代码补全很方便，可你敢把源码交给云端吗？

用惯了 AI 编程助手的开发者，大多体会过那种"刚敲几个字符，整行甚至整段代码就浮出来"的畅快感。可对很多团队来说，畅快背后有一道过不去的坎：每一次按键、每一段源码，都要实时上传到别人的服务器上做分析。金融、医疗、军工这类涉密项目的代码连出内网都不允许，更别说喂给外部的 AI 服务。想享受 AI 补全的效率，又不想把公司最值钱的代码交出去，这两件事似乎天然矛盾——直到有人把整个编程助手搬回了自己的机房。

Tabby 是一款开源自托管的 AI 编程助手：把补全模型、问答引擎、管理后台全部装进你自己的服务器，代码不出内网，AI 照样随叫随到。

一个服务，把 AI 补全的整套流水线都装下

Tabby 由 TabbyML 团队用 Rust 开发，采用"单一服务进程"的架构。部署时无需额外搭建数据库，也无需依赖任何外部云服务，一个二进制文件或一个 Docker 容器，就把大模型推理调度、代码索引、HTTP 接口和网页管理后台全部打包在内。官方提供了 Docker、Homebrew、独立二进制等多种安装方式，拉起一条命令，等模型下载完成，一个属于你自己的补全服务就绪了。

部署完成后，团队成员在自己的 VS Code、JetBrains 系列、Vim/Neovim 等编辑器里装上配套插件，填上服务器地址即可使用。Tabby 的官方扩展覆盖十余款主流 IDE，从 IntelliJ IDEA、PyCharm 到 WebStorm、Android Studio 都有对应版本，团队只需维护一台服务器，大家就能共享同一个私有补全服务。

它不只是补全代码，还懂你的代码库

Tabby 的核心能力是实时代码补全：它把编辑器里的光标位置、邻近代码和文件内容整理成上下文，交给部署在本地的代码大模型推理，通常在一两百毫秒内就能给出单行或整段的补全建议。补全模型与对话模型可以分开配置——用轻量模型扛高频补全，用更强模型处理深度问答，互不拖累。

更关键的是上下文感知。Tabby 会用解析器分析你的代码仓库，把类定义、方法签名、调用关系等信息提取出来建立索引，再通过检索增强生成把仓库里真实存在的 API 和命名习惯作为上下文注入补全请求。实际使用中，它甚至能结合你项目内部的函数库给出精确建议，而不是只靠通用知识"猜"一个相似的写法。索引覆盖仓库、内部文档、问题追踪等来源，问答引擎也能给出有代码依据的回答。

模型自己挑，硬件门槛并不高

作为一个中立的推理服务，Tabby 不绑定任何一家大模型厂商，官方维护的模型清单涵盖 StarCoder、CodeLlama、DeepSeek-Coder、Qwen 等主流开源代码模型，也可以接入你自行部署或微调的权重。硬件方面，它既支持 NVIDIA 显卡的 CUDA 加速，也支持 AMD 显卡与 Apple 芯片的 Metal 加速，一张主流消费级显卡就能带动数亿到百亿参数规模的模型，为小团队提供流畅的补全服务。

官方提供的网页管理后台承担团队协作的职责：管理员可以在上面创建成员账号、为每人签发独立的访问令牌、查看各成员的用量统计，还能按团队需要切换补全模型与对话模型。对于需要审计合规的企业，后台的访问控制和用量记录提供了可追踪的依据。2025 年底推出的 Pochi 智能体把能力从"补代码"进一步延伸到"干活"——它能把一个完整的任务拆解后自主规划执行，并在过程中向人类汇报进展。

开源协议与收费模式

Tabby 采用双重授权：补全引擎、模型注册表与核心接口以 Apache 2.0 协议完全开源，任何团队都能免费自部署，配合社区版许可即可满足中小规模团队的日常使用；管理后台、单点登录、审计日志等企业级能力则属于商业授权范围，按席位提供 Team 与 Enterprise 订阅，另外还有官方托管的云服务可选。换句话说，追求代码私有的团队可以完全自托管白嫖核心能力，需要高级治理能力的企业则按需付费。

截至 2026 年中，Tabby 在 GitHub 上已收获超过三万颗 Star。客观地说，自托管方案的效果取决于你选择的模型与硬件：本地模型在复杂推理和多文件改动上，与云端前沿模型仍有一定差距，小团队常选的一两 B 参数轻量模型主要擅长补全常见的代码模式。如果你的团队有代码不能出内网的红线，又希望把 AI 补全的体验带给每一位开发者，Tabby 值得纳入评估清单——自己动手部署一次，跑起来就知道适不适合。

当"AI 写代码"遇到"代码不能外传"，自托管的 Tabby 给出了两全的答案。隐私敏感团队想要 AI 编程助手，不妨先在自己的服务器上把它跑起来。