Tabby 使用教程：从入门到上手

Tabby 是什么

Tabby 是一款开源的、可自托管的 AI 编程助手，由美国团队 TabbyML 开发。它的核心定位是“企业本地部署 Copilot 的主流替代”——你可以把它理解成 GitHub Copilot 的私有化版本。与 Copilot 不同，Tabby 不需要将代码上传到云端，所有推理和模型运行都在你自己的服务器上完成，这对有数据安全要求的团队来说非常关键。

Tabby 支持 Docker 一键部署，也支持手动安装。它不绑定特定模型，你可以接入 OpenAI、Claude 等云端 API，也可以挂载本地大模型（比如 CodeLlama、DeepSeek-Coder 等）。此外，它内置了企业级账号体系，支持团队共享使用，管理员可以统一管理成员的访问权限。

核心功能怎么用

Tabby 的核心功能是代码补全和对话式代码生成，但它的用法更灵活。

代码补全：在 VS Code、JetBrains 等 IDE 中安装 Tabby 插件后，输入代码时会自动触发补全建议。补全基于你本地或自建服务器上的模型，响应速度取决于你的硬件配置。如果你用 GPU 跑模型，补全延迟通常在 200-500 毫秒，CPU 模式下会慢一些。

对话式生成：Tabby 支持类似 ChatGPT 的对话界面，你可以直接在 IDE 中提问，比如“用 Python 写一个二分查找函数”或“解释这段代码的复杂度”。对话模型同样可以自由选择，建议使用专门针对代码优化的模型（如 CodeLlama-7B），效果比通用模型好。

团队共享：管理员在 Tabby 后台创建团队，成员通过邮箱或 OAuth 登录后，可以共享同一个模型服务。所有成员的代码补全请求都由同一台服务器处理，这对小团队来说很实用，省去了每个人单独配置模型的麻烦。

第一次上手步骤

上手 Tabby 的流程很直接，分三步走：

1. 部署服务端：最简单的方式是用 Docker。在服务器上执行 docker run -it --gpus all -p 8080:8080 tabbyml/tabby，这会启动一个带 GPU 支持的容器。如果没有 GPU，去掉 --gpus all 即可。启动后，Tabby 会自动下载一个默认的补全模型（通常是 CodeLlama-7B），你也可以在配置文件中指定其他模型。

2. 配置模型：Tabby 支持多种模型来源。如果你有自己的 GPU，推荐使用本地模型，比如从 Hugging Face 下载 deepseek-coder-6.7b-instruct，然后在 Tabby 的 config.toml 中指定路径。如果想用 OpenAI 的 API，配置 [model.completion] 和 [model.chat] 字段，填入 API Key 和模型名称即可。注意：OpenAI 的 API 国内访问受限，可看国产替代方案，比如使用国内云厂商部署的模型服务。

3. 连接 IDE：在 VS Code 中搜索“Tabby”插件并安装，打开命令面板输入“Tabby: Connect”，填入你的服务器地址（如 http://你的服务器IP:8080）。如果是团队使用，管理员会提供一个共享的访问链接。连接成功后，编辑器右下角会显示绿色指示灯，表示已就绪。

适合什么场景

Tabby 最适合三类场景：

• 数据敏感的企业：金融、医疗、政务等行业，代码不能外传，Tabby 的本地部署特性完美匹配需求。你可以把模型和代码全放在内网，不依赖任何外部服务。
• 需要离线开发的团队：在无网络或网络受限的环境中（比如军工、工业控制），Tabby 是少数能正常工作的 AI 编程助手。只要部署好服务器，IDE 插件通过局域网连接即可。
• 想要定制模型的团队：如果你有微调后的私有模型，或者想用特定领域的代码模型（比如针对 Java 或 C++ 优化的），Tabby 可以无缝接入，而不是像 Copilot 那样只能使用微软的模型。

价格说明

Tabby 本身是开源免费的，你可以自行部署，不花一分钱。官方也提供企业版，主要增加的是管理后台、SSO 单点登录、审计日志等团队管理功能。企业版价格需要联系销售，没有公开标价。如果你只是个人使用或小团队内部用，免费版完全够用——唯一需要投入的是服务器硬件成本（比如一台带 GPU 的机器，或者用 CPU 凑合跑）。注意：企业版涉及销售流程，建议直接访问官网咨询，不要通过非官方渠道购买。