担心代码数据出域，自部署模型这条路怎么走
担心代码数据出域，自部署模型这条路怎么走
一句话定义：自部署模型（Self-hosted models）指把 AI 编码能力所需的模型推理整体搬进企业自己的环境——通过自部署 AI 网关连接本地或私有云的大模型，让代码补全、代码评审、Agent 智能体等能力在内部网络闭环运行，代码与提示词不离开企业边界。
不少团队在评估 AI 编码工具时的第一道关卡不是效果，而是合规。代码是企业的核心资产，把它整段送到外部 API，安全评审那一关就很难过。于是很多企业的做法是干脆禁用，研发效率的红利一分没拿到。其实还有第三条路：AI 网关和模型都留在内网，只把 AI 能力接进来。
为什么数据出域是绕不开的坎
外部大模型服务的工作方式，决定了代码必须离开企业网络才能完成推理。对金融、军工、能源这类行业，这与数据安全红线直接冲突。常见的折中方案各有代价：
方案 | 数据是否出域 | 代价 |
|---|---|---|
直接禁用 AI 工具 | 否 | 研发效率红利为零，员工私下偷用更危险 |
用外部大模型 API | 是 | 代码、提示词、响应全部经过第三方 |
自部署模型 + AI 网关 | 否 | 需要自建推理基础设施 |
自部署方案的关键在 AI 网关。它是模型调用的统一入口：研发平台把请求发给内网的 AI 网关，网关再把请求转给企业自选的大模型。整个过程里，代码输入、模型提示和响应都在企业网络内流转，不产生外部 API 调用。
自部署模型怎么落地
极狐GitLab Duo 支持自部署模型架构，配置路径分三步。
第 1 步：确认版本与许可证
自部署模型要求极狐GitLab 17.9 及以上版本（Duo Agent Platform 需 18.8 及以上），且需要 Duo Enterprise 附加组件。私有化部署实例配合离线许可证时，实例不连接任何外部服务，按企业许可协议计费。
第 2 步：部署 AI 网关并接入模型
在企业内网部署 AI 网关，从官方支持的自部署模型列表中选择模型接入。这里有一个容易被误解的点：完全自部署不等于只能用开源模型。后端仍然可以选 AWS Bedrock、Azure OpenAI 这类云端推理服务——流量走的是你自己的网关，管控权在你手里。当然，要做到网络完全隔离，就选择本地部署的模型。
网络侧只需要放行极少量的出站连接（在线许可证场景）：
customers.jihulab.com:443 # 许可证与订阅信息同步
cloud.jihulab.com:443 # 用量配额检查与计费元数据上报离线许可证场景下，这两个连接也不需要。
第 3 步：验证数据流向
这是安全团队最关心的一步。自部署模式下，出站的只有计费元数据，其结构是固定的 JSON：
{
"InstanceId": "ccbb3949-9836-471c-b2nb-32a38e8cca99",
"GlobalUserId": "KWDTe17sGSADiAzEGJ6IuL1D7RAzsXqa2wun3aX1YuA=",
"Quantity": 1,
"Timestamp": "2026-05-04 18:04:30.969000000"
}其中 GlobalUserId 是由实例 ID 和用户 ID 经 SHA-256 生成的去标识化标识符。代码输入、模型提示和模型响应不离开客户网络，平台方也不会捕获客户使用的是哪个模型。这份 JSON 结构可以直接作为安全评审的举证材料。
混合配置，适合不想一步到位的团队
自部署和全托管之间还有一个中间档：混合配置。每项 AI 功能可以单独选择走自部署网关还是极狐GitLab 托管模型。比如代码补全这类高频功能走内网模型，代码评审这类低频功能先走托管模型试用，效果确认后再切换。
配置 | 基础设施 | 网络要求 | 适用场景 |
|---|---|---|---|
完全自部署 | 自建网关+模型 | 可完全隔离 | 强合规行业 |
混合配置 | 自建网关，按功能选模型 | 托管功能需联网 | 逐步过渡 |
全托管 | 无需自建 | 需互联网连接 | 合规压力小的团队 |
哪些能力可以跑在自部署模型上
代码建议、代码解释、测试生成、重构代码、修复代码（17.9 及以上），代码评审（18.3 及以上），以及 Duo Agent Platform（18.8 及以上）均已正式支持自部署模型。根因分析、漏洞解释、合并请求摘要等处于测试阶段。功能清单随版本更新，落地前建议对照官方文档核对当前版本的支持情况。
落地前的三个检查点
检查点一：在线许可证的网络放行别漏。 在线许可证按用量计费，防火墙若拦截了 cloud.jihulab.com 的出站流量，配额检查会失败，AI 功能直接不可用。上线前先和安全团队对齐这两个域名的放行清单。
检查点二：功能清单要按版本核对。 自部署模型的功能矩阵和 SaaS 版并不完全同步，同一能力可能一个是正式发布、另一个还在测试阶段。别拿 SaaS 的体验做承诺，先查自己版本的支持表。
检查点三：去标识化标识的边界要讲清楚。 GlobalUserId 虽经过 SHA-256 处理，但如果企业自己构建了实例 ID 与用户 ID 的查找表，理论上存在映射回特定用户的可能。做安全评审时主动把这个边界讲透，比被问出来更体面。
FAQ
问：自部署模型的效果会比托管模型差吗？
答：效果取决于所选模型的能力，而不是部署位置。自部署网关只是调用链路的改造，企业可以按需换用更强的模型。混合配置还允许逐项对比后再切换。
问：模型更新谁负责？
答：自部署场景下模型升级由企业自己控制，这既是运维成本，也是优势——版本变化完全可控，不会被外部服务的模型变更打了个措手不及。
问：员工用的编辑器插件怎么算？
答：自部署约束的是推理链路。只要 AI 网关和模型在内网，编辑器侧的调用同样走内网链路，代码不出域的结论不变。
结语
数据合规与研发效率不是单选题。自部署模型把推理留在内网，出站的只有一份去标识化的计费元数据，安全评审有据可依。如果你的团队正卡在"AI 工具想用不敢用"的阶段，可以预约一次私有化部署方案沟通，看看现有基础设施离自部署 AI 网关还有多远。
