IntelliJ IDEA 插件开发实战：如何高效接入 ChatGPT API

2次阅读

共计 2976 个字符，预计需要花费 8 分钟才能阅读完成。

作为一名长期使用 IntelliJ IDEA 进行开发的程序员，我经常遇到需要频繁切换窗口与 ChatGPT 交互的情况。这不仅打断了我的编码思路，还浪费了大量时间。通过粗略统计，每次切换窗口、复制代码、粘贴问题、等待响应的过程，平均耗时约 30-45 秒。如果一天进行 20 次这样的交互，就浪费了 10-15 分钟。更糟糕的是，频繁的上下文切换会影响开发专注度。

在决定将 ChatGPT 集成到 IDEA 插件中时，我对比了两种主要方案：

直接使用 OpenAI API：延迟较低（200-300ms），成本按 token 计算，适合个人开发者和小型项目
Azure OpenAI Service：延迟稍高（300-500ms），但提供企业级 SLA 和更严格的安全合规性，适合团队和企业环境

考虑到我的插件主要面向个体开发者，最终选择了原生 OpenAI API，因其响应速度更快且配置更简单。

使用 IDEA Platform SDK，我们可以创建两种主要交互方式：

Action：通过菜单或快捷键触发的操作
ToolWindow：侧边栏的持久化交互面板

以下是创建基本 Action 的 Kotlin 示例：

class ChatGPTAction : AnAction() {override fun actionPerformed(e: AnActionEvent) {
        val project = e.project ?: return
        val dialog = ChatGPTDialog(project)
        dialog.show()}
}

OpenAI API 支持流式响应，这能显著提升用户体验。但需要注意 UI 线程不能被阻塞。以下是使用 Kotlin 协程的解决方案：

fun fetchChatResponse(prompt: String) {CoroutineScope(Dispatchers.IO).launch {val response = openAIClient.createCompletionStream(prompt)
        response.collect { chunk ->
            withContext(Dispatchers.Swing) {updateUI(chunk.choices[0].text)
            }
        }
    }
}

使用 PSI (Program Structure Interface) 操作代码时，需要遵循 IDEA 的最佳实践：

fun insertCodeSnippet(project: Project, file: PsiFile, text: String) {WriteCommandAction.runWriteCommandAction(project) {val document = PsiDocumentManager.getInstance(project).getDocument(file) ?: return
        val offset = editor.caretModel.offset
        document.insertString(offset, text)
    }
}

永远不要将 API 密钥硬编码在代码中。IDEA 提供了 CredentialsStore 来安全存储敏感信息：

fun saveApiKey(project: Project, key: String) {CredentialsStore.getInstance(project).set(CREDENTIALS_KEY, "OPENAI_API_KEY", key)
}

fun getApiKey(project: Project): String? {return CredentialsStore.getInstance(project).get(CREDENTIALS_KEY, "OPENAI_API_KEY")
}

为避免意外的大量请求导致高额费用，实现简单的限速机制：

private val rateLimiter = RateLimiter.create(5.0) // 5 requests per second

fun makeRequest(prompt: String): Response {rateLimiter.acquire()
    // 实际请求逻辑
}

随着对话增长，token 数量会快速增加。实现简单的上下文压缩：

fun compressConversation(history: List<Message>): List<Message> {val tokenCount = history.sumOf { estimateTokenCount(it.content) }
    return if (tokenCount > 4000) {history.drop(1) // 简单的策略：删除最早的消息
    } else {history}
}

使用 Caffeine 缓存常用响应：

private val cache = Caffeine.newBuilder()
    .maximumSize(1000)
    .expireAfterWrite(1, TimeUnit.HOURS)
    .build<String, Response>()

fun getCachedResponse(prompt: String): Response? {return cache.getIfPresent(prompt.hashCode().toString())
}

Plugin.xml 优化 ：只声明实际需要的扩展点，过多的声明会拖慢启动速度
API 版本兼容 ：在 build.gradle 中明确指定 API 版本范围，避免未来兼容性问题

intellij {version.set('2022.2.4')
    plugins.set(['java', 'Kotlin'])
}

我已将完整实现放在 GitHub 上：ChatGPT-IntelliJ-Plugin。你可以在此基础上尝试以下扩展：

添加类似 GitHub Copilot 的行内代码建议功能
集成代码异味检测能力，结合 ChatGPT 提供重构建议

项目中包含几个关键实现：

带指数退避重试机制的 API 封装（Retrofit）
响应式 UI 更新（SwingWorker）
配置持久化（PropertiesComponent）

// 带重试机制的 API 调用示例
public Response<Completion> createCompletionWithRetry(CompletionRequest request) {
    int retryCount = 0;
    while (retryCount < MAX_RETRIES) {
        try {return client.createCompletion(request).execute();} catch (IOException e) {
            retryCount++;
            long waitTime = (long) Math.pow(2, retryCount) * 1000;
            Thread.sleep(waitTime);
        }
    }
    throw new RuntimeException("Max retries exceeded");
}

通过这个项目，你将拥有一个可直接使用的生产力工具，同时也能学习到现代 IDE 插件开发的完整流程。建议从简单的功能开始，逐步添加更多 AI 辅助开发特性，打造属于自己的智能编程助手。

正文完