design\games\ vsCoder 在线IDE+本地部署 AI 编码助手Tabby 初探_tabby ai编码助手本地部署docker

Coder + Tabby 码农专属AI助手

引子

在数字化时代，人工智能（AI）正以惊人的速度渗透到各个行业中。而对于码农们来说，AI已经成为他们日常工作中不可或缺的助手。然而，今天我要为大家介绍一款与众不同的助手，结合 开源 vscode 网页版code-server 和 开源 AI 助手 Tabby, 提供一个功能丰富、可定制的编程环境，帮助你更好地进行编码工作。

功能点

Coder

1. 首先，VS Code 是一款由微软开发的流行的集成开发环境（IDE），广泛用于编写和调试各种编程语言的应用程序。而 code-server 是 VS Code 的一个开源项目，它提供了一个将 VS Code 编辑器以网页形式运行的方式。这意味着你可以通过浏览器访问它，无论你在哪个设备上，只要你有一个稳定的互联网连接。
2. 通过将 code-server 部署到自己的服务器上，你可以享受到 VS Code 的全部功能，包括代码编辑、调试、版本控制等。你可以自定义扩展和配置，以满足个人的编程需求。而且，由于是在服务器上运行，你可以随时保存和同步代码，从而在不同的设备之间无缝切换。

Tabby

1. 接下来是 AI 助手 Tabby。Tabby 是一个开源的 AI 助手，旨在提供对编程和开发过程的辅助功能。它可以与 code-server 集成，为你提供更高级的编程支持和建议。Tabby 可以通过分析代码结构、识别模式和上下文来提供智能建议、自动完成和错误检查。它还可以为你提供文档和参考资料的链接，帮助你更快地解决问题和学习新的概念。

Coder+Tabby

1. 将 code-server 和 Tabby 结合使用，你可以获得一个强大而个性化的开发环境。你可以在自己的服务器上搭建一个完整的编程工作台，不受设备限制，随时随地都能访问。通过 Tabby 的智能支持，你可以更高效地编写代码，并从它的建议和提示中受益。
2. 这款助手对于个人开发者、团队协作和远程工作都非常有用。它提供了强大的工具和智能辅助功能，可以大大提高开发效率和代码质量。而且，由于是开源项目，你可以根据自己的需求进行定制和扩展。

核心需求

为了获得更灵活、成本效益更高的解决方案，我选择将 code-server 和 Tabby 部署到自己的服务器上。以下是一些原因：

1. 闲置的 Mac Mini 服务器：我有一个闲置的 Mac Mini 服务器，通过将 code-server 和 Tabby 部署在上面，我可以充分利用这个资源，将其转变为一个功能强大的编程环境。
2. 缺少 Copilot 插件：由于 code-server 上没有 Copilot 插件，这可能限制了我的代码编写过程中的便利性和效率。
3. 收费问题：使用 GitHub Copilot、Cursor 和 ChatGPT Plus 都需要付费，分别是每月 10 美元、16 美元和 20 美元。通过自己部署环境，我可以避免这些额外的费用。
4. 自己部署：通过自己部署 Tabby，我可以确保代码不会上传到别人的服务器上用于生成代码提示，这提高了数据安全性和隐私保护。
5. 持续提示：相比其他付费方案 Tabby 具有闪电般的响应速度和持续提示能力。
   • 尽管它是基于GPT-2，并且准确率可能较低，但它具有更快的提示速度，并且没有接口调用频率限制。你将生成时间定义为150毫秒，这意味着它可以以快速的速度持续不断地提供提示。这种情况下，速度取代了质量的考虑。
   • 在某些情况下，快速的提示反馈可能比完全准确的结果更重要。这特别适用于开发者希望快速获取创意、进行迭代或需要频繁的参考和提示的场景。尽管准确率较低，但通过持续的快速提示，Tabby提供了一种快速、流畅的开发体验。
   • 这一点对于开发者来说可能非常有价值，因为它可以提供即时的反馈和灵感，而无需等待较长的处理时间。这种权衡可以根据个人的偏好和需求来决定，对于那些追求速度和迭代的开发者来说，Tabby的速度优势可能是一个吸引人的特点。
6. 对模型微调提供一流的支持：虽然目前还没有看到 Tabby 提供模型微调的 API，但可以期待它未来可能提供这方面的支持。这将使我能够根据自己的需求对模型进行个性化调整。
7. 测试成功：我个人在 Tabby 官网对 Java 语言进行了测试，并让它生成了一个充电费接口的校验代码。这次测试非常成功，证明了 Tabby 在提供准确指导方面的可靠性。
   通过将 code-server 和 Tabby 部署到自己的服务器上，我可以获得一个功能丰富、个性化定制的编程环境。这不仅提高了编码效率和质量，还避免了额外的费用和数据安全风险。这是一个理想的解决方案，适用于个人开发者和团队协作。

部署指北

温馨提示，注意先别着急安装，先看下文，看下文，下文，文！！！

1. 安装brew：首先，你需要在你的Mac上安装Homebrew（brew），它是一个流行的包管理器。你可以在Homebrew的官方网站（https://brew.sh）上找到安装说明。

2. 安装code-server：使用brew，你可以通过运行以下命令来安装code-server：

   brew install code-server
   1

   这将从Homebrew仓库中下载和安装code-server。

3. 安装Docker：接下来，你需要安装Docker，它是一个开源的容器化平台。你可以访问 Docker 的官方网站（https://www.docker.com）并按照他们的指南来安装Docker。

4. 配置和启动code-server：一旦安装了code-server，你可以使用以下命令来启动它：

   code-server
   # 或者使用 launchctl load xxx 忘记了来设置开机启动，MAC 设置为通电启动
   1
   2

   这将在默认端口（通常是 127.0.0.1:8080）上启动code-server，并在浏览器中访问它。

5. 安装Java开发所需的插件：为了进行Java开发，你需要在code-server上安装适用于Java的插件。其中一个常用的插件是"Extension Pack for Java"，它是一个包含了多个Java开发相关插件的扩展包。你可以在VS Code Marketplace（https://marketplace.visualstudio.com）中搜索并安装该插件。安装后，它将提供Java开发所需的工具和功能。

6. 安装Tabby插件：为了在code-server上使用Tabby，你需要安装Tabby插件。Tabby插件将为你提供与Tabby的集成，使你可以在code-server中访问Tabby的功能。你可以在VS Code Marketplace中搜索"Tabby"插件，并按照安装说明进行安装。

7. 你没有M1/M2，使用 Docker 在自己的服务器上部署Tabby：为了使用Docker部署 Tabby，你需要从Tabby的官方源代码中构建Docker镜像。你可以在Tabby的GitHub存储库（https://github.com/tabby-lang/tabby）中找到源代码和构建说明。

   • 如果你不是 MAC

     docker run --name tabby -it -d --network=host -v  /Users/apple/data:/data -v /Users/apple/data/hf_cache:/home/app/.cache/huggingface tabbyml/tabby serve --model TabbyML/SantaCoder-1B
     1

8. 你有M1/M2：Mac 人提供了编译好的二进制包，直接下载使用

9. 现在，你已经 “成功” 地在Mac上安装了brew、code-server和Docker，并部署了Tabby。你可以通过访问code-server的URL和指定的Tabby端口来访问这个完整的开发环境。

然而你的 Tabby 并不能正常工作

• 如果你有一台闲置的 Mac Mini M2 Pro或者Mac Mini M2 Ultra，那么恭喜你，你可以通过硬件升级来解决大部分问题，无需再进行额外的努力。
• 但如果你只有一台较低配置的Mac Mini M2基础版，那么我们是那些希望通过努力解决问题的人，需要继续折腾。

继续折腾

我坚信，我们应该成为AI的驾驭者，而不是被替代，通过与 AI 技术的深度交互，我们应该更好地驾驭它，将其作为我编程的有力助手。

虽然按照之前提到的步骤，你可能会遇到Tabby后端无法正常运行的问题。

1. 我在https://huggingface.co/TabbyML 上发现了 Tabby 所使用的预训练的语言模型，该模型用于 Tabby 代码辅助工具。这个发现对我来说非常有价值，因为Hugging Face提供了许多优秀的预训练模型，可以用于各种AI任务。
2. 关于Tabby的资料在网络上非常有限，我在尝试编译Tabby时遇到了一些困难，因此博主决定尝试使用Docker来部署 Tabby。这种方式可以简化部署过程并提供更好的可移植性。
3. 在国内的网络环境下，容器中下载 Hugging Face 的模型失败是一个常见的问题。为了解决这个问题，你可以尝试使用代理服务器或者加速器来改善下载速度和稳定性。此外，你还可以寻找国内的镜像源，或者尝试使用Hugging Face提供的离线模型，将其下载到本地后通过修改 hosts 将目标网址指向本地来使用。
4. 关于 N 卡和 GPU 加速和依赖安装，Tabby 的执行需要 NVIDIA GPU，并且如果你需要使用 GPU 版本，需要额外安装相应的 NVIDIA CUDA Toolkit工具包。 请确保你的系统具备正确的硬件和驱动条件，并按照相关的安装指南进行操作。此外，阅读 Tabby 的文档，了解GPU加速的要求和依赖项，并确保环境设置正确。

性能测试

最后是结论。由于博主没有额外的Nvidia GPU电脑，我的电脑只有MX250 GPU，并且其中存有重要的学习资料，所以我选择了租用GPU云服务器的方式进行实际测试。

1. 首先，我部署了Tabby的CPU版本，并使用了8核32GB内存的云服务器。通过使用apache2的ab工具进行测试，每个请求的响应速度约为2.5秒。CPU的负载超过90%，内存只使用了1.6GB，同时并发数为10时出现了卡死的现象。当我尝试使用code-server连接到Tabby服务时，几乎无法正常工作，代码提示频繁掉线，偶尔可以成功一次。
2. 然后，我切换到了6核64GB内存的云服务器，平均请求完成时间为3秒，主要瓶颈在于CPU性能。
3. 最后，我尝试了GPU版本，使用了T4 GPU。根据网上的资料，Tesla T4显卡相当于GTX 1060显卡（属于入门级显卡中的中等性能）。经过测试，响应时间为200毫秒，即使在10个并发请求下执行了20个请求，每个请求仍然只需200毫秒。可以看到这是串行执行的（200ms/请求已经是处理上限）。其中一个 CPU 的负载瞬间只达到了60%左右。当我使用code-server连接到Tabby服务时，工作非常顺畅，速度快，而且非常稳定。

结论及部署建议

最后是结论：如果你想拥有一套内网安全的与众不同的 AI 编码助手，即code-server + tabby，你需要一台M2（官网表示M1/M2适用于个人使用），或者一台性能相当于GTX 1060左右的服务器（T4云服务器性能相当于GTX 1650）。

对于显卡方面的建议，个人可能对其了解不深。根据网上的资料，博主找到了一些价格在 5k 人民币以下的迷你小主机：

• 如 RTX 2060 6G、RTX 3050 8G、GTX 1060、M2、GTX 1650 4G等。
• 根据博主的调查它们的 CUDA 核心数分别为
• 1920、一般2500 左右、1280、300 多、896
• M2 是一款集成在苹果电脑中的芯片，它的结构和CUDA核心数并不适用于直接比较。M2芯片有统一的内置神经网络硬件加速器，但它没有公开的 CUDA 核心数指标
• 个人感觉除了GTX 1650外，其他显卡应该都能胜任工作。
  • GTX 1650的性能较难确定，可能比 GTX 1060 稍低一些。
  • 响应时间大约为 0.5 秒（GTX 1060 为 0.25 秒，算 3 秒，然后 1650 性能低 25% 嘛，没有实测过）。
• 这只是博主个人的建议，取决于大家的需求和观点。

另外，博主个人喜欢玩 Blender，所以可能更倾向于 N 卡。M2 的优势在于低功耗，感觉也不错，更安静省电。

综上所述，选择适合自己需求的显卡或服务器是个人决策。不同的显卡具有不同的性能特点和优势。建议大家根据自己的预算、需求和偏好做出选择。请注意，技术和市场在不断发展变化，所以在做出决策之前最好进行进一步的研究和咨询。

感谢您的祝福！希望大家都能在使用 code-server 和 tabbyml-演示环境 的过程中玩得开心并获得所需的帮助。如果有任何测试结果不如意或其他问题，可以在评论区中寻求帮助，博主可能无法直接解决所有问题。祝愿大家能够充分利用这些工具，提高工作效率和编码体验！