一、为什么选型比选工具更重要

今年几乎每家公司都在上 AI 编程，但真正难的不是"用哪个工具"，而是"选型"。选错了，轻则团队不用、重则数据出问题。我们组从年初开始调研 AI 编程平台，前前后后试了七八个，最后选了长亭科技开源的 MonkeyCode（GitHub：chaitin/MonkeyCode）。这篇把我们的选型思路和私有化部署过程整理出来，希望能帮到正在纠结的团队。

二、先排除三个致命选项

调研阶段我们先划掉了三类产品：

第一，纯云端 SaaS、代码必须上传的。我们客户的代码里有不少敏感信息，代码必须留在内网。这类产品再方便，过不了安全这一关。

第二，闭源、绑定自家模型的。AI 编程平台绑定单一模型，等于把技术路线锁死。今天这家强，明天别家强，你想换都换不了。

第三，只能补全代码的"伪 AI 平台"。很多号称 AI 编程的产品，其实就是个高级自动补全。我们要的是能跑需求、能建任务、能审查 PR 的完整流程，不是一个更聪明的 Tab 键。

三、为什么最后选了 MonkeyCode

MonkeyCode 打动我们的是三点：

第一，开源。AGPL-3.0 协议，源码在 GitHub 上公开（4.2k stars），代码能自己审计、能自己改，不存在"供应商锁定"问题。

第二，私有化部署免费。对很多团队来说这是决定性的：不用按人头买 license，部署在自家服务器上，代码不出内网，成本可控。

第三，模型可以随便接。它支持对接主流大模型 API，也可以接私有化部署的模型。我们用公司已有的模型网关就能跑，不用额外买新模型。

四、私有化部署实录：我们踩过的坑

整个部署过程，比我预期的简单，但也踩了几个坑：

第一步，准备环境。我们用的是一台 16 核 64G 的服务器，装了 Docker 和 Docker Compose。MonkeyCode 官方文档里有部署脚本，照着跑基本没问题。

第二步，配置模型。这是最容易卡住的一步——需要填模型网关的 API 地址和 Key，还要确认模型兼容 OpenAI 接口协议。我们一开始填错了一个参数，导致任务一直报错，排查了半天才发现是配置里少了个斜杠。

第三步，打通内网。部署好后，让团队在内网访问平台的地址，配置好 SSO 登录。这里也建议提前把域名和 HTTPS 证书准备好，不然浏览器会一直弹安全警告。

从开始到全员可用，我们花了大概两个下午。这个时间成本，比买商业产品走采购流程要快得多。

五、部署之后：团队真的用起来了吗

很多工具死在"部署完了没人用"。我们总结下来，关键是把流程定清楚：需求必须写 SPEC、任务必须走 PR 审查、问题统一在平台里讨论。跑了三周，组里 8 个人有 7 个在稳定使用，代码审查的通过率也从第一周的 40% 涨到了 85%。

如果你也在做选型，我的建议很简单：先想清楚数据能不能出内网、模型要不要锁死、成本预算多少，再去看工具。MonkeyCode 的部署文档和代码都在 github.com/chaitin/MonkeyCode，在线体验：monkeycode-ai.net，可以先用着试试。