指南

基于 GitHub Copilot（docs.github.com/copilot，2026）、Continue（docs.continue.dev）、Tabby（tabbyml.com/docs，Apache 2.0）官方文档编写

速查

• 补全模式核心：幽灵文本预测，Tab 接受；Copilot NES 跨位置预测下一处编辑；适合样板代码与短函数
• Chat 模式核心：自然语言问答 + 上下文参与者（@workspace / #file），适合解释、重构、生成测试骨架
• Agent 模式核心：自主多文件规划 + 执行 + 迭代；Copilot coding agent 把 Issue→PR 链路自动化
• Copilot 私有化能力弱：代码上云推理；合规场景需 Continue/Tabby
• Continue 选型自由：config.yaml 一个文件切 chat/edit/autocomplete 三角色到不同 provider，含本地 Ollama
• Tabby 自托管要点：Docker/Helm 部署，开源模型（StarCoder/Qwen2.5-Coder），代码不出内网
• 模型选型经验：补全用小快模型（Qwen2.5-Coder-1.5B/7B、Codestral）；Chat/Agent 用大模型（Claude/GPT）
• Agent 约束：必须配沙箱、测试门禁、人工评审，防止多文件回归
• 避坑：幻觉 API 必查官方文档；接受补全前读全代码；Agent PR 不能直接合
• 选型矩阵：省心→Copilot；自由/本地→Continue；不出域→Tabby

三种模式深入对比

补全 vs Chat vs Agent

维度	补全（Completion）	Chat	Agent
触发	打字时自动	主动提问	指派任务后自主
范围	当前光标 / 文件	单轮或多轮对话	跨多文件 + 执行命令
自主权	极低（只建议）	中（给方案）	高（改码 + 跑命令）
延迟	毫秒到秒	秒级	分钟级（多轮迭代）
适合	重复代码、补全签名	解释、重构方案、单点生成	整功能、bug 修复、迁移
风险	幻觉 API	方案偏差	多文件回归、失控

何时用哪种

补全：写样板（getter/setter、SQL、JSON、测试骨架）、记不清的 API 签名
Chat ：读陌生代码要解释、想重构但要方案、生成单函数 / 正则 / 文档
Agent：明确边界的小到中等任务（修 bug、加错误处理、依赖升级、迁移 API）
       不要用 Agent 做「重写整个模块」这种宽泛、难验收的任务

Copilot coding agent 工作流

Issue → PR 自动化

1. 开 GitHub Issue 描述任务（含复现步骤 / 期望行为）
2. 在 Issue 评论 @github-copilot ... 或把 assignee 设为 Copilot
3. Copilot 克隆仓库、开新分支（如 copilot/fix-date-bug）
4. 自主规划 → 改码 → 跑测试 → 迭代修复失败用例
5. 开 PR，描述改动 + 测试结果，等人工评审
6. 人工 review + CI 通过后才合并

Agent 约束最佳实践

• 沙箱执行：Agent 跑命令在隔离环境，避免破坏主机
• 测试门禁：PR 必须 CI 全绿才能合，用测试兜底 Agent 的回归
• 人工评审：Agent PR 不能自动合，必须人审代码 + 测试结果
• 任务边界清晰：Issue 写清「改哪个文件、什么行为、怎么验证」，越具体越靠谱

Continue 多模型路由

一份 config.yaml 跑三类功能

models:
  # Chat/Edit 用强模型
  - name: Claude
    provider: anthropic
    model: claude-sonnet-4-5
    roles: [chat, edit]

  # Autocomplete 用小快模型（本地，零延迟零成本）
  - name: 本地 Qwen 补全
    provider: ollama
    model: qwen2.5-coder:1.5b
    apiBase: http://localhost:11434
    roles: [autocomplete]

路由逻辑：Continue 按 roles 把 chat 请求发 Claude、补全请求发本地 Ollama，一份配置管三种功能、多 provider。这是 Continue 相对 Copilot 的核心差异——Copilot 的模型选择受订阅档位限制，Continue 完全开放。

本地 vs 云端权衡

维度	本地（Ollama/Tabby 模型）	云端（Anthropic/OpenAI）
延迟	低（局域网 / 本机）	中（公网往返）
成本	硬件一次投入，推理零边际	按 token 计费
质量	开源模型弱于旗舰	旗舰最强
合规	代码不出域	代码出域
经验	补全用本地够用，Chat/Agent 上云质量更好	默认选云

Tabby 部署运维

Docker（单机）

docker run -d --gpus all --name tabby \
  -p 8080:8080 \
  -v ~/.tabby:/data \
  --restart unless-stopped \
  tabbyml/tabby serve --model Qwen2.5-Coder-7B --device cuda

Helm（Kubernetes，团队共享）

helm repo add tabby https://tabbyml.github.io/tabby
helm repo update
helm install tabby tabby/tabby \
  --set image.tag=latest \
  --set service.type=ClusterIP

团队共用一个 Tabby server，IDE 扩展指向 server 地址，补全走内网、代码不出公司。

模型选型

模型	显存需求	适合
Qwen2.5-Coder-1.5B	~4GB	CPU 也能跑，实时补全
Qwen2.5-Coder-7B	~8-10GB GPU	主流补全，质量/速度平衡
StarCoder2-7B	~10GB GPU	多语言补全
Qwen2.5-Coder-32B	~24GB+ GPU	较强推理，需高端卡

经验：补全场景优先 1.5B-7B 求速度；Chat 场景才上 32B+。

三工具横向对比

维度	GitHub Copilot	Continue	Tabby
开源	闭源	开源（Apache 2.0）	开源（Apache 2.0）
部署	SaaS 云端	IDE 扩展 + 任意 provider	自托管 server
模型	GPT/Claude/Gemini 等（受档位限）	任意（含本地 Ollama）	StarCoder/Qwen2.5-Coder 等开源
代码出域	是（云端推理）	可选（本地即不出域）	否（全内网）
定价	订阅（$10-$100 个人，$19/$39 团队）	按用的 provider 计费	免费 + GPU 硬件成本
Agent	coding agent（Issue→PR）	Agent 模式 + MCP	偏补全/Chat，Agent 弱
IDE	VS Code / JetBrains / Vim	VS Code / JetBrains	VS Code / JetBrains / Vim
适合	省心、生态深、订阅团队	想自由选模型 / 本地推理	强合规、代码不出域、自托管

选型决策

想最省心、深度集成 GitHub → Copilot
想自由切换模型 / 本地推理 / 不锁定厂商 → Continue
代码不能出域（金融/医疗/涉密） → Tabby
想混合：Copilot 做主力 + Continue 本地补全 → 可并存

通用最佳实践

• 接受前读全：幽灵文本别盲 Tab，读完整段再接受，幻觉 API 当场识别
• 写好注释 / 上下文：补全质量随注释与上下文质量提升，写清意图（如 // 校验邮箱并去重）
• Agent 任务要可验收：Issue 给出测试方法，让 Agent 有明确终止条件
• 定期复核测试：AI 生成的测试可能测错东西，不能只看覆盖率
• 敏感代码隔离：密钥、涉密逻辑用 .copilotignore / Continue 排除 / Tabby 限定仓库