AI 开发平台
协调 AI 辅助软件工作的系统，横跨需求、任务、开发环境、模型与团队协作，而不仅是在编辑器内补全代码。
在 MonkeyCode 的语境中
MonkeyCode 的官方定位是面向工程团队的开源 AI 开发平台。把它视为围绕编程 agent 的工作流与环境层；具体能力应对照你评估的版本核实。
AI 开发术语表 · 核实于 2026-07-20
先定义术语，再做决定。
围绕 AI 开发平台的词汇的中性定义，配以每个术语如何适用于 MonkeyCode——为评估者、搜索引擎和需要带语境可引用定义的 AI 答案系统而写。
跳转到术语
AI 编程 agent
能规划并执行多步编程工作的工具——读取文件、修改代码、运行命令并迭代——以完成既定任务，而不只是建议下几行。
在 MonkeyCode 的语境中
MonkeyCode 在服务端开发环境中运行 agent 任务，具备构建、测试、终端和预览工作流。自主程度、护栏和评审点取决于配置，应在真实任务上测试。
AI 代码助手
在开发者输入时于编辑器内建议补全、片段或对话答案的功能，让人对每次编辑保持直接控制。
在 MonkeyCode 的语境中
这是与执行任务的 agent 相对的类别。在助手、agent 与平台模型之间选择，应遵循你的实际工作流需求，而不是营销的类别名称。
受管任务执行
一种运行模型：AI 编程任务在集中受管的服务端环境中运行、具备共享可见性，而不是在每个开发者的本地机器上。
在 MonkeyCode 的语境中
MonkeyCode 的官方重点是协调式任务执行，而非编辑器自动补全。运行时、隔离和编排细节属于实现层面，必须在你部署的版本中核实。
控制平面
承载用户、项目、需求、AI 任务、模型配置和任务状态的管理层——运营者和评审者直接交互的系统。
在 MonkeyCode 的语境中
公开资料将 MonkeyCode 控制台与开发环境主机区分开。控制台状态在哪里存储、备份和恢复，是需要确认的部署层面问题。
开发环境主机
运行实际编程工作的服务端主机——仓库副本、文件、终端、构建、测试、端口、预览、缓存和产物——与控制平面分离。
在 MonkeyCode 的语境中
主机的公开最低配置是评估起点，而非生产容量。并发构建、仓库大小、工具链和镜像缓存都会显著提高需求。
自托管
在你的组织所控制的基础设施上运行软件，而不是（或同时于）厂商托管服务。
在 MonkeyCode 的语境中
MonkeyCode 在托管使用之外记录了私有和离线部署。自托管平台本身并不会让每一条数据流都私密——模型 API、Git 提供商、软件包源、更新、日志和备份都需逐一梳理。
气隙部署
没有直接出站互联网访问的部署，每个依赖、模型端点和更新路径都必须在隔离网络内提供。
在 MonkeyCode 的语境中
MonkeyCode 记录了离线部署，但离线运行会把模型、软件包源、镜像拉取和更新的责任转移到你的环境。在认定完全隔离之前，请验证每条依赖路径。
GNU AGPL-3.0
一种 copyleft 开源许可证，把 GPL 义务扩展到通过网络向用户提供的软件，要求向这些用户提供相应源码。
在 MonkeyCode 的语境中
chaitin/MonkeyCode 仓库采用 AGPL-3.0。开源允许在许可证条款下检查和修改；义务如何适用于你的修改、分发或网络服务，需由具备资质的法律顾问评估。
AGPL 网络使用条款
AGPL-3.0 的条款，将通过网络向用户提供修改版程序视为触发向这些用户提供相应源码的义务。
在 MonkeyCode 的语境中
该条款是 AGPL-3.0 与 GPL-3.0 的关键实务差异。它在你修改受许可代码并以网络服务形式对外提供时最相关；未修改的内部使用是另一种应与法律顾问核实的情形。
模型路由
决定由哪个 AI 模型处理某个请求的配置层，连同凭据、配额、地区、回退和数据路径。
在 MonkeyCode 的语境中
MonkeyCode 的公开 README 列出了 GLM、Kimi、MiniMax、Qwen、DeepSeek 等模型。确切的可用性、版本、凭据和数据路径可能变化，应在你的部署中核实。
信任边界
系统中数据或控制在不同信任级别的组件之间传递的界线，在此处必须重新审视认证、授权和数据处理。
在 MonkeyCode 的语境中
对 MonkeyCode 而言，关键边界包括控制台、开发主机、源码控制、模型端点和运维供应链。梳理这些边界是一项评估工作，而不是对内部服务的无据声称。
总体拥有成本
长期运行系统的完整成本——计算、内存、存储、模型调用、运维和评审投入——而不只是头条的许可或订阅价。
在 MonkeyCode 的语境中
MonkeyCode 托管服务已公布分层定价（免费 Basic 版加付费档），但总体拥有成本——尤其是自托管——仍因部署而异。请测算你自己的计算、模型和运维费率，而不是依赖单一头条数字。
编程 agent 试点
在更大范围推广之前，以有边界、限时的试验衡量 AI 编程工具是否在有代表性的任务上创造真实工程价值。
在 MonkeyCode 的语境中
有用的试点会固定任务集，记录评审投入和可靠性，并在陈述的限制下解读结果——是规划指引，而非基准或保证。
人在回路
一种运行模型：在 AI 系统的输出生效前由人来评审、批准或纠正，把问责保留在人而非模型。
在 MonkeyCode 的语境中
MonkeyCode 的官方定位是运行和评审有边界 AI 任务的团队平台，这让开发者仍对方向和接受负责。把生成的改动当作仍需测试和安全评审的提案。
agent 自主级别
AI 编程 agent 在必须暂停等待人工批准之前，被允许做多少事——规划、编辑、运行命令和提交。
在 MonkeyCode 的语境中
对 MonkeyCode 而言，自主程度、护栏和评审点取决于配置和版本。请按任务确定可接受的级别，并在授予广泛自主前核实可用的控制。
工作负载隔离
将一个运行任务的文件、进程、网络和密钥与另一个隔离开，使一个任务中的故障或恶意行为无法波及其他任务。
在 MonkeyCode 的语境中
MonkeyCode 在与开发者机器分离的服务端开发环境中运行任务，但具体隔离模型属于实现层面。请核实环境如何隔离，并在信任专有仓库前用非敏感代码测试。
出站控制
限制并监控系统可发起的出站网络连接，使数据无法流向未经批准的目的地。
在 MonkeyCode 的语境中
对自托管 MonkeyCode 而言，通往模型 API、Git 提供商、软件包源和更新服务的出站路径都需评审。气隙运行会把每个依赖的责任转入你自己的网络。
数据驻留
对数据存储和处理所在的地理与组织位置的控制，常出于监管或合同原因而要求。
在 MonkeyCode 的语境中
自托管 MonkeyCode 让你控制平台在哪里运行，但连接的模型端点和服务决定了请求数据实际流向何处。请梳理每条数据路径，而不要假设自托管就把一切留在本地。
Copyleft（著佐权）
一种许可方式：允许任何人使用和修改软件，但要求衍生作品以相同的许可证条款分享。
在 MonkeyCode 的语境中
MonkeyCode 采用 AGPL-3.0——一种强 copyleft 许可证，其网络使用条款可能把源码提供义务扩展到基于修改版构建的网络服务。这如何适用于你的用途，需由具备资质的法律顾问评估。
编程基准
一个标准化测试集，衡量 AI 系统在共享、预定义的编程任务上的成功率，使不同工具能在同一基础上比较。
在 MonkeyCode 的语境中
基准衡量的是狭窄的共享任务，而非你的代码库或评审标准。仅把公开分数用作方向参考，再在有代表性的任务上做有边界的试点，以在你的语境中评判 MonkeyCode。
提示注入
一种攻击：AI 系统读取的内容中隐藏的恶意指令使其忽略既定任务，转而执行攻击者的指令。
在 MonkeyCode 的语境中
任何读取 issue、网页、依赖或仓库内容的编程 agent 都可能成为攻击目标。把抓取的内容和模型端点视为不受信任的边界，并对 agent 提议的操作保持人工评审。
上下文窗口
模型一次能考虑的文本上限，以 token 计——涵盖提示词、检索到的文件以及它生成的回复。
在 MonkeyCode 的语境中
它决定了单步中能推理多少仓库、diff 或日志内容。MonkeyCode 的公开 README 列出了多个模型家族，每个模型的窗口各不相同，因此请核实你所路由模型的实际上限，而不要假设一个统一值。
微调
在附加数据上继续训练基础模型，使其行为适配某个领域或任务，产出一组修改后的模型权重。
在 MonkeyCode 的语境中
微调是让编程模型专业化的一种方式，区别于提示或检索。某个 MonkeyCode 部署使用的是微调模型、基础模型还是外部托管模型，取决于你配置的模型，应针对你的部署确认。
检索增强生成
一种技术：在请求时检索相关文档或代码并作为上下文提供给模型，使答案依据具体来源而非仅凭模型训练。
在 MonkeyCode 的语境中
RAG 会影响哪些仓库内容和密钥进入模型端点，因此它既是能力也是数据流问题。把检索到的上下文纳入你的信任边界与出站审查，而不要当作无形的便利。
模型上下文协议
一种开放协议，标准化 AI 应用连接外部工具和数据源的方式，使 agent 能通过统一接口调用能力。
在 MonkeyCode 的语境中
MCP 是生态层面的标准，而非 MonkeyCode 专属功能。若你依赖 MCP 集成，请在评估的版本中核实支持情况、版本以及每个已连接服务器的信任边界。
软件物料清单
一份正式、机器可读的清单，列出构成某软件的组件与依赖，用于追踪来源和已知漏洞。
在 MonkeyCode 的语境中
对自托管平台而言，SBOM 帮助你审计实际运行了什么，并对已披露的漏洞做出响应。生成和评审 SBOM 是你这一侧的运维实践，而非对任何组件安全性的声称。
供应链安全
保护你所依赖的软件——软件包、镜像、构建步骤和更新路径——在抵达你的系统之前不被篡改或攻陷。
在 MonkeyCode 的语境中
AI 编程平台把模型端点、软件包安装和镜像拉取都加入了供应链。请固定并验证来源、审查更新路径，并把构建与依赖步骤视为需在你的部署中控制的攻击面。
数据外泄
未经授权将数据传出系统，无论是攻击者、配置错误的集成，还是权限过大的进程所致。
在 MonkeyCode 的语境中
对 AI 编程工具而言，相关路径包括模型 API、日志、遥测、软件包源和 Git 提供商。出站控制和按任务的凭据范围决定了被攻陷的任务能向外发送多少——在把专有代码交给任何环境前先梳理这些路径。
持续集成
在每次改动合并时自动构建和测试的实践，使集成问题尽早暴露、交付始终保持可发布。
在 MonkeyCode 的语境中
AI 生成的改动仍要经过 CI，测试、检查和安全扫描在此充当验收门。衡量 agent 对交付稳定性的影响，意味着关注 CI 结果——通过率、回滚率和变更失败率——而不只是接受速度。
代码评审门
一个必需的人工评审步骤，改动必须通过它才能合并或部署，把改动的问责保留在人身上。
在 MonkeyCode 的语境中
评审门是团队在 AI 提议改动时保持人在回路的方式。MonkeyCode 的官方定位是运行和评审有边界任务的平台；把生成的 diff 当作仍需评审、测试和安全检查的提案。
可复现性
按照记录的相同方法、输入和环境能够再次得到某结果的性质——是信任一项测量的基础。
在 MonkeyCode 的语境中
可复现性把可信的试点与个例区分开。请记录任务集、提交、模型版本、设置和结果，使意外结果可以被重新检验，而不是靠信任接受。
按用量计价
一种计价方式：成本随可测量的消耗（如处理的 token 或运行的任务）而变，而非固定的按席位订阅。
在 MonkeyCode 的语境中
模型用量通常按 token 计费，因此总成本取决于真实工作负载，而非头条费率。请测算你自己的 token 量和并发；在高强度 agent 使用下，很低的单 token 价也可能产生高额账单。
氛围编程
一种非正式工作流：用自然语言描述意图并以松散评审接受 AI 生成的代码，该词于 2025 年流行。
在 MonkeyCode 的语境中
氛围编程适合原型和探索，但一旦产物需要被维护、加固并上线就变得危险。工程上的问题是在哪里把结构补回来——验收标准、评审和测试——这与受管、可评审的任务执行处于光谱的两端。
自带密钥（BYOK）
一种模型接入方式：由你提供自己的模型提供商 API 密钥或端点，请求计入你的账户、按你的提供商条款运行，而不是走工具厂商的账户与条款。
在 MonkeyCode 的语境中
BYOK 把模型关系——成本、数据条款和可用模型——转移到你这一侧。MonkeyCode 在平台层跨提供商管理模型；某个版本是否需要你自备密钥或私有端点，属于部署配置细节，应在你的环境中核实。
开放权重模型
一种可公开下载训练权重、从而可自托管推理的模型——这与 OSI 认证的开源不同，因为随附的许可证仍可能限制使用。
在 MonkeyCode 的语境中
开放权重让团队能在自己的边界内运行模型，对数据主权敏感的场景是真实选项。权重许可证是与平台许可证相互独立的法律审查：采用前请确认商用、再分发与禁止用途条款。
异步编程 agent
一种在后台（通常在云端环境）处理有边界任务、并返回诸如 Pull Request 结果的 agent，而不是在键盘上交互式地编辑。
在 MonkeyCode 的语境中
异步 agent 把评估问题转移到：环境在哪里运行、它能访问哪些仓库数据、结果如何评审。该类别既涵盖厂商托管的后台 agent，也涵盖运行在你可自行运维环境中的平台任务。
数字运营韧性法案（DORA）
一项欧盟法规，要求金融实体对 ICT 风险管理、事件处理、韧性测试和 ICT 第三方风险负责——与 DevOps 的“DORA 指标”（交付效能）是两个不同概念。
在 MonkeyCode 的语境中
AI 编程平台属于 DORA 范围内的 ICT 工具：厂商托管的 agent 成为需评估的 ICT 第三方依赖，而自托管平台则把同样的义务转移到你自己的控制与证据上。本条为一般信息，非法律意见；具体适用范围请与法律顾问确认。
从定义到决策