一句话定义：Tabby（常写作 TabbyML）是一个开源的 AI 编程助手，可以部署在自己的服务器上，提供类似 GitHub Copilot 的代码补全，但模型和你的代码都不出内网。
它由三块拼起来
1. 服务端：在一台带显卡的机器上跑起来，加载一个代码大模型（纯 CPU 也能跑，只是慢）。
2. IDE 插件：VS Code、JetBrains 等装上插件，指向你的服务端地址。
3. 上下文检索：敲代码时，它不只读光标前后几行，还会从整个代码库里捞出相关的函数、类和 import 一起送进模型，让补全更贴合你的项目。
打个比方：Copilot 这类云端助手像点外卖——你把上下文发给平台，平台在自己厨房做好再送回来；Tabby 像在自家厨房请了个厨子，锅碗瓢盆和食材都在你家，外人看不见你今晚吃什么。对个人开发者，这区别不大；对签了保密条款、代码不能出内网的团队，这就是「能用」和「不能用」的分界线。
和相邻概念的区别
| 方案 | 部署方式 | 代码去哪 | 适合谁 |
|---|---|---|---|
| Tabby | 自托管 | 只在你自己的机器/内网 | 合规敏感、有算力的团队 |
| Copilot、Cursor 等 | 云端 SaaS | 请求发往厂商 | 个人、无合规约束的团队 |
| IDE 内置补全 | 本地 | 不联网 | 语法级补全，不依赖大模型 |
| Ollama、llama.cpp | 本地 | 不联网 | 只是「跑模型的引擎」 |
最后一行值得展开：Ollama 那类工具解决的是「怎么在本机跑起一个模型」，Tabby 解决的是「怎么把模型变成 IDE 里一行行能用的补全」。后者是工程活——上下文怎么拼、什么时候触发、延迟怎么压，这些才是体验差距的真正来源。
对从业者的意义
- 合规场景刚需：银行、医疗、外包等源码不能上传第三方的团队，自托管往往是唯一选项。
- 成本结构变了：从按席位订阅变成硬件投入加运维人力，人少时未必更便宜。
- 预期要放平：自己跑得动的模型通常小于云端旗舰，补全质量有差距；换来的是数据主权和可定制（比如用自家代码库微调）。
- 支持的模型、插件和安装方式，以官方仓库与文档为准。
一个名字，好几个东西
「Tabby」被至少几个不相关的产品用过：除了这个开源编程助手，还有中东一家先买后付（BNPL）公司，以及若干零散小工具。看到这个名字，先看上下文。
另外，网上流传的「用 AI 自动化会计工作、目标是让会计这个职业消失」的说法，属于财务自动化赛道的通用叙事——报销、对账、凭证生成这些环节确实在被逐步蚕食——但把它安在「Tabby」头上并不成立，至少目前 Tabby 不对应这样一个会计工具。真要找这类产品，该搜的是记账、对账、财务 Agent 这个品类。