"代码不出设备"的四种方案：从不可能到完全可以

wescode · 2026-10-28 · 代码安全 / 本地部署 / Ollama / 私有化

利益声明：本文作者参与了 wescode 的开发。文中涉及 wescode 的技术描述基于内部测试数据；涉及其他工具的描述基于各家公开文档和社区反馈。

本文是「代码安全实录」系列第 9 篇。四种方案的架构、代价和适用场景对比。所有信息来源标注在文末。

前几篇我们分析了 AI 编程工具的数据流、BYOK 的三种含义、企业安审的 7 个问题。所有分析最终指向同一个实际需求：

有没有办法既用 AI 编程工具，又让代码不离开我的电脑？

这个需求不是恐慌——它来自真实的合规场景：

• 金融机构：银保监会对核心系统的数据出境有明确限制
• 政府/国企：等保三级以上的系统要求代码在受控环境内处理
• 军工/涉密：涉密项目的开发环境物理隔离于互联网
• 跨国企业：GDPR 和《数据安全法》对数据跨境传输有严格约束
• 初创公司：核心算法是竞争壁垒，不想让任何第三方看到

本文拆解四种"代码不出设备"（或接近不出设备）的方案，每种方案的架构、代价、适用场景各不相同。

方案一：不用 AI 编程工具

这是最极端的选择，但也是最简单的安全方案。

你的电脑
┌──────────────────────┐
│                      │
│   传统 IDE           │
│   (VS Code / JB)     │
│                      │
│   · 本地编辑         │
│   · 本地编译         │
│   · 本地调试         │
│                      │
│   零出站             │
│   零 AI              │
└──────────────────────┘

代价：

• 放弃 AI 带来的效率提升——根据多项研究，AI 编程工具平均提升 30-55% 的编码效率
• 团队招聘竞争力下降——越来越多的开发者把"能用 AI 工具"作为工作环境的考量因素
• 面对使用 AI 工具的竞争对手，研发速度上的差距会越来越大

适用场景：

• 涉密军工项目——这些环境通常不允许安装任何未经审批的软件，传统 IDE 本身就是经过安审的
• 极端保密的算法研究——比如量化交易策略开发，宁愿慢也不冒风险

什么情况下选这个方案：当你的合规要求是"开发环境不允许运行任何不在审批清单上的软件"——这种场景通常已经有成熟的软件管控流程，AI 编程工具只是又一个不在清单上的软件。

务实地说：这个方案越来越不可行。不是因为安全做不到——而是因为竞争压力会迫使越来越多的组织寻找"既安全又有 AI"的方案。下面的三个方案就是在安全和效率之间寻找平衡点。

方案二：私有部署 AI 编程工具

代表工具：CodeGeeX 私有部署、Tabby、Continue + 私有 LLM

企业内网
┌───────────────────────────────────────────────────────┐
│                                                       │
│   开发者电脑                    内网 GPU 服务器        │
│   ┌──────────────┐            ┌──────────────────┐   │
│   │              │  ① 代码    │                  │   │
│   │  VS Code +   │───────────→│  CodeGeeX Server │   │
│   │  CodeGeeX    │  上下文    │  (A100 / H100)   │   │
│   │  插件        │            │                  │   │
│   │              │  ② 补全/   │  · 模型推理      │   │
│   │              │  对话结果  │  · 代码索引      │   │
│   │              │←───────────│  · 上下文管理    │   │
│   └──────────────┘            └──────────────────┘   │
│                                                       │
│   🔒 数据不出内网                                      │
└───────────────────────────────────────────────────────┘

架构说明：

企业在自己的内网（或私有云）部署一套完整的 AI 编程工具后端——包括模型推理服务、代码索引服务、上下文管理服务。开发者的请求在内网闭环，代码不出企业边界。

代价：

适用场景：

• 有 GPU 集群的大型金融机构——银行、保险公司通常有 IT 基础设施团队，且对数据安全有刚性需求
• 研究院/高校——通常有算力资源，且对开源工具的接受度高
• 大型科技公司——阿里、字节等公司已经在内部部署了类似系统（阿里的 Qoder）

什么情况下选这个方案：

• 团队规模 > 50 人（摊薄硬件成本）
• 企业已有 GPU 资源
• 合规要求"代码不出企业边界"但允许在内网使用 AI

方案三：wescode + 云端 API（BYOK-B）

你的电脑                                          模型供应商
┌─────────────────────────────┐                  ┌──────────────┐
│                             │  ② Prompt        │              │
│   wescode                   │─────────────────→│  DeepSeek /  │
│   (Code OSS Fork)           │  (含代码片段)     │  OpenAI /    │
│                             │                  │  Anthropic   │
│   ① 全部在本地完成：        │  ③ 响应          │              │
│   · tree-sitter 代码解析    │←─────────────────│  · 模型推理  │
│   · CKG 知识图谱构建        │                  │  · 返回结果  │
│   · SQLite 本地存储         │                  │              │
│   · Prompt 组装             │                  └──────────────┘
│   · 上下文选择              │
│                             │  ⓪ 无 wescode 服务器
└─────────────────────────────┘

严格来说，这不是"代码不出设备"——Prompt 中包含的代码片段发给了模型供应商。但它是代码不经中间方——代码只去了一个地方（模型供应商），不经过工具厂商的服务器。

上一篇（第 7 篇）把这种模式定义为 BYOK-B。

代价：

适用场景：

• 绝大多数企业——合规要求是"代码不经过不必要的第三方"，而不是"代码绝对不能离开设备"
• 个人开发者——想要云端大模型的能力，同时不让代码经过工具厂商
• 创业公司——预算有限、不想花 ¥145/月的 Cursor 订阅费

什么情况下选这个方案：

• 不需要"代码绝对不出设备"——能接受代码片段发给模型供应商
• 想要云端大模型的完整能力
• 不想部署和维护 GPU 集群
• 想要客户端可审计（Code OSS 开源）

与 Cursor 的区别（相同点和不同点）：

方案四：wescode + Ollama / vLLM（BYOK-C）

你的电脑
┌───────────────────────────────────────────────────────┐
│                                                       │
│   wescode                           Ollama            │
│   ┌───────────────────┐           ┌──────────────┐   │
│   │                   │  ② Prompt │              │   │
│   │  · tree-sitter    │──────────→│  本地模型    │   │
│   │  · CKG 构建       │ localhost │              │   │
│   │  · Prompt 组装    │  :11434   │  Qwen 2.5   │   │
│   │  · 上下文选择     │           │  Coder 7B   │   │
│   │                   │  ③ 响应   │  / 14B      │   │
│   │                   │←──────────│  / 32B      │   │
│   └───────────────────┘           └──────────────┘   │
│                                                       │
│   🔒 零出站网络流量                                    │
│   断网后仍可使用                                       │
└───────────────────────────────────────────────────────┘

这是真正的"代码不出设备"——代码从头到尾没离开过你的电脑。模型推理在本地完成，没有任何外部网络请求。

代价：

Ollama 本地模型的硬件要求和实际体验

注：推理速度取决于具体硬件。以上数据基于 NVIDIA RTX 4090（24GB）的测试。Apple Silicon Mac 使用 Metal 加速，速度约为 NVIDIA GPU 的 50-70%。纯 CPU 推理速度约为 GPU 的 10-20%。

各场景的体验差异

适用场景：

• 涉密项目——代码绝对不能离开受控环境
• 物理隔离的开发环境——没有互联网连接
• 隐私极度敏感的个人项目——核心算法、交易策略
• 想要零 API 费用的开发者——用自己的硬件跑模型

四种方案对比总览

混合方案——最实际的选择

对大多数企业来说，不是选其中一种——而是混合使用。

按项目分级

项目分级策略

┌─────────────────┐  ┌─────────────────┐  ┌─────────────────┐
│   开源/学习      │  │   一般商业       │  │   核心/敏感      │
│   项目          │  │   项目           │  │   项目           │
│                 │  │                 │  │                 │
│   方案三        │  │   方案三         │  │   方案四         │
│   BYOK-B        │  │   BYOK-B         │  │   BYOK-C         │
│   + 最强模型    │  │   + DeepSeek     │  │   + Ollama       │
│   (Claude/GPT)  │  │   (国内供应商)   │  │   (零出站)       │
│                 │  │                 │  │                 │
│   ✅ 模型全能力  │  │   ✅ 不出境       │  │   ✅ 代码不出     │
│   ✅ 最低成本    │  │   ✅ 合规         │  │     设备         │
│   ⚠️ 经供应商   │  │   ⚠️ 经供应商    │  │   ✅ 零出站       │
└─────────────────┘  └─────────────────┘  └─────────────────┘

按场景切换

同一个开发者在一天内可能切换不同的安全模式：

• 上午写业务代码——用 BYOK-B（DeepSeek API），模型能力强，代码不经中间方
• 下午做核心算法优化——切到 BYOK-C（Ollama + Qwen 2.5 Coder 32B），代码不出设备
• 晚上做个人开源项目——用 BYOK-B（Claude API），体验最好

在 wescode 中切换这些模式只需要改一行配置——把模型供应商从 api.deepseek.com 改成 localhost:11434（Ollama）。不需要安装不同的编辑器，不需要重新学习工作流。

Ollama 的安装和配置

对于方案四（BYOK-C），这里是最简化的安装步骤。

1. 安装 Ollama

# macOS / Linux
curl -fsSL https://ollama.com/install.sh | sh

# 或 macOS 通过 Homebrew
brew install ollama

2. 下载模型

# 推荐的编程模型（选一个即可）

# 小型（6GB 显存，大多数电脑可用）
ollama pull qwen2.5-coder:7b

# 中型（16GB 显存）
ollama pull codestral:22b

# 大型（24GB 显存，推荐 RTX 4090 或 M2 Max）
ollama pull qwen2.5-coder:32b

3. 在 wescode 中配置

在 wescode 的模型设置中，添加一个 Ollama 供应商：

• 供应商类型：OpenAI Compatible
• API 地址：http://localhost:11434/v1
• API Key：ollama（任意值，Ollama 不需要真实的 Key）
• 模型：选择已下载的模型名

配置完成后，wescode 的所有 AI 功能（对话、补全、重构建议）都走本地模型，零出站网络流量。

4. 验证零出站

断开网络连接（关掉 Wi-Fi / 拔网线），然后在 wescode 中发起一次 AI 对话。如果模型正常响应——恭喜，你的代码确实没有离开你的电脑。

选择指引

你的合规需求是什么？
│
├── 代码绝对不能离开受控环境（涉密/军工）
│   ├── 有 GPU 集群 → 方案二（私有部署）
│   └── 无 GPU 集群 → 方案四（wescode + Ollama）
│       └── 电脑有独立 GPU（6GB+）→ ✅ 可行
│       └── 电脑无 GPU（仅 CPU）→ ⚠️ 体验较慢但可用
│
├── 代码不能经过不必要的第三方（一般企业合规）
│   ├── 可以使用海外模型 → 方案三（wescode + Claude/GPT）
│   └── 代码不能出境 → 方案三（wescode + DeepSeek/通义千问）
│
├── 没有硬性合规要求，但想更安全
│   ├── 在意体验和生态 → Cursor / Copilot（方案三也可以）
│   └── 在意数据路径 → 方案三（wescode BYOK-B）
│
└── 没有安全顾虑 → 选体验最好的工具

常见问题

"方案四的模型太弱了，不如不用"

不完全对。7B 模型确实在复杂推理上远不如 Claude 3.5 Sonnet——但日常的代码补全、简单的重构建议、文档生成这些高频场景，7B 模型的表现可能超出你的预期。

混合方案更实际：日常补全用本地模型（7B，快速响应、零出站），遇到复杂问题时切到云端 API（Claude/DeepSeek，能力最强）。用 80% 的本地 + 20% 的云端，覆盖 100% 的场景。

"我的 MacBook 能跑 Ollama 吗？"

可以。Apple Silicon Mac（M1/M2/M3/M4）使用 Metal 加速运行 Ollama：

8GB 内存的 Mac 可以跑 3B 模型——补全体验基本可用。16GB 可以跑 7B——补全+简单对话都可以。32GB 以上可以跑 14B-32B——体验接近云端。

"私有部署和本地 Ollama 有什么区别？"

• 私有部署：企业在内网部署 GPU 服务器，所有开发者共享。模型更大（可以部署 70B+），推理更快，但需要硬件投入和运维团队。
• 本地 Ollama：每个开发者在自己电脑上跑模型。零部署成本，零运维，但受限于个人电脑的算力。
• 选择标准：团队 > 20 人且有 GPU 预算 → 私有部署；团队小或预算有限 → 每人本地 Ollama。

信息来源汇总

本文信息截至 2026 年 10 月。如各方后续发布更新或澄清，请以最新信息为准。