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

1. 双击下载完成的安装包，同意许可协议后点击「下一步」；
2. 选择安装路径，建议安装在非系统盘，例如 D:\Program Files\Microsoft VS Code，避免占用 C 盘空间；
3. 核心勾选项（推荐全部开启）：
   • 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）
4. 点击下一步完成安装，最后勾选「启动 Visual Studio Code」点击完成即可。

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

1. 打开 VS Code，点击左侧侧边栏「扩展」图标（快捷键 Ctrl+Shift+X）；
2. 搜索框输入 Remote - SSH，选择发布者为 Microsoft 的官方插件；
3. 点击「安装」，完成后左侧侧边栏会出现远程连接图标（显示器样式）。

2.3 SSH 连接配置（密码登录方式）

1. 点击左侧远程连接图标，选择「添加 SSH 配置（Add New SSH Host）」；
2. 在顶部输入框中填入连接命令，格式如下：

ssh 用户名@服务器IP -p 端口号

示例：

ssh linux@192.168.118.250 -p 22

3. 回车后选择配置文件保存位置（默认 ~/.ssh/config 即可）；
4. 左侧远程列表会出现新增的服务器条目，点击右侧「在新窗口中连接」；
5. 首次连接按提示输入服务器密码，验证通过后即可完成远程挂载。

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

1. 打开 VS Code 扩展面板（Ctrl+Shift+X）；
2. 搜索 Codex - OpenAI's coding agent，发布者为 OpenAI 官方；
3. 点击安装，重启 VS Code 后插件生效。

3.2 API 密钥配置

可视化界面配置（推荐新手使用）

1. 点击右侧边栏 Codex 图标打开交互面板；
2. 根据提示输入你的 OPENAI_API_KEY（sk- 开头的官方密钥）；
3. 可选进阶配置项：
   • /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

1. 本地新建空文件夹 rt1_local_workspace，用 VS Code 打开；
2. 整理服务器固定参数，用于 Codex 生成精准适配的脚本：
   • 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

1. 通过 Remote-SSH 打开服务器目标文件夹，将本地脚本拖拽上传；
2. 在远程终端赋予执行权限并启动安装：

chmod +x install_rt1.sh
bash install_rt1.sh

3. 安装完成后激活环境，运行校验脚本：

conda activate rt1_env
python verify_env.py

4. 环境校验通过后，执行 demo 推理脚本验证 RT1 可用性：

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