OpenCode 与开源编程工具

开源 AI 编程工具（Open-Source AI Coding Tools）让开发者能够自部署、自掌控编程助手，避免代码外泄给云端厂商。2025 年，随着 OpenCode 的横空出世和 DeepSeek-V3 等开源模型的能力飞跃，开源阵营正在从”够用”走向”好用”，甚至在部分场景下反超闭源方案。本页拆解 OpenCode、Continue、CodeGeeX、Tabby、Aider 五款代表工具的架构，并与 Copilot/Cursor 对比。前置阅读：AI 编程助手。

这个产品是什么

闭源 AI 编程助手（Copilot、Cursor）能力强大，但存在三大痛点：代码上传到第三方、企业合规限制、按席位收费。开源工具的定位就是 “你可以完全自部署的 AI 编程助手”——模型在你自己的服务器上跑，代码永远不离开内网。2025 年，这个赛道出现了两个关键转折：

1. OpenCode 爆发：由 SST（Serverless Stack）团队打造的开源终端 Agent，上线数月即收获 160,000+ GitHub stars、900+ 贡献者、750 万月活开发者，成为 2025 年增长最快的开源 AI 项目之一。
2. 开源模型逼近闭源：DeepSeek-V3/R1 在代码生成基准上达到甚至超过部分闭源模型，使自部署方案的质量天花板大幅提升。

五款代表工具速览

工具	类型	定位	2025-2026 状态
OpenCode	终端 Agent + 桌面 App	“开源版 Cursor Agent”，隐私优先	🟢 爆发式增长，160K+ stars
Tabby	自部署服务	企业级自部署 Copilot 替代	🟢 活跃迭代，v0.30，Agent 预览中
Aider	CLI Agent	终端里的 AI 结对编程搭档	🟢 社区活跃，持续更新
CodeGeeX	插件 + 模型	国产免费编程助手（智谱 AI）	🟢 CodeGeeX4-ALL-9B 发布
Continue	VS Code/JetBrains 插件	开源版 Copilot 插件	🔴 已归档，最终版 2.0.0（2026）

术语解释——Agent（智能体）：指 AI 模型不再只是”你问它答”，而是能自主规划步骤、调用工具（读写文件、执行命令、搜索代码）、多轮迭代完成复杂任务。从”代码补全”到”Agent 自主编程”是 AI 编程工具的核心演进方向，详见 AI Agent。

五款工具深度拆解

OpenCode：2025 年开源编程 Agent 的新标杆

OpenCode 由 SST（Serverless Stack）团队（现以 anomalyco 名义运营）开发，定位为隐私优先的开源 AI 编程 Agent。它不是一个编辑器插件，而是一个独立的终端 TUI（Terminal User Interface，终端用户界面）应用，同时提供桌面 App（Beta）和 IDE 扩展。

核心设计哲学：

• 隐私第一：OpenCode 不在服务端存储任何代码或上下文数据。所有交互直接在你的本地终端与 LLM 提供商之间进行，OpenCode 本身不充当数据中转站。这使其天然适合金融、政务、军工等隐私敏感场景。
• 模型无关：通过 Models.dev 聚合了 75+ LLM 提供商，从 Claude、GPT、Gemini 到本地 Ollama 模型均可接入。还可以直接用你的 GitHub Copilot 订阅或 ChatGPT Plus/Pro 账号登录，无需额外付费。
• OpenCode Zen：团队推出的精选模型服务——对经过测试和基准验证的模型提供优化路由，免去在不同提供商间纠结模型选择和性能不一致的问题。

双 Agent 架构：

OpenCode 内置两个 Agent，通过 Tab 键快速切换：

• Build Agent（默认）：全权限开发 Agent，可读写文件、执行 bash 命令、直接修改代码。
• Plan Agent（只读）：拒绝文件编辑、运行命令前需用户授权，专为探索陌生代码库和制定实施方案而设计。

此外还有一个 general subagent，可通过 @general 调用，用于复杂搜索和多步骤任务。

技术亮点：

• LSP 自动启用：OpenCode 会自动为项目加载对应的 LSP（Language Server Protocol，语言服务器协议——一种让编辑器获得代码补全、跳转、诊断等能力的标准化协议），让 LLM 获得精确的代码结构感知能力，而非仅靠文本匹配。
• 多会话并行：可以在同一项目上同时启动多个 Agent 会话并行工作。
• 会话分享：/share 命令生成可分享的会话链接，方便团队协作和 Bug 复现。
• AGENTS.md：/init 命令让 Agent 分析项目后自动生成 AGENTS.md 文件，记录项目结构、编码规范和约定，相当于给 AI 一份”入职手册”。
• 图像输入：支持拖拽截图到终端，让 Agent 参考设计稿写 UI。
• /undo /redo：Agent 的每次修改都可一键撤销/重做。

商业模式分析：

OpenCode 本体完全免费开源。盈利路径有两条：一是 OpenCode Zen（精选优化模型服务，按用量付费），二是未来的企业版/托管版。这类似于 Supabase、Plausible 等 OSS（开源软件）项目的经典”开源核心 + 托管服务”模式——用免费开源建立生态和信任，用增值服务变现。

用户体验设计：

OpenCode 的终端 TUI 界面经过精心设计，提供了媲美 GUI 工具的交互体验：实时流式渲染 Agent 输出、清晰的 diff 展示、键绑定可自定义、支持多主题。对于长期在终端工作的后端/运维工程师，无需切换到 VS Code 即可获得 Agent 级编程辅助。

术语解释——流式推理（Streaming Inference）：指模型生成文本时不是等全部生成完才返回，而是一个 token（词元）一个 token 地实时推送。对用户体验至关重要——用户能立刻看到输出开始，感知延迟大幅降低。

Tabby：企业级自部署的标杆

Tabby（TabbyML）自 2023 年首发以来，已成为企业级自部署代码补全的代名词。2025 年持续活跃迭代，截至 7 月已发布到 v0.30。

2025 年关键进展：

• Agent 功能（私有预览）：Tabby 正在引入 Agent 能力，让自部署方案也能拥有类似 Cursor Agent 的自主编程体验。
• Answer Engine：v0.13 引入的团队知识引擎，整合内部工程数据（文档、代码、历史决策），为开发者提供可靠的工程问答。v0.28 将其回答转化为可持久化、可分享的 Pages。
• GitLab MR 索引（v0.30）：将 GitLab Merge Request 作为上下文纳入代码补全和问答，理解团队正在进行的代码变更。
• 自定义文档注入（v0.29）：通过 REST API 将团队内部文档注入 Tabby，增强回答准确性。
• Pochi 任务集成：将 GitHub Issue 转化为任务，直接在侧边栏创建 PR 并展示 CI/Lint/Test 结果。
• LDAP 认证（v0.24）：企业级身份认证支持。

技术架构特点：

Tabby 的核心差异化在于自包含（Self-contained）——无需外部数据库（DBMS）或云服务即可运行，所有数据存储在内置 SQLite 中。这极大降低了部署复杂度，一个 Docker 命令即可启动：

docker run -it \
  --gpus all -p 8080:8080 -v $HOME/.tabby:/data \
  tabbyml/tabby \
  serve --model StarCoder-1B --device cuda --chat-model Qwen2-1.5B-Instruct

商业模式：

Tabby 采用开源核心 + 企业版双轨制。社区版（Apache-2.0）提供完整的代码补全和基础 Chat 能力；企业版增加用户管理、用量统计、SSO/LDAP、审计日志等企业必备功能，按席位或站点授权收费。目标客户是有合规要求的金融、制造、政务企业。

Aider：终端 Agent 的极客之王

Aider（现为 Aider-AI 组织维护）是终端 AI 编程 Agent 的先驱和标杆。它的设计哲学是让 AI 成为你的结对编程搭档——你用自然语言描述需求，Aider 读代码、改文件、跑测试、自动 git commit。

2025 年模型支持：

Aider 官方推荐以下模型，均为 2024-2025 年的旗舰：

• Claude 3.7 Sonnet（Anthropic）
• DeepSeek R1 & Chat V3（DeepSeek 开源推理模型）
• OpenAI o1 / o3-mini / GPT-4o

同时支持几乎所有 LLM，包括通过 Ollama 运行的本地模型。

核心能力：

• 仓库地图（Repo Map）：基于 tree-sitter（一个增量解析库，能将源代码解析为 AST——抽象语法树，即代码结构的树状表示）自动提取整个项目的符号树，让 AI 在不需要读取全部文件的情况下”理解”项目结构。
• 100+ 语言支持：Python、JavaScript、Rust、Go、C++、PHP 等。
• Git 深度集成：每次修改自动 commit 并生成语义化 commit message，所有 AI 改动可通过 git diff / git revert 审查和回滚。
• Lint + Test 闭环：每次改代码后自动运行 linter 和测试套件，发现错误会自主修复。
• 语音编程：通过语音输入需求，Aider 实现”说出来的代码”。
• IDE 集成：在编辑器中添加注释即可触发 Aider 工作。
• 网页/图片上下文：粘贴截图或网页 URL 作为参考。

术语解释——tree-sitter：一个开源的增量解析器生成器，被 GitHub、Neovim、Atom 等广泛使用。它能将源代码实时解析为语法树，即使代码有语法错误也能部分解析。AI 工具用它来精准理解代码结构（哪些是函数、哪些是类、调用关系如何），比正则匹配或纯文本检索可靠得多。

商业模式：

Aider 本身完全免费开源（Apache-2.0），不直接收费。作者通过赞助（GitHub Sponsors）和社区支持变现。它是纯社区驱动的极客工具，代表了”小而美”的开源理想主义。

CodeGeeX：国产编程助手的代表

CodeGeeX 由清华大学/智谱 AI 推出，是国产 AI 编程助手中知名度最高的之一。2024 年发布了 CodeGeeX4-ALL-9B——基于 GLM-4-9B 持续训练的代码模型，单模型即可支持代码补全、代码解释器、联网搜索、函数调用、仓库级问答。

CodeGeeX4-ALL-9B 关键指标：

• 128K 上下文长度：在”Code Needle In A Haystack”（代码大海捞针）测试中，128K 范围内代码检索准确率 100%。
• 10B 以下最强：在 HumanEval 上达 82.3%，超过 DeepSeek-Coder-33B-Instruct（81.1%）和 Codestral-22B（81.1%），是 10B 参数以下最强的代码生成模型。
• Function Call 能力：在函数调用执行成功率上甚至超过 GPT-4。
• Ollama 支持：ollama run codegeex4 即可本地运行。

术语解释——Function Call（函数调用）：指 LLM 能根据用户意图，自主决定调用哪个外部函数/API、传入什么参数，并理解返回结果。例如用户说”查一下北京天气”，模型自动调用 get_weather("北京") 而非自己编造天气数据。这是 Agent 能力的基础设施之一。

商业模式：

CodeGeeX 对个人用户完全免费（云端模型），通过 VS Code / JetBrains 插件提供服务。企业版提供私有化部署方案。这是中国 AI 公司常见的”C 端免费获客 + B 端付费”模式。模型权重代码部分开源（Apache-2.0），但权重本身仅开放学术研究用途，商用需申请。

Continue：一个时代的落幕

Continue 曾是”开源版 Copilot 插件”的旗帜——支持 VS Code 和 JetBrains，可接入任意模型（Ollama、vLLM、OpenAI 兼容 API），配置极其灵活。

2026 年，Continue 仓库正式转为只读（Read-Only），不再活跃维护。 团队发布了最终的 2.0.0 版本，移除了匿名遥测、精简了认证、修复了遗留 Bug，作为一个”干净的终态”交付给社区。仓库 README 感谢了社区贡献，并表示希望这段代码”继续作为其他人的基础”。

启示：Continue 的落幕反映了开源 AI 工具赛道的残酷竞争。当 OpenCode 这样的新生力量以更强的 Agent 能力和更好的终端体验吸走了大部分关注，加上 Cursor/Copilot 闭源方案的快速进化，中间层的”插件型”开源工具生存空间被严重挤压。Continue 的 Apache-2.0 代码仍然是宝贵的开源资产，未来可能被 fork 或融入其他项目。

技术架构拆解

开源编程工具的通用架构——核心是”前端编辑器 + 中间层推理路由 + 模型后端 + 代码索引”四层分离：

五款工具在这套架构中的定位差异：

工具	前端层	中间层	模型后端	特色
OpenCode	终端 TUI + 桌面 App	Agent 控制器 + LSP	完全开放（75+ 提供商）	隐私优先，Agent 驱动
Tabby	IDE 插件	推理路由 + Answer Engine	自带部署方案	企业级，自包含
Aider	纯 CLI	Agent 循环 + Repo Map	完全开放	Git 深度集成
CodeGeeX	IDE 插件	云端服务	自带云端 + 私有化	国产合规，免费
Continue	IDE 插件	配置路由	完全开放	已归档

关键技术点详解

自部署代码模型

开源编程工具的能力下限取决于背后的代码模型。2025 年主流自部署选项：

• DeepSeek-V3 / R1：DeepSeek 的旗舰模型。V3 是通用大模型（671B MoE，每次推理激活 37B 参数），R1 是推理增强版（通过 RL 强化学习训练，擅长复杂推理）。代码能力已接近甚至在部分基准上超过 GPT-4o 和 Claude 3.5。中英文均衡，是 2025 年自部署性价比之王。详见小模型与端侧部署。
• DeepSeek-Coder-V2：专门的代码模型，支持 FIM，适合做光标补全后端。
• Qwen2.5-Coder：阿里通义千问代码版，7B 尺寸即可提供不错的补全体验，适合单卡部署。32B 版本在代码能力上接近闭源模型第一梯队。
• CodeGeeX4-ALL-9B：智谱出品，128K 上下文，10B 以下最强，支持 Function Call。
• StarCoder2：BigCode 项目出品，训练数据干净（合规），适合对数据来源敏感的企业场景。
• CodeLlama：Meta 基于 Llama 微调的代码模型，支持 FIM，社区广泛使用但已非最优选择。

术语解释——MoE（Mixture of Experts，混合专家）：一种模型架构，将模型分成多个”专家”子网络，每次推理只激活其中一部分（如 DeepSeek-V3 的 671B 参数中每次只用 37B）。好处是在保持大模型能力的同时大幅降低推理成本——相当于一个”公司”里有很多”专家”，每次只调度最相关的几位来回答。

模型部署通常用 vLLM 或 Ollama：

• vLLM：高吞吐批量推理引擎，采用 PagedAttention（将 KV Cache 像操作系统管理虚拟内存一样分页管理）技术，吞吐量可达普通推理的 2-4 倍。适合团队共享的 GPU 服务器。详见 LLM 推理优化。
• Ollama：本地单机快速运行模型，一行命令下载并启动。适合个人开发者。

术语解释——量化部署（Quantization）：将模型参数从 16 位浮点数（FP16）压缩到 8 位（INT8）甚至 4 位（INT4），显存占用减少 2-4 倍，速度提升，精度损失通常可接受。INT8 量化后，7B 模型约需 8GB 显存，可在消费级显卡上运行。

Fill-in-the-Middle（FIM）

代码补全的核心技术。详见 AI 编程助手——它把光标前后代码重排为前缀/后缀，让模型学会”填空”。传统语言模型只能”从左到右续写”，但代码补全需要”在中间填入”——光标前后都有代码。FIM 通过特殊 token（如 <PRE>, <SUF>, <MID>）将后缀代码重排到前缀之前，训练模型理解这种结构。自部署时务必确认所选模型支持 FIM 格式（DeepSeek-Coder、CodeLlama、Qwen2.5-Coder 均支持），否则只能做”续写”而非”补全”。

代码索引与上下文工程

Chat / Agent 模式需要”理解整个项目”，核心技术是代码库索引：

• Embedding 索引：把项目每个文件/函数向量化（即将代码转化为高维向量，使语义相近的代码在向量空间中距离也近），存入向量数据库。用户提问时检索最相关的代码片段注入上下文。这是 RAG（Retrieval-Augmented Generation，检索增强生成——先从知识库检索相关内容，再让 LLM 基于检索结果生成回答，而非依赖模型记忆）的核心流程。详见嵌入模型和向量数据库。
• AST 结构解析：基于 tree-sitter 提取函数、类、依赖关系，比纯文本检索更精准——能理解”这个函数调用了哪些其他函数”，而非仅靠关键词匹配。
• LSP 增强（OpenCode 独有）：通过语言服务器获取实时的类型信息、定义跳转、引用查找，让 Agent 获得与 IDE 同等的代码理解能力。
• 上下文预算管理：模型窗口有限（即使是 128K 也不可能塞下整个大型项目），要智能决定塞哪些文件、哪些符号。详见上下文工程。

Tabby 和 OpenCode 都内置了项目级代码索引功能。Aider 则用更简单但有效的”仓库地图”（Repo Map）——基于 tree-sitter 自动提取符号树，用紧凑的层级摘要表示整个项目结构。

Agent 工作循环

OpenCode 和 Aider 的核心都是终端 Agent 循环，原理与通用 AI Agent 一致：

关键设计：每次修改自动生成 commit message，保证可回滚。Agent 架构详见 AI Agent。

术语解释——LoRA（Low-Rank Adaptation）：一种参数高效微调方法。不修改原始模型的全部参数，而是在每层旁边加一个很小的”低秩矩阵”（可理解为压缩的补丁），只训练这个补丁。这样微调一个 7B 模型可能只需要几百 MB 而非几十 GB，让普通团队也能定制专属代码模型。

动手实践

OpenCode 快速上手

OpenCode 的安装和初始化极为简洁：

# 一键安装（macOS / Linux）
curl -fsSL https://opencode.ai/install | bash

# 或通过 npm
npm i -g opencode-ai@latest

# 或通过 Homebrew（推荐，始终最新）
brew install anomalyco/tap/opencode

# 进入项目目录后启动
cd /path/to/your/project
opencode

# 初始化：让 Agent 分析项目并生成 AGENTS.md
/init

# 切换 Agent 模式：Tab 键切换 Build / Plan
# 分享会话：
/share

# 撤销/重做 Agent 的修改：
/undo
/redo

模型配置有两种方式：

1. OpenCode Zen（推荐新手）：运行 /connect，选择 opencode，到 opencode.ai/auth 登录获取 API key。Zen 提供经过测试验证的模型，性能稳定。
2. 自有 API Key：支持 Claude、GPT、Gemini、DeepSeek、本地 Ollama 等 75+ 提供商。也可直接用 GitHub Copilot 或 ChatGPT Plus/Pro 账号登录。

Tabby 一键自部署

Tabby 提供 Docker 一键部署，用开源代码模型快速搭建团队级代码补全服务：

# docker-compose.yml —— 自部署 Tabby 代码补全服务
services:
  tabby:
    image: tabbyml/tabby
    container_name: tabby
    volumes:
      - ./data:/data              # 模型与配置持久化
    environment:
      - TABBY_MODEL=Qwen2.5-Coder-7B  # 选择代码补全模型
    ports:
      - "8080:8080"               # 对外提供补全 API
    deploy:
      resources:
        reservations:
          devices:
            - capabilities: [gpu]  # 需要 GPU

启动后编辑器安装 Tabby 插件，指向 http://localhost:8080 即可使用。Tabby 自包含（无需外部数据库），数据全部存在 ./data 目录中。2025 版还支持通过 REST API 注入团队文档，增强 Answer Engine 的回答质量。

Aider 终端协作

Aider 在项目根目录直接启动，让它自主完成编码任务：

# 安装 aider
python -m pip install aider-install
aider-install

# 在项目目录启动，接入 DeepSeek（性价比最高）
cd /to/your/project
aider --model deepseek --api-key deepseek=<your-key>

# 或用 Claude 3.7 Sonnet（代码能力顶尖）
aider --model sonnet --api-key anthropic=<your-key>

# 或接入自部署模型
export OPENAI_API_BASE=http://localhost:8000/v1   # 指向本地 vLLM
aider --model deepseek-coder                        # 用本地代码模型

# 进入交互后直接描述任务，例如：
# > 给 utils.py 里的 parse_csv 函数加上单元测试，跑 pytest 验证

Aider 会自动读相关文件、改代码、跑测试、生成 git commit。每次修改都可以用 git log 查看并 git revert 回滚。

技术选型建议

不同场景下的工具选择策略：

场景	推荐工具	理由
个人开发者，终端重度用户	OpenCode 或 Aider	无需 IDE，Agent 能力强，隐私友好
企业团队，需合规自部署	Tabby 企业版	用户管理、审计、SSO，自包含易部署
国内企业，需等保备案	CodeGeeX 私有化 + Qwen2.5-Coder	国产合规路径，数据不出境
已有 Copilot/ChatGPT Plus 订阅	OpenCode	可直接复用已有订阅，零额外成本
追求最强代码模型	Aider + Claude 3.7 / DeepSeek R1	接入最强闭源/开源模型
快速验证 PoC，不想部署	OpenCode Zen 或 CodeGeeX 云端版	开箱即用，无需自建基础设施

实践要点

• 模型选择优先看 FIM 支持：做光标补全必须选支持 FIM 的模型（DeepSeek-Coder、CodeLlama、Qwen2.5-Coder、CodeGeeX4），否则只能做 Chat 不能做补全。
• 显存决定模型大小：7B 模型约需 16GB 显存做 INT8 推理（量化后约 8GB），33B 需要 40GB+。团队共享时用 vLLM 做批量推理，单机用 Ollama。
• 索引要增量更新：代码库索引在文件变化时要增量重建，否则检索结果过时。Tabby/OpenCode 都支持文件监听自动更新。
• Agent 模式务必配合 git：OpenCode、Aider 这类工具会自动改代码，强烈建议每次任务前确认工作区干净、提交可回滚，避免 AI 改坏代码无法恢复。
• 国产合规优先 CodeGeeX：国内企业需走等保备案，CodeGeeX、Qwen2.5-Coder 提供国产合规路径，避免使用受出口管制的模型。
• 善用 Plan 模式：OpenCode 的 Plan Agent 和 Aider 的 architect 模式能在不改代码的情况下先分析方案，适合在大型项目中降低风险。
• AGENTS.md 是关键：OpenCode 的 /init 生成的 AGENTS.md 能显著提升 Agent 对项目的理解质量，投入 10 分钟编写项目规范，能在后续每次交互中获得更好结果。

与 Copilot / Cursor 的对比

维度	Copilot / Cursor（闭源 SaaS）	OpenCode / Tabby（开源自部署）
代码隐私	代码上传到微软/Anthropic 云端	代码全程留在内网（OpenCode 不存储数据）
模型选择	固定（GPT-4o、Claude 等）	任意开源/闭源模型，可微调，可复用已有订阅
部署成本	按席位订阅（10-20 美元/月/人）	自购 GPU 前期投入高但边际成本低；或零成本用已有订阅
补全质量	顶级闭源模型，体验最佳	取决于部署的开源模型，DeepSeek-V3/R1 已接近甚至持平
Agent 能力	Cursor Agent 成熟度高	OpenCode Agent 快速追赶，Aider 在终端场景领先
企业合规	需企业版，数据协议复杂	完全自主可控，适合金融/政务
生态活跃度	商业公司持续投入	OpenCode 160K+ stars 社区爆发，Tabby 企业级稳定迭代

核心结论：追求开箱即用的极致体验选 Copilot/Cursor；追求隐私、合规、成本可控、模型自由选开源自部署。2025 年的关键变化是——开源阵营不再只是”妥协方案”，OpenCode + DeepSeek 的组合在终端 Agent 场景下已经能提供不亚于 Cursor 的体验，且完全免费、隐私可控。闭源方案的优势正在收窄到”多模态”和”生态整合”等少数维度。

2025-2026 趋势展望

1. Agent 成为标配：从 Tab 补全到 Agent 自主编程的演进正在加速。OpenCode 证明了终端 Agent 的可行性，Tabby 在跟进，连 Copilot 和 Cursor 都在大幅增强 Agent 能力。2026 年，“描述需求→Agent 全自动实现”将成为所有编程工具的基础能力。
2. 开源模型追平闭源：DeepSeek-V3/R1 在代码能力上已接近 GPT-4 级别，且成本极低。自部署方案的质量天花板被大幅抬高。
3. 隐私优先成为差异化卖点：OpenCode 的爆发证明，大量企业和开发者愿意为”代码不上传第三方”付出额外配置成本。这对 Copilot/Cursor 构成结构性压力。
4. 终端复兴：在 VS Code 插件红海之后，OpenCode 和 Aider 证明了终端 TUI 仍有巨大价值——更轻量、更可脚本化、更适合服务器端和 DevOps 场景。
5. 中间层工具的洗牌：Continue 的落幕不是个例。纯粹的”插件 + 模型路由”中间层工具，如果没有独特的 Agent 能力或企业级功能，将难以存活。未来的竞争焦点是 Agent 智能和上下文工程深度。

典型类库与工具

工具	类型	说明
OpenCode	终端 Agent + 桌面 App	2025 年明星项目，隐私优先，160K+ stars
Tabby	自部署服务	企业级代码补全后端，Docker 一键部署，v0.30
Aider	CLI Agent	终端 AI 编程 Agent，自动 git 管理，100+ 语言
CodeGeeX	插件 + 模型	智谱出品，CodeGeeX4-ALL-9B，国产免费
Continue	IDE 插件（已归档）	最终版 2.0.0，代码作为开源资产保留
vLLM	推理引擎	高吞吐 LLM 推理（PagedAttention），自部署首选
Ollama	本地推理	单机快速运行开源模型，一行命令启动
tree-sitter	解析库	增量代码解析，提取 AST 符号树，Aider/OpenCode 的基础设施

术语表

术语	英文	解释
自部署	Self-hosted	在自己的服务器上运行模型，数据不外传
中间填充	Fill-in-the-Middle (FIM)	利用光标前后代码做代码补全的技术
代码索引	Codebase Indexing	对项目代码做向量化，用于语义检索
仓库地图	Repo Map	基于符号树的项目结构摘要，Aider 的上下文策略
补全	Completion	光标处自动预测后续代码的功能
检索增强生成	RAG	先检索知识库再让 LLM 生成回答，减少幻觉
混合专家	MoE	模型分多个专家子网络，每次推理只激活部分，降低成本
量化	Quantization	将模型参数从高精度压缩到低精度，减少显存占用
低秩适配	LoRA	参数高效微调方法，只训练小规模”补丁”矩阵
语言服务器协议	LSP	让编辑器获得补全/跳转/诊断能力的标准化协议
流式推理	Streaming Inference	模型逐 token 实时推送输出，降低感知延迟
函数调用	Function Call	LLM 自主决定调用外部函数/API 的能力，Agent 基础设施
终端用户界面	TUI	在终端中运行的文本界面应用（如 OpenCode）

延伸阅读

• AI 编程完整技术谱系：从 Tab 补全到 Agent 自主编程的演进，见 AI 编程助手。本页聚焦”开源/自部署”这一支。
• 核心技术依赖：上下文组装见上下文工程，模型部署见 LLM 推理优化，代码检索见嵌入模型，Agent 循环见 AI Agent，小模型部署见小模型与端侧部署，向量检索见向量数据库。
• 开源生态趋势：OpenCode 代表了”终端 Agent + 隐私优先”的新范式（160K+ stars 爆发式增长），Tabby 主打企业市场（v0.30 持续迭代），Aider 保持极客社区风格，CodeGeeX 守住国产合规阵地，Continue 已落幕归档。五者代表了开源自部署编程工具的不同商业模式和路线选择。