定兼容版本tensorflow、jax、tensor2robot、dm_robotics、protobuf，解决官方仓库版本冲突；适配GPU加速
2. install_rt1.sh：一键部署脚本，执行逻辑：克隆RT1源码→拉取子模块→创建conda rt1_env环境→安装pip依赖→编译本地robotics_transformer库→校验GPU识别
3. verify_env.py：环境校验脚本，激活环境后运行，打印GPU、TF、JAX、RT1库导入状态，输出报错定位
4. run_rt1_demo.py：官方轻量化demo推理脚本，关闭本地GUI可视化，适配服务器无显示器环境
额外要求：
1. 规避官方仓库高频坑：protobuf版本冲突、JAX CUDA绑定失败、dm_robotics导入报错
2. TensorFlow开启显存按需分配，避免一次性占满GPU显存
3. 脚本注释清晰，所有路径统一使用服务器指定目录
4. 区分CPU/GPU分支，默认启用GPU推理
生成完成后，将所有脚本保存到本地 rt1_local_workspace 文件夹。
4.4 上传服务器并执行验证
chmod +x install_rt1.sh
bash install_rt1.sh
conda activate rt1_env
python verify_env.py
python run_rt1_demo.py
五、总结
本文完整覆盖了 VS Code 从本地安装、远程服务器连接、AI 编码插件配置，到工业级算法环境部署的全流程。这套开发模式非常适合新能源检测、机器人视觉方向的算法工程师：
- 本地轻量编辑，算力全部下沉到服务器，兼顾开发体验与计算性能
- Codex 本地生成代码，API 密钥不上传服务器，降低数据安全风险
- Remote-SSH 无缝衔接文件、终端、调试，一体化开发效率更高
