【AI 测评】本地 AI 代码助手怎么远程用？MonkeyCode 从安装到 VS Code 与公网访问完整配置

目录

🥝前言

🥝1. 先确认 MonkeyCode 的运行条件

🥝2. 在 Linux 上安装 MonkeyCode

🥝3. 先配置对话模型

🥝4. 再配置代码补全模型

🥝5. 邀请成员并把 MonkeyCode 接进 VS Code

🥝6. 不只看“连接成功”，实际让它写一个五子棋

🥝7. 本地功能都验证后，再处理公网访问

🥝8. 安装 cpolar

🥝9. 先给 9999 配随机公网地址

🥝10. 长期使用，再换固定二级子域名

🥝总结

前言

本地部署 AI 代码助手并不难，真正决定它能不能用起来的，是后面几层有没有接顺：服务先要在 Linux 上正常启动，模型 API 要配置完成，VS Code 客户端还得真正连上并生成代码；如果准备长期在不同设备或网络中访问管理页面，还要再解决公网入口。很多工具看起来“安装成功”很快，但真正到日常使用时，问题往往出在模型没配好、编辑器没连通，或者换个网络以后后台就打不开。

这次我按这个顺序把 MonkeyCode 从头跑一遍：先确认 Linux、x86_64、Docker 与 Docker Compose 环境符合要求，用官方管理脚本安装并把端口设为 9999；随后在后台分别配置对话模型和代码补全模型，再邀请成员、安装 VS Code 客户端并实际让它生成一个五子棋小游戏。确认代码能够生成、网页能运行以后，再安装 cpolar，先把 9999 页面通过随机域名映射到公网，再改成固定二级子域名 monkey。这样做的好处是，每一层都有明确的验证结果，服务、模型、编辑器和网络入口不会搅在一起，后面真遇到问题也更容易判断该从哪里查。

1. 先确认 MonkeyCode 的运行条件

安装前需要满足下面这些条件：

• 操作系统：Linux
• CPU 指令架构：x86_64
• Docker：20.10.14 以上
• Docker Compose：2.0.0 以上
• 推荐资源：1 核 CPU / 4 GB 内存 / 20 GB 磁盘
• 最低资源：1 核 CPU / 2 GB 内存 / 5 GB 磁盘

这一步最好先核对清楚。AI 工具后面还要接模型和编辑器，如果基础环境就不符合要求，后续问题会很难区分到底出在容器、服务还是模型配置。

2. 在 Linux 上安装 MonkeyCode

切换到 root 用户后，执行安装命令：

bash -c "$(curl -fsSLk https://release.baizhi.cloud/monkeycode/manager.sh)"

安装过程中按提示继续即可。

端口可以自定义，这次使用：

9999

下载完成并出现安装完成页面。

接着使用安装过程提供的访问地址进入 MonkeyCode，并使用账号密码登录。

到这里先只确认一件事：MonkeyCode 服务已经启动，Web 后台可以访问。

真正能不能辅助写代码，还要继续把模型接上。

3. 先配置对话模型

登录后台后进入【模型管理】，在对话模型位置点击【添加模型】。

点击查看文档。

随后登录百智云获取 API。

创建 API 时先填写一个便于识别的名称。

创建完成后复制 API。

回到 MonkeyCode，把 API 粘贴到对应配置里，然后点击【获取模型列表】。

再选择模型名称。

保存以后，对话模型会出现在模型列表中。

这时对话能力所需的模型配置就完成了。

4. 再配置代码补全模型

MonkeyCode 把对话和代码补全分开配置，所以对话模型完成后，还要继续设置代码补全模型。

选择对应模型名称。

保存后，代码补全模型也会显示在列表里。

这一层很重要：后台能登录不等于 AI 能工作，模型 API 配置成功也不等于 VS Code 已经能正常调用。后面还要从编辑器实际验证。

5. 邀请成员并把 MonkeyCode 接进 VS Code

进入【成员管理】，邀请新用户。

新用户注册完成后，下载客户端。

打开 VS Code，按页面步骤继续操作。

选择刚才下载好的文件。

出现对应标识后，说明客户端已经安装。

接着使用注册好的用户名和密码登录。

进入 MonkeyCode 功能入口。

到这里，VS Code 和 MonkeyCode 已经连起来，接下来直接用一个真实任务判断它到底能不能工作。

6. 不只看“连接成功”，实际让它写一个五子棋

输入需求，让它生成一个五子棋小游戏。

代码很快生成出来。

打开网页查看结果。

小游戏可以正常打开。

这一步比“插件图标出现了”更有价值，因为它验证的是完整使用链：

MonkeyCode 服务 → 模型配置 → VS Code 登录 → 输入需求 → 生成代码 → 页面运行。

随后回到 MonkeyCode 后台，在对话记录中还能看到刚才输入的命令。

这样服务端和客户端两边的记录也能对应起来。

7. 本地功能都验证后，再处理公网访问

前面的 MonkeyCode 后台和 VS Code 使用都建立在本地服务已经正常运行的基础上。

如果只在同一个局域网或当前开发环境里使用，到这里已经可以停下。

如果还希望在外部网络访问 MonkeyCode 的 Web 管理页面，就需要再给 9999 增加公网入口。

这里 cpolar 只负责网络访问这一层：

MonkeyCode 负责模型、成员和代码助手功能，cpolar 负责把本地 9999 Web 服务映射到公网。

本篇后面的公网验证，明确验证的是 MonkeyCode 页面能够通过公网地址打开。

8. 安装 cpolar

执行安装命令：

sudo curl https://get.cpolar.sh | sh

安装完成后查看服务状态：

sudo systemctl status cpolar

服务启动后，通过主机 IP + 9200 进入 cpolar Web 管理界面。

当前记录中的显示地址为：

http://192.168.42.101:9200

而 Markdown 链接目标写的是：

http://localhost:9200/

实际访问时，以当前设备真正可达的管理地址为准。

登录以后，就可以为 MonkeyCode 创建隧道。

9. 先给 9999 配随机公网地址

进入【隧道管理 → 创建隧道】，配置为：

• 隧道名称：monkey
• 协议：http
• 本地地址：9999
• 域名类型：随机域名
• 地区：China Top

点击创建。

创建成功以后，进入在线隧道列表查看生成的公网地址。

从其他设备访问这个地址。

MonkeyCode 页面可以正常打开。

这一步确认的是：

本地 MonkeyCode 9999 → cpolar 随机公网地址 → 外部浏览器访问成功。

如果只是临时测试，随机地址已经够用。

10. 长期使用，再换固定二级子域名

如果希望公网入口长期不变，可以继续配置固定二级子域名。

进入预留功能。

地区选择：

china top

这次演示使用的二级子域名是：

monkey

保留成功后，回到 cpolar Web UI，在【隧道管理 → 隧道列表】里找到 monkey 隧道并编辑。

修改为：

• 域名类型：二级子域名
• Sub Domain：填写已经保留的二级子域名
• 地区：China Top

点击更新。

更新以后，在线隧道列表里的随机地址会切换成固定二级子域名。

最后再用固定公网地址访问 MonkeyCode。

页面可以正常打开。

到这里，公网访问这一层也完整跑通：

随机地址验证 → 固定二级子域名 monkey → 外部浏览器访问成功。

总结

这套流程真正需要串起来的，不只是“安装 MonkeyCode”和“做个内网穿透”，而是从 AI 模型到编辑器再到远程入口的一整条使用链：

Linux 环境 → MonkeyCode → 9999 → 对话模型 → 代码补全模型 → 成员账号 → VS Code 客户端 → 五子棋代码生成 → 对话记录 → cpolar → 随机公网地址 → 固定二级子域名 monkey。

这次实际验证到的内容包括：

• Linux / x86_64
• Docker 20.10.14+
• Docker Compose 2.0.0+
• MonkeyCode 官方管理脚本
• 本地端口 9999
• 百智云 API
• 对话模型
• 代码补全模型
• 成员邀请
• VS Code 客户端安装与登录
• 五子棋代码生成与页面运行
• MonkeyCode 对话记录
• cpolar 安装和状态检查
• 9200 管理页面
• 隧道名 monkey
• 本地地址 9999
• China Top
• china top
• Sub Domain
• 固定二级子域名 monkey

比较实用的做法是按顺序验证：先确保服务能开，再确保模型能用，再去 VS Code 里跑一个真实任务，最后才加公网入口。这样哪一层出问题，都不用把所有组件一起重查。

如果小假的内容对你有帮助，请点赞，评论，收藏。创作不易，大家的支持就是我坚持下去的动力！