Aligns projects with the automation standards. Basically Converts plain-language into a complete project structure. Cuts configuration time from days to minutes.

Get Started

Step 1: Install Junie CLI

In the terminal or command prompt of your choice, run:

macOS / LinuxWindows

Step 2: Start Junie in your project

Navigate to the root directory of the project where you want to use Junie CLI and run junie

Step 3: Authenticate

On the Junie welcome screen, select one of the available authentication options:

Via JetBrains Account

Use Junie CLI as part of your subscription plan with JetBrains.

When selecting this option, you'll be redirected to the login page to sign in with your JetBrains Account

Local Models

For code that can't leave your network

Point Junie at a local runtime like Ollama or LM Studio. Prompts and source stay on your hardware – nothing goes to a cloud API. Quality and latency depend on what you can run locally

Local setup guide↗

Bring Your Own Key (BYOK)

Use your own API keys or other third-party LLM providers.

Provide your key and we'll route requests straight to your provider. No JetBrains AI subscription required, no markup.Mix and match: BYOK runs alongside your JetBrains account, and when a model is available on both, BYOK wins.

Supported providers↗

Step 4: Type your prompt

Type the prompt in the interactive CLI, for example:

@

— to attach a file or folder from the current project to the request context.

/

— to see the list of available slash commands and use them.

https://tokenfactory.nebius.com first read : https://docs.nebius.com/legal/agreement 

Get started: https://auth.nebius.com/ui/login 

Met dit onderstaande Python-script kun je via de populaire

 OpenAI Python-bibliotheek communiceren met een AI-model dat wordt gehost op het cloudplatform van Nebius AI.

In plaats van de officiële servers van OpenAI te gebruiken, stuurt deze code je verzoeken (requests) door naar de infrastructuur van Nebius.

Wat doet de code precies?

• Verbinding maken (client = OpenAI(...)): De code initialiseert de OpenAI-client, maar wijzigt de base_url naar de API van Nebius. Ook haalt hij je geheime API-sleutel op via de omgevingsvariabele NEBIUS_API_KEY.

• Model selecteren (model="..."): Er wordt gebruikgemaakt van een specifiek model dat op Nebius draait (in dit geval zai-org/GLM-5.3-Flash).

• Berichten sturen (messages=[...]):

  • De system prompt (SYSTEM_PROMPT) vertelt het model hoe het zich moet gedragen (bijv. "Je bent een behulpzame programmeerassistent").

  • De user message (USER_MESSAGE) is de daadwerkelijke vraag of opdracht die je aan het model geeft.

• Resultaat tonen (print(response.to_json())): Het model genereert een antwoord en de code print dit volledige antwoord als een JSON-object naar je console.

Wat kun je hiermee bouwen?

Je kunt dit script gebruiken als basis voor allerlei AI-toepassingen, zoals:

• Een eigen chatbot of assistent: Door een SYSTEM_PROMPT mee te sturen die past bij jouw project.

• Tekstverwerking: Automatisch samenvattingen maken, teksten laten vertalen, of spellingscontroles uitvoeren.

• Code-generatie of debugging: Vragen stellen over programmeertalen en direct oplossingen ontvangen.

• Data-analyse: Ongestructureerde tekstinvoer omzetten in gestructureerde JSON-data.

Hoe ga je ermee aan de slag?

1. Zorg dat je de OpenAI-bibliotheek hebt geïnstalleerd (pip install openai).

2. Sla je Nebius API-key op in je systeemomgeving als NEBIUS_API_KEY.

3. Vervang "SYSTEM_PROMPT" en "USER_MESSAGE" door je eigen instructies en vragen.

Wil je dit script uitbreiden voor een specifiek doel, zoals het bouwen van een chatbot of het automatiseren van een workflow?

import os

from openai import OpenAI

client = OpenAI(

    base_url="https://api.tokenfactory.us-north1.nebius.com/v1/",

    api_key=os.environ.get("NEBIUS_API_KEY")

)

response = client.chat.completions.create(

    model="zai-org/GLM-5.3-Flash",

    messages=[

        {

            "role": "system",

            "content": """SYSTEM_PROMPT"""

        },

        {

            "role": "user",

            "content": [

                {

                    "type": "text",

                    "text": """USER_MESSAGE"""

                }

            ]

        }

    ]

)

print(response.to_json())