本地 LLM 编程助手全景图：Are Copilots Local Yet？

故事：从云端回到本地的编程革命

2021年6月，GitHub Copilot 以「AI 配对编程」的概念横空出世，开发者只需在编辑器里敲下几行注释，AI 就能自动补全代码。当时很多人惊叹：编程的未来来了。但很快，问题也随之暴露——代码必须上传到 GitHub 和微软的服务器才能工作。对于处理商业机密、医疗数据、金融代码的开发者来说，这意味着核心代码离开了安全边界。对于网络受限的环境（离线工厂、政务内网），Copilot 更是完全不可用。

就在这时，一条新的技术路线悄然成形：既然本地大语言模型（LLM）越来越强大，能否让它直接成为你的编程助手，而且完全运行在自己的电脑上？

2023年7月，瑞典开发者 Erik Bjare 创建了 Are Copilots Local Yet? 项目，用一句话定义它的使命：「追踪本地 LLM 编程助手的最新前沿，看看本地 AI 编程工具发展到哪一步了。」

这不是一个代码项目，而是一份持续更新的行业观察报告——系统梳理了编辑器和 IDE 插件、CLI 工具、聊天界面、模型推荐、数据集等五大类别的本地 Copilot 工具，帮助开发者和研究者快速了解这个快速演进领域的全貌。

为什么这份导航图值得关注？

本地 Copilot 之所以重要，是因为它能解决云端方案的结构性缺陷：

隐私与合规：代码从不离开本地设备，这一点对很多行业是硬需求。金融机构的交易算法、医疗系统的病历处理逻辑、政府机关的内部业务代码——这些场景下将代码上传给第三方 API 在合规层面几乎是禁区。本地 LLM 彻底绕开了这个问题。

离线可用性：无论是在飞机上、偏远工地的工厂内网，还是网络受限的研发环境，本地模型只要显卡足够就能运行。Copilot 和 Claude 都需要稳定网络，而 Ollama + Continue 的组合可以完全不依赖网络。

速度与成本：API 调用有延迟（尤其是需要复杂推理的模型），本地推理在高端显卡上反而可能更快。更重要的是——没有按 token 计费的账单，一台机器跑多少小时都是固定成本。

可定制性：可以跑专门针对某编程语言微调的模型，可以用私有代码片段做 RAG 检索增强，可以用特定格式的代码做约束输出……这些在云端服务中要么无法实现，要么需要额外付费。

Are Copilots Local Yet? 的价值在于，它不只收录工具本身，还系统性地标注了每个工具的 stars 数量、发布时间、支持的编辑器、技术特点，让用户能在横向上快速对比选择。

核心内容：五大领域全景梳理

1. 编辑器插件：VSCode、Vim、Emacs 全面覆盖

编辑器扩展是最常见的 Copilot 形态，项目收录了 15+ 款相关插件：

工具	Stars	特点
Tabby	29k+	自托管代码补全，支持 VSCode/vim/IntelliJ，部署最简单
twinny	3.2k	纯本地运行，不依赖任何外部 API
continue	22k+	功能最全面的开源方案，支持补全、聊天、动作
localpilot	3.3k	通过自定义 API 端点让官方 Copilot 插件用上本地模型
gen.nvim	1.3k	Vim/Neovim 插件，用自定义 Prompt 编辑选中文本

Tabby 和 Continue 是目前最流行的两个开源方案：Tabby 专注于代码补全，部署极简；Continue 则走功能路线，同时支持补全、聊天和代码动作，扩展性最强。

2. CLI 工具：从代码片段到完整项目

命令行工具适合习惯终端的开发者：

工具	Stars	特点
gpt-engineer	52k+	指定需求 - AI 提问澄清 - 自动生成完整项目
aider	25k+	在终端中与 AI 结对编程，深度适配已有代码库
open-interpreter	58k+	本地运行的 ChatGPT Code Interpreter，支持执行代码
mentat	2.5k	跨多文件协调编辑，类比成「终端里的 Copilot Chat」

其中 open-interpreter 最为特殊——它完全复刻了 OpenAI 的 Code Interpreter 能力，但代码和数据都在本地运行，可以读写本地文件、执行 Python/JavaScript/Shell 代码、处理数据可视化。

3. 模型演进：从 GPT-4 时代到本地推理

README 中梳理了代码专用 LLM 的发展脉络：

• 2023年5月：BigCode 发布 StarCoder 15B，支持 80+ 编程语言，是最早的大规模代码模型之一
• 2023年8月：Meta 发布 CodeLlama 34B，基于 Llama 2 微调，支持 Python/Java/JS 等多语言
• 2024-2025年：Qwen 2.5 Coder（32B）和 DeepSeek R1（671B）相继发布，前者专注文档级代码补全，后者以推理能力见长

有趣的是，项目作者 Erik Bjare 自己在开发 gptme（3k+ stars），这是一个支持开源模型的本地代码助手，可以直接在终端中完成复杂的软件开发任务。

4. 推荐配置：从零到可用的实战指南

README 提供了经过验证的最低配置方案：

硬件要求：建议 MacBook Pro M2（32GB RAM）或配备 8GB+ 显存 NVIDIA 显卡的 PC

推荐组合：LM Studio（模型运行） + Continue.dev（编辑器插件）

推荐模型：Qwen 2.5 Coder 7B（代码补全）+ DeepSeek R1 Distill 14B（对话推理）

这套方案可以在消费级硬件上实现每秒 15-30 token 的补全速度，对大多数日常编程场景足够流畅。

5. 底层支持工具：Ollama

项目将 ollama（111k+ stars）单独列在 Misc Tools 中——它是目前最流行的本地 LLM 运行时，一行命令即可启动模型服务，与 Continue、Tabby 等工具无缝集成。

技术架构与代码质量

Are Copilots Local Yet? 本身是一个高度工程化的静态文档项目：

• 核心工具链：Python（数据处理） + Jinja2（模板生成） + PyYAML（数据管理） + requests
• 自动化流水线：GitHub Actions CI 自动运行 generate_readme.py，读取 data/data.yaml 中的 YAML 数据，渲染生成完整的 Markdown README。这意味着维护者只需要更新 YAML 文件，就能在 CI 中自动生成带 Stars 徽章和最新数据的文档页面。
• 数据结构：data.yaml 按五大类别（extensions、tools、chat、models、datasets）管理条目，每个条目包含 name、stars、released、notes、link 字段，结构清晰，易于社区贡献。
• 代码质量：虽然项目本身代码量小（主要是 generate_readme.py + scripts/update_metadata.py），但 CI/CD 流程完整，数据与表现层分离，整体工程质量很高。

数据隐私：作为静态知识库，项目不收集用户数据，不涉及任何 API 调用，完全无隐私风险。

局限性与争议

本质是「元项目」而非工具：这个项目本身不提供任何可运行的代码生成能力，它是一份导航地图。用户必须基于它推荐的工具自行搭建本地 Copilot 方案，对于不熟悉 LLM 部署的用户有一定门槛。

数据更新滞后：README 由 CI 自动生成，但 GitHub Actions 定时任务无法实时同步各工具的最新 Stars 数字（stars 字段是字符串近似值如「>22k」而非精确数字），可能存在 1-2 周的延迟。

模型选择存在主观性：推荐的「最佳配置」（LM Studio + Continue + Qwen 2.5 Coder）只是作者个人实验结果，未必适合所有硬件和语言场景。

无法评估生成质量：README 只记录工具的存在和基本信息，不对比各工具生成代码的实际准确率，用户仍需自行试用。

行业意义与未来趋势

为什么这个项目值得追踪？

截至目前，GitHub Copilot 仍然是市场份额最大的 AI 编程工具，但本地化趋势正在加速。几个关键信号：

• Ollama 突破 111k stars，成为最受欢迎的本地 LLM 运行时，表明开发者对本地推理的需求正在爆发。
• Continue 和 Tabby 的持续增长说明开源本地 Copilot 生态正在走向成熟。
• DeepSeek R1 和 Qwen 2.5 Coder 等国产模型的出现，为国内开发者提供了在不受限网络环境下使用高质量代码模型的可能。

下一个里程碑：当本地模型在代码补全准确率上与 GPT-4 持平（或差距小于 5%）时，本地 Copilot 将从「极客玩具」变成「主流选择」。这个临界点可能比想象中更近。

作者 Erik Bjare 本人的 gptme 项目也在持续演进，它代表了本地 AI 编程助手的另一个方向——不是插件，而是一个完整的命令行开发伙伴。