在金融、國防、醫療與高科技製造等高度受管制的產業中，研發技術主管往往面臨艱難的抉擇：第一線工程師渴望引進 AI 程式碼自動補全工具以大幅提升開發效率，但資訊安全與法務部門則堅決禁止專有原始碼流出企業防火牆，亦不允許程式碼被第三方廠商用於訓練模型。
Tabnine 透過企業級私有化與完全實體隔離（Air-Gapped）架構解決了這項矛盾。企業研發團隊可將 Tabnine 的 Kubernetes 推論叢集直接部署於內部資料中心或受管虛擬私有雲（VPC）中，使程式碼補全運算完全在企業內部網路的安全邊界內完成。結合 Tabnine 的零資料保留（Zero Data Retention）政策與僅採用寬鬆開源授權訓練的基礎模型，企業得以在徹底防範智慧財產權外洩的前提下，規模化導入生成式 AI 輔助開發。
整體架構：實體與邏輯隔離如何運作
傳統的 SaaS 模式 AI 程式碼輔助工具會將開發者的程式碼片段、相關檔案內容及游標周邊資訊經由網際網路傳送至雲端 API。Tabnine Enterprise 則採用私有自託管架構，全面切斷對外部公用服務的依賴。
+-----------------------------------------------------------------------+
| 企業內部網路 / 實體隔離安全邊界 (Air-Gapped Perimeter) |
| |
| +-----------------------+ +-----------------------------+ |
| | 開發者工作站 | | Tabnine 內部 Kubernetes 叢集 | |
| | - VS Code 外掛模組 | HTTPS | - Ingress 控制器 (TLS) | |
| | - JetBrains 外掛模組 |---------->| - 模型推論 Pod (GPU 加速) | |
| | - Eclipse / CLI 工具 | (mTLS) | - PostgreSQL 與 Redis 狀態庫 | |
| +-----------------------+ | - 企業上下文引擎 Context | |
| +-----------------------------+ |
| | |
| +-------------v---------------+ |
| | 企業內部私有儲存 | |
| | - 私有微調模型權重 | |
| | - 內部映像檔倉庫 (Harbor 等) | |
| +-----------------------------+ |
+-----------------------------------------------------------------------+
X [完全阻斷對外連線]
網際網路 / 第三方雲端 API
這套私有化架構奠基於三層嚴密的安全防線：
- 網路邊界：推論服務與所有應用程式 Pod 均運作於內部 Kubernetes 叢集內。用戶端與伺服器之間的通訊全程採用內網 HTTPS。在完全隔離環境下，防火牆出站規則會阻絕所有外部流量。
- 資料邊界：Tabnine 奉行嚴格的「零資料保留」政策。補全請求僅在 GPU 顯示記憶體中進行暫時性（Ephemeral）推論運算，回傳結果後即刻釋放記憶體。系統絕不會將提示詞儲存於磁碟，亦不會收集客戶程式碼用於模型再訓練。
- 智慧財產權（IP）邊界：Tabnine 的基礎模型僅使用具備寬鬆開源授權（如 MIT、Apache 2.0、BSD-2/3-Clause）的程式碼進行訓練，避免 GPL 等具傳染性之開源授權條款對企業商業軟體造成法律風險。
基礎環境與硬體規格需求
在企業內部叢集安裝 Tabnine Enterprise 之前，請確認基礎架構符合以下硬體與軟體規格標準：
| 元件名稱 | 基本運作需求 | 生產環境建議配置 |
|---|---|---|
| Kubernetes 叢集 | Kubernetes 1.25+；裸機、OpenShift 或私有 VPC 叢集 | 具備獨立 GPU 節點池的高可用性多節點叢集 |
| 運算硬體 / GPU | 1 張 NVIDIA GPU（A10G 或 V100 16GB+ 顯存，適合初期評估） | 多張 GPU 節點（NVIDIA A100 80GB、L40S 或 H100；例如 Dell PowerEdge AI 伺服器） |
| 關聯式資料庫 | PostgreSQL 18+（外部受管或叢集化） | 具備加密永續磁碟的高可用外部 PostgreSQL |
| 記憶體快取 | Redis 8+ | 啟用持久化機制的叢集化 Redis |
| 永續儲存空間 | 5 TB 可用永續儲存空間 | 基於 Ceph 或 SAN 架構之高效能 SSD/NVMe 儲存空間 |
| 容器映像檔倉庫 | 具備連線至 registry.tabnine.com:443 之權限（線上拉取） | 內部私有 OCI 映像檔倉庫（如 Harbor、Artifactory），供離線同步 |
| 網路與憑證 | 內部專屬 FQDN 網域名稱；內部 DNS 解析能力 | Ingress 控制器（NGINX 或 Envoy）；受信任的企業內部根 CA 憑證 |
第一步驟：部署私有 Tabnine 伺服器叢集
企業平台維運團隊可使用 Tabnine 官方提供的 Helm Chart 完成叢集部署。
1. 映像檔鏡像備份與推送（完全隔離環境）
針對無法存取外部網路的受限環境，請先於具備過渡權限的伺服器拉取官方映像檔，並同步至內部映像檔倉庫：
# 登入 Tabnine 企業映像檔倉庫
docker login registry.tabnine.com -u <ORGANIZATION_KEY> -p <ORGANIZATION_SECRET>
# 下載核心服務與推論引擎映像檔
docker pull registry.tabnine.com/tabnine/enterprise-server:latest
docker pull registry.tabnine.com/tabnine/inference-engine:latest
docker pull registry.tabnine.com/tabnine/context-engine:latest
# 重新標記為企業內部 Harbor 倉庫路徑
docker tag registry.tabnine.com/tabnine/enterprise-server:latest internal-registry.corp.internal/tabnine/enterprise-server:latest
docker tag registry.tabnine.com/tabnine/inference-engine:latest internal-registry.corp.internal/tabnine/inference-engine:latest
docker tag registry.tabnine.com/tabnine/context-engine:latest internal-registry.corp.internal/tabnine/context-engine:latest
# 推送至企業內部映像檔倉庫
docker push internal-registry.corp.internal/tabnine/enterprise-server:latest
docker push internal-registry.corp.internal/tabnine/inference-engine:latest
docker push internal-registry.corp.internal/tabnine/context-engine:latest
2. 撰寫 Helm Values 參數檔案
建立針對內部網路與資源配額客製化的 values.yaml：
global:
domain: "tabnine.corp.internal"
imageRegistry: "internal-registry.corp.internal/tabnine"
airGapped: true
ingress:
enabled: true
className: "nginx"
annotations:
cert-manager.io/cluster-issuer: "internal-ca-issuer"
nginx.ingress.kubernetes.io/proxy-body-size: "64m"
nginx.ingress.kubernetes.io/proxy-read-timeout: "120"
hosts:
- host: "tabnine.corp.internal"
paths:
- path: /
pathType: Prefix
tls:
- secretName: tabnine-tls-cert
hosts:
- "tabnine.corp.internal"
database:
postgresql:
host: "postgres-ha.database.svc.cluster.local"
port: 5432
database: "tabnine_enterprise"
user: "tabnine"
existingSecret: "tabnine-db-credentials"
redis:
host: "redis-master.database.svc.cluster.local"
port: 6379
existingSecret: "tabnine-redis-credentials"
telemetry:
enabled: false
externalEndpoint: "" # 徹底關閉對 logs-gateway.tabnine.com 的遙測外連
inference:
resources:
limits:
nvidia.com/gpu: 2
cpu: "16"
memory: "64Gi"
requests:
nvidia.com/gpu: 2
cpu: "8"
memory: "32Gi"
3. 安裝與驗證叢集服務
在指定的命名空間中執行 Helm 安裝：
helm upgrade --install tabnine-enterprise ./tabnine-helm \
--namespace tabnine \
--create-namespace \
-f values.yaml
部署完成後，驗證 Pod 與 GPU 資源運作狀態：
kubectl get pods -n tabnine -l app.kubernetes.io/part-of=tabnine
kubectl get ingress -n tabnine
第二步驟：管理控制台安全強化與單一登入（SSO）整合
伺服器端點（https://tabnine.corp.internal）上線後，系統管理員應登入 Tabnine 管理後台設定防護政策：
1. 強制採用企業單一登入（SSO）
前往管理後台之「驗證與安全性」設定頁：
- 啟用 SAML 2.0 或 OIDC 協定，整合企業身分識別提供者（如 Okta、Microsoft Entra ID、PingFederate）。
- 嚴格限制僅允許特定企業群組或授權名單內的工程師存取服務。
- 設定連線階段逾時機制，並在身分認證層強制執行多因素驗證（MFA）。
2. 停用外部遙測資料傳輸
在實體隔離及高安全性專網中：
- 確認已停用所有向外部伺服器發送錯誤回報或匿名指標的遙測設定。
- 將稽核日誌與系統效能監控數據全數導向內部 SIEM 監控平台（例如 Splunk、Elasticsearch 或 Prometheus）。
3. 模型治理與企業上下文控制
- 模型選用：指定使用經企業審核之寬鬆授權基礎模型，或載入內部專屬微調模型。
- 程式碼儲存庫存取授權：若啟用企業上下文引擎（Context Engine）執行檢索增強生成（RAG），僅授予最小權限的唯讀 Token，所有索引用之向量資料皆妥善存放於內部儲存空間。
第三步驟：開發者終端 IDE 外掛模組設定
為確保工程師的開發環境均連線至企業內部私有伺服器，需完成終端 IDE 的統一設定。
Visual Studio Code 設定
方式一：圖形化介面引導
- 於 VS Code 外掛市場安裝 Tabnine Enterprise（離線環境可透過內部套件庫下載
.vsix檔案安裝）。 - 安裝完成並重新載入後，VS Code 將出現提示視窗：「Tabnine: Please set your enterprise server URL」。
- 輸入內部伺服器位址：
https://tabnine.corp.internal。 - 點選 Sign In，透過瀏覽器進行內部 SSO 驗證。
方式二：集中組態政策部署 (settings.json)
透過企業端點管理系統（MDM）或自動化工具將設定寫入工程師環境：
{
"tabnine.cloudHost": "https://tabnine.corp.internal",
"tabnine.receiveBetaChannelUpdates": false
}
JetBrains 系列 IDE（IntelliJ IDEA、PyCharm、WebStorm 等）
離線環境專用外掛更新來源
在無法連線至 JetBrains Marketplace 的封閉環境中：
- 開啟 Settings / Preferences (
Ctrl+Alt+S或Cmd+,)。 - 進入 Plugins > 齒輪圖示 ⚙ > Manage Plugin Repositories...。
- 加入內部外掛來源網址：
https://tabnine.corp.internal/update/jetbrains/updatePlugins.xml - 搜尋 Tabnine Enterprise 並點擊安裝。
設定伺服器主機網址
- 進入 Settings > Tools > Tabnine。
- 找到 Server URL 輸入欄位。
- 輸入
https://tabnine.corp.internal。 - 儲存並重新啟動 IDE，完成 SSO 登入驗證。
內部根憑證（Root CA）與企業 Proxy 處理
若企業內部網路啟用 SSL 封包檢查或使用自建 CA 簽發憑證，可能導致 IDE 連線時發生憑證握手錯誤：
- VS Code（Node.js 執行階段）：於作業系統環境變數設定內部根憑證路徑：
export NODE_EXTRA_CA_CERTS="/etc/ssl/certs/corporate-root-ca.pem" - JetBrains（JVM 執行階段）：前往 Settings > Tools > Server Certificates 匯入企業根憑證，或將 PEM 憑證匯入至 Java 的
cacerts金鑰儲存庫中。
命令列與自動化環境
在 CI/CD 自動化建置腳本或容器環境中，可藉由環境變數指定伺服器：
export TABNINE_HOST="https://tabnine.corp.internal"
防洩漏機制：四重架構防護
針對資安與法務稽核要求，Tabnine 私有化架構透過四重機制確保專有程式碼安全無虞：
+-------------------------------------------------------------------------------+
| 程式碼外洩防護體系 |
+-------------------------------------------------------------------------------+
| 1. 實體與網路層隔離 |
| - 叢集運行於企業內部區域網路或私有 VPC；防火牆全面阻斷對外連線 |
| - 支援完全離線離網架構，無任何外部 API 連線風險 |
+-------------------------------------------------------------------------------+
| 2. 暫時性記憶體推論 (零資料保留) |
| - 提示詞與上下文程式碼僅於 GPU 顯示記憶體中即時計算 |
| - 回傳補全結果後立即釋放記憶體，絕不寫入磁碟或保留記錄 |
+-------------------------------------------------------------------------------+
| 3. 模型訓練邊界隔離 |
| - 客戶專有程式碼絕不會傳送至外部作為通用模型訓練素材 |
| - 私有微調與嵌入向量僅存放於企業內部受控硬體與儲存媒體 |
+-------------------------------------------------------------------------------+
| 4. 智慧財產權潔淨度保證 |
| - 基礎模型僅採用 MIT、Apache 2.0、BSD 等寬鬆開源授權專案進行預訓練 |
| - 徹底規避 GPL 等具傳染性之開源授權風險 |
+-------------------------------------------------------------------------------+
1. 僅限顯示記憶體運算，杜絕磁碟殘留
當開發者在編輯器中編寫程式碼時，外掛程式會打包當前檔案與相鄰游標脈絡，經由加密連線發送至內部推論節點。模型於 GPU 顯示記憶體中即時運算產生候選程式碼片段，完成傳輸後立即清除該連線的記憶體緩衝區。整套流程完全不落盤，亦不留存輸入程式碼之記錄檔。
2. 排除模型訓練污染風險
許多公有雲 AI 輔助軟體在服務條款中預設保留使用者資料以供模型精進之用。Tabnine 在法律合約與架構層面均嚴格保證：通用基座模型永不攝入企業客戶專有資料；若企業選擇建立專屬微調模型，該微調流程亦僅在企業內部指定硬體上運作，模型檔案權限完全由企業掌控。
3. 雙向智慧財產權合規保護
程式碼防護除了防範「專有資產向外流失」，亦需阻擋「具授權疑慮之程式碼侵入內部」。Tabnine 在模型訓練初期即過濾排除所有具 Copyleft 傳染性之開源專案，確保所建議的程式碼片段不會對企業核心商業產品造成授權侵權疑慮。
部署模式比較與決策建議
| 評估項目 | 多租戶公有雲 SaaS | 私有虛擬私有雲 (VPC) | 實體隔離地端部署 (Air-Gapped) |
|---|---|---|---|
| 主機託管位置 | Tabnine 雲端設施 | 企業自主 AWS / GCP / Azure 帳號 | 企業實體資料中心 / 裸機伺服器 |
| 資料安全邊界 | 傳輸加密，暫態運算 | 嚴格受限於企業 VPC 邊界內 | 完全阻絕外部網路，內網閉環 |
| 網際網路依賴 | 必須持續保持連網 | 僅需內部虛擬網路互通 | 零外部網路依賴，完全自給自足 |
| 硬體與維運成本 | 零硬體管理成本 | 中等（需管理雲端 K8s 叢集） | 較高（需投資專屬 GPU 伺服器） |
| 合規認證適用 | SOC 2 Type II, GDPR | HIPAA, PCI-DSS, SOC 2 | 國防工業、金融核心、主權機密 |
| 升級維護方式 | 雲端即時無感升級 | 規劃排程更新容器映像檔 | 手動同步映像檔與組態部署 |
決策建議
- 選擇私有 VPC 方案：若企業大部分業務系統已建構於公有雲上，且具備雲原生維運能力，私有 VPC 可在無需採購實體硬體的前提下，完整實現網路隔離。
- 選擇實體隔離地端部署：若研發涉及國防安全、關鍵基礎設施、核心金融交易演算法，或辦公室屬於封閉隔離專網，應採用純地端裸機部署方案。
- 僅在符合合規規範時採用標準 SaaS：若法規與內部政策允許加密暫態外聯，且團隊希望將基礎設施維護負擔降至最低，標準 SaaS 是導入成本最低的選擇。
上線前維運檢核清單
在全面推廣至所有研發團隊之前，請逐項確認以下檢查項目：
- 出站流量稽核：利用網路封包監控工具確認，開發者觸發程式碼補全時，工作站與推論伺服器均無任何向外部公開 IP 發送之流量。
- 內部 DNS 與 TLS 憑證驗證：確認所有開發者電腦皆能解析
tabnine.corp.internal至內部 Ingress 位址，且連線未出現憑證警示。 - SSO 驗證防護：確認未經內部 SSO 授權之非企業帳號無法呼叫後端推論服務。
- 關閉外部遙測回傳：檢視各 Pod 環境變數，確保對
logs-gateway.tabnine.com之連線均已關閉。 - IDE 設定集中派送：抽樣檢查工程師開發環境，確認 VS Code 及 JetBrains 已正確指向內部伺服器端點。
透過建構內部專屬的推論叢集，並落實嚴謹的網路隔離與零資料保留策略，企業研發團隊便能在享有 AI 程式碼輔助效益的同時，確保專有智慧財產權資產得到最高等級的防護。