MonkeyCode 详细部署教程

MonkeyCode 是由长亭科技开源的企业级 AI 开发平台，支持私有化部署、团队协作和主流国产模型，适合对代码安全和团队管理有要求的研发团队。

一、系统要求

MonkeyCode 采用 Docker 容器化部署，资源要求不高，普通 Linux 服务器即可运行。

组件 最低配置 推荐配置
操作系统 Linux (x86_64) Linux (x86_64)
CPU 1 核 2 核
内存 2 GB 4 GB
磁盘 5 GB 20 GB
软件依赖 Docker 20.10.14+, Docker Compose 2.0.0+ Docker 20.10.14+, Docker Compose 2.0.0+

注意：如果部署完整开发环境（含云端开发主机），建议宿主机配置达到 8C / 16GB / 100GB。

二、安装步骤

2.1 一键安装（推荐）

登录到你的 Linux 服务器（建议使用 root 用户），执行以下命令：

1
bash -c "$(curl -fsSLk https://release.baizhi.cloud/monkeycode/manager.sh)"

或者使用官方备用地址：

1
bash -c "$(curl -fsSL 'https://monkeycode-ai.com/online/install')"

2.2 按提示完成安装

  1. 脚本执行后会提示设置访问端口，可以按需自定义（例如输入 9999）。
  2. 等待几分钟，安装脚本会自动完成所有依赖拉取和容器启动。
  3. 安装成功后，终端会输出访问地址、管理员账号和初始密码：
1
2
3
SUCCESS 访问地址(内网): http://192.168.x.x:端口
SUCCESS 用户名: admin
SUCCESS 密码: xxxxxxxxxx

2.3 验证与登录

在浏览器中访问输出的内网地址，使用管理员账号密码登录。如果无法访问，请检查服务器防火墙是否放行了对应的端口。

三、首次配置：接入 AI 模型

登录后台后，需要配置 AI 模型才能正常使用代码生成和补全功能。

3.1 添加对话模型

  1. 在左侧菜单点击 模型管理 → 对话模型 → 添加模型。
  2. 填写 API 信息（以百智云为例）：
    • 名称：自定义，如 qwen3-coder
    • API Key：填入你的密钥
    • 点击 获取模型列表，选择对应模型（如 qwen3-coder-plus）
  3. 点击确认保存。

3.2 添加代码补全模型

类似操作，在 代码补全模型 中添加，通常选择较小的模型如 qwen2.5-coder-3b 用于实时补全。

提示：MonkeyCode 支持通义千问、Kimi、DeepSeek、GLM 等主流国产模型，也兼容 OpenAI 接口的模型。如需完全离线运行，可接入本地部署的模型服务。

四、在 VS Code 中使用

4.1 邀请团队成员

  1. 在后台 成员管理 中，点击 邀请新用户，生成邀请链接。
  2. 团队成员通过链接注册账号。

4.2 安装 VS Code 插件

  1. 下载 MonkeyCode 的 VS Code 插件安装包（从后台或官方渠道获取）。
  2. 在 VS Code 中，点击 扩展 → … → 从 VSIX 安装，选择下载的插件文件。
  3. 安装成功后，左侧会出现 MonkeyCode 图标。

4.3 登录并使用

  1. 点击插件图标，输入服务器地址、用户名和密码登录。
  2. 登录后，在代码编辑区即可使用 AI 对话和代码补全功能。
  3. 你可以直接输入自然语言需求，例如：“用 Python 写一个快速排序函数”，AI 会自动生成代码。

五、配置 Git 平台联动（可选）

MonkeyCode 可以接入 GitHub/GitLab，作为“AI 员工”自动响应 Issue 和 Merge Request。

5.1 创建项目令牌（以 GitLab 为例）

  1. 进入 GitLab 项目 → 设置 → 访问令牌。
  2. 创建令牌 monkeycode-ai-bot，权限勾选 api、read_repository、write_repository。
  3. 复制生成的令牌。

5.2 在 MonkeyCode 中创建 AI 员工

  1. 在 MonkeyCode 后台点击 新建 AI 员工。
  2. 填入名称、Git 仓库地址和令牌，点击创建。

5.3 配置 Webhook

  1. 创建成功后，系统会生成 Webhook URL 和 Secret。
  2. 回到 GitLab 项目 → 设置 → Webhook，填入上述信息，触发事件选择“评论”和“合并请求”。

完成后，团队成员在 Issue 中 @monkeycode-ai-bot 即可获得 AI 的代码帮助。

六、公网访问配置（可选）

如果需要让团队成员从外网访问私有化部署的 MonkeyCode，可以使用内网穿透工具（如 cpolar）。

6.1 安装 cpolar

1
2
sudo curl https://get.cpolar.sh | sh
sudo systemctl start cpolar

6.2 配置隧道

  1. 浏览器访问 http://服务器IP:9200，登录 cpolar Web 管理界面。
  2. 创建隧道：
    • 协议：http
    • 本地地址：你部署时设置的端口（如 9999）
    • 域名类型：随机域名或保留的二级子域名
  3. 创建成功后，即可通过生成的公网地址访问 MonkeyCode。

七、常用维护命令

操作 命令/说明
查看状态 访问后台首页或使用 docker ps 查看容器状态
查看日志 docker logs -f [容器名]
重启服务 在安装目录下执行 docker-compose restart
更新 重新执行一键安装脚本（会自动检测并更新）
忘记密码 在安装目录的 .env 文件中查找或重置

八、常见问题排查

问题 解决方案
安装后无法访问 检查防火墙是否放行对应端口；确认 Docker 服务正常运行。
AI 模型调用失败 确认 API Key 正确且账户余额充足；检查网络能否访问模型 API 地址。
VS Code 插件无法连接 确认服务器地址和端口填写正确；检查服务器防火墙是否允许该端口入站。
生成的代码不符合预期 尽量用自然语言清晰描述需求，标注技术栈、核心功能和交互逻辑；复杂需求可分多轮输入。

九、总结

MonkeyCode 的部署非常简洁，核心步骤就是执行一键安装命令 → 配置 AI 模型 → 安装 VS Code 插件。相比 Cursor、Copilot 等纯 SaaS 工具，它的优势在于私有化部署、代码不出内网、支持团队审计管控，特别适合对数据安全有要求的团队。