无互联网的离线编码环境：完全本地开发设置 (2026)

快速事实

• 堆栈： Qwen3-Coder 30B（或7B）+ Continue.dev或Aider + Devdocs（或Zeal）+ Verdaccio（npm）和devpi（pip）+ ripgrep和rga。
• 总磁盘： 取决于语言覆盖范围和是否缓存Stack Overflow转储约50～80GB。
• 硬件甜蜜点： Apple M5 MacBook Pro 64GB。统一内存意味着30B模型和你的编辑器和Docker共享一个池。
• 离线vs在线质量： 模型本身相同 – 自动完成、重构、代码审查感觉一样。摩擦在模型周围，不在其中。
• 离线延迟： M5上大约280ms自动完成（当你有信号时比到Copilot服务器的往返更快）。
• 完全开源： Ollama（MIT）、Continue.dev（Apache）、Aider（Apache）、Qwen3-Coder（开放权重）、Devdocs（MPL）、Zeal（GPL）。
• 更新： 设置是"快照然后运行" – 一旦所有内容被缓存，它保持最新直到你选择刷新。在线更新，然后再离线。

离线堆栈

14小时飞行测试：实际发生了什么

• 第1小时 – 取出笔记本、打开前晚克隆的Next.js项目。 Continue.dev已经指向localhost:11434的Ollama。在想要重构的函数上按Cmd+I。差异在2秒内出现。接受。模型是加载到内存的Qwen3-Coder 30B Q4_K_M；自我打包后就一直在那。
• **第3小时 – 需要添加新的依赖项：@tanstack/react-query。** 运行npm install。Verdaccio从本地缓存提供它（我在家作为烟雾测试运行了npm install）。总耗时：4秒。在tcpdump中观察到的无网络调用（是的，我检查了 – 这是那种飞行）。
• 第5小时 – 忘记了Zod方法的确切签名。 在浏览器标签页中打开Devdocs。Zod docset被包含。8秒内找到答案。无"加载…"旋转器。
• **第6小时 – 尝试安装不在缓存中的包：vitest-html-reporter。** npm install从Verdaccio失败，出现404。这是第一堵墙。后备：我本地克隆了repo、手动将源代码复制到node_modules、修补package.json指向本地路径。用了12分钟。修复是预防性的：离线前预热任何你可能需要的缓存。
• 第8小时 – 询问模型关于2月2026年发布的库。 它自信地幻视了API。Qwen3-Coder的训练截止是2025年10月；2月2026年的API不在训练数据中。修复：我在飞行前用rga本地索引了库的repo。搜索实际源代码。找到真实签名。教训：模型知道在其训练数据中是什么；对于任何更新的，文档和源代码是你的权威。
• 第11小时 – 运行完整测试套件。 423个测试、4.7秒。无回归。测试运行器不在乎网络。
• 第13小时 – 无推送。 Git提交本地累积。飞机着陆时，我在机场酒廊运行一次git push。17个提交一起推送。本地第一个git模型使这成为可能 – 唯一网络依赖步骤是最终推送。
• 净结果： 部署了一个真实功能、修复了两个bug、写了11个新测试、三个提交我仍然为之自豪。生产小时数：14小时中约11小时（其余是吃饭、睡觉、在第6小时处理流氓依赖）。设置在仅这一次飞行就为自己付费。

离飞前检查清单：编号步骤

1. 1
   拉取本地LLM。ollama pull qwen3-coder:30b（16GB机器是:7b）。用ollama run qwen3-coder:30b "say hi" – 它应该在秒内响应进行验证。
2. 2
   安装并配置Continue.dev（或Aider）。打开VS Code、安装Continue.dev扩展、编辑~/.continue/config.json指向http://localhost:11434（Ollama默认）。通过打开文件并按Cmd+I测试。
3. 3
   预热项目的包缓存。cd进项目、运行npm install（或pip install -r requirements.txt、或cargo build、或go mod download）。Verdaccio、devpi或Cargo将在第一次运行时将所有内容缓存到磁盘。
4. 4
   运行可能需要的任何可选依赖项的示例安装。如果你可能在飞行中添加@tanstack/react-query或zod，现在在暂存目录中对它们运行一次性npm install。包会进入缓存。
5. 5
   预克隆你可能引用的repos。git clone --mirror是最安全的 – 你获得完整历史和所有分支而无需稍后的网络。
6. 6
   同步Devdocs（或下载你需要的Zeal docsets）。在Devdocs中，选择Settings → Disable Auto-update → Download All。你需要的docsets（TypeScript、Node、React、Python、Rust）会本地到达。
7. 7
   预拉取你可能使用的任何Docker镜像。docker pull node:20-alpine、docker pull postgres:16等。当你后来docker compose up时它们将从本地存储提供。
8. 8
   在项目上运行一次测试套件。在你离地球35,000英尺远的网络之前会捕获缺失的构建工件（编译的TypeScript、生成的Prisma客户端）。
9. 9
   断开连接30分钟并重新测试。关闭Wi-Fi、禁用移动蜂窝并尝试进行5分钟的真实工作。任何失败的东西 – 现在修复、不在登机口。
10. 10
    给所有东西充电。电池是缓存未命中之后的第二个离线故障模式。M5 MacBook Pro上2小时的LLM使用大约燃烧电池的30～40% – 相应计划并带一个笔记本级USB-C电源组。

硬件：为什么64GB统一内存的M5 MacBook Pro赢

• 统一内存意味着模型不"在VRAM中"也不"在系统RAM中" – 它在内存中。 当你加载Qwen3-Coder 30B Q4_K_M（约18GB）时，它保持驻留；切换到Docker compose堆栈不会驱逐它。在具有16GB VRAM和32GB系统RAM的离散GPU笔记本上，交换模型每次切换成本5～10秒。
• 30B模型舒适地适应24GB；64GB为其他所有内容留下余地。 有64GB你可以加载模型、三个Docker容器（数据库、redis、沙箱）、VS Code、带Devdocs的Chromium标签页、终端多路复用器全都运行无缓慢。
• 负载下的电池寿命：6～8小时。 这涵盖了大多数带USB-C电源组的飞行。M5是迄今为止为消费级用户提供的持续LLM推理最节能的芯片 – 能量每令牌的数字大约比离散GPU笔记本相同吞吐量好3倍。
• 在安静的飞行上无风扇噪音。 M5机箱在持续时间内被动运行30B模型。离散GPU笔记本在推理负载下听得见地旋转风扇 – 在家没问题，但在第27行是社会问题。
• 离散GPU替代方案在原始吞吐量上有竞争力但成本更多折中。 Razer Blade 16带RTX 4090移动（16GB VRAM）运行30B模型时tokens/sec比M5更高，但推理下电池寿命约2小时、风扇噪音重要、16GB VRAM上限意味着你也不能保存32K上下文配置或在模型旁边运行数据库Docker容器。
• 对于更深的硬件排名， 参阅Best Laptops for Local LLMs in 2026 – 该文章按tokens/sec、电池寿命、总系统内存对所有可行选项（M系列Macs、ROG Strix、Razer Blade、Framework 16）进行排名。

为离线工作选择正确的本地模型

• Qwen3-Coder 30B Q4_K_M（约18GB）– 推荐默认。 TypeScript、Python、Rust、Go自动完成的同类最佳；可靠的工具调用；处理32K令牌上下文。需要24GB可用内存（Apple Silicon系统RAM、离散GPU VRAM）。
• Qwen3-Coder 7B Q4_K_M（约5GB）– 轻量级后备。 在8GB统一RAM或8GB VRAM上运行。日常工作的30B质量约80～85%；差距显示在多步重构和长上下文推理。如果你的笔记本具有少于24GB内存或者你想让模型与重型Docker工作负载共存的正确选择。
• DeepSeek Coder V3 – 如果你需要非常长的上下文选择这个。 DeepSeek的V3支持128K令牌；在一个提示中跨许多文件调试时有用。在磁盘上更大（Q4_K_M时约25GB）；原始质量大致等于Qwen3-Coder 30B。
• Codestral 22B – 速度选择。 比Qwen3-Coder 30B更快的自动完成；在工具调用和多步计划上较弱。如果你的离线工作流是自动完成主导的且你不使用代理工具的好处。
• 跳过： 无编码微调的13B以下通用模型（Llama 3.2 7B、Mistral 7B）和任何比Q4_K_M更严格的量化。两个在实际编码工作上明显失败。
• 对于包括每种语言HumanEval+分数的完整编码模型比较， 参阅Best Local Coding Models in 2026: Qwen3-Coder vs DeepSeek vs Codestral。

缓存依赖：npm、pip、cargo、go

• npm（Node.js）： 安装Verdaccio（npm install -g verdaccio）、指向npm（npm config set registry http://localhost:4873/）、在每个项目上运行npm install一次。Verdaccio本地缓存每个包；后续安装离线工作。缓存在~/.local/share/verdaccio/storage。
• pip（Python）： 最简单的模式是pip download -r requirements.txt -d ~/wheelhouse，然后用pip install --no-index --find-links ~/wheelhouse -r requirements.txt安装。多项目使用，devpi是更强大的选项 – 对Python的Verdaccio一样的形状。
• cargo（Rust）： cargo vendor将每个依赖项写入项目中的vendor/目录，加上一个.cargo/config.toml片段告诉cargo使用它。提交后，项目离线永远构建。Cargo也在~/.cargo/registry/cache缓存全局注册表 – 用cargo fetch预热此为大多数用例提供。
• go（Go）： 最简单的模式是每项目go mod vendor（Go写一个vendor/目录比如Cargo）。全局缓存，运行本地Athens代理设置GOPROXY=http://localhost:3000。
• pnpm和yarn（npm风味）： 指向Verdaccio就像你指向npm。pnpm的内容寻址存储离线友好；一旦包在存储中，每个项目共享它。
• Brew、apt、dnf（系统包）： 短期行程优先级较低但值得知道。brew bundle dump生成Brewfile你可以稍后重新运行；apt/dnf都有离线模式通过apt-get download和下载.deb/.rpm文件。

离线文档：Devdocs、Zeal、Stack Overflow转储

• Devdocs（网页应用、约3GB）。 一个独立的Progressive Web App，为约150种语言和框架镜像官方文档。打开devdocs.io、点击Settings、启用你使用的文档、点击"Make available offline"。浏览器缓存所有内容；之后在飞行模式下永久工作。
• Zeal（桌面应用、约5GB）。 一个原生桌面文档浏览器使用Dash docsets – 与macOS Dash应用相同的格式，但自由且跨平台。比Devdocs更好的键盘导航；更弱的搜索。选择一个或另一个；两个都过度。
• Stack Overflow数据转储（约8GB压缩）。 Internet Archive将官方Stack Exchange数据转储作为torrent托管。Kiwix这样的工具将其呈现为可浏览网站，或者你可以用Elasticsearch / SQLite-FTS为快速本地搜索索引。覆盖在转储日期切断 – 通常在几个月内 – 但对于一般编程问题很好。
• 项目特定文档。 对于你大量使用的库，克隆repo和文档网站源。大多数文档网站是静止的在docs/目录存在；mkdocs build或npm run docs:build生成本地网站你可以用python -m http.server提供。
• 模型本身对其训练数据中的事物计算为文档。 Qwen3-Coder 30B很好地知道标准库和主要框架 – TypeScript、React、Python stdlib、NumPy、AWS SDK。询问模型经常胜过搜索Devdocs这些。分割是"已知的模型、新的文档、源代码的未知"。

无Google的本地搜索

• **ripgrep（rg）– 代码的快速文本搜索。** 替换grep -r并在大型repos上运行10～50倍。自动读取.gitignore。"这个函数在哪里"的标准工具和"查找此API的所有调用者"。
• **rga（ripgrep-all）– ripgrep用于PDF、存档、其他二进制格式。** 透明搜索PDF、zip文件、gzipped日志、SQLite数据库、Office文档内。rga "query" .搜索ripgrep无法完成的每个文件格式，对纯文本回退到ripgrep。
• 用例1 – "我需要如何使用此API的示例"。 预克隆使用它的几个repos；rg "api_function_name" ~/code/examples以秒的一小部分返回每个实际调用网站。对于使用模式比文档更好。
• 用例2 – "此PDF规范的哪处说X"。 rga "specific phrase" ~/specs/。需要2分钟扫描的PDF变为200ms搜索。
• 用例3 – "无Stack Overflow的Stack Overflow"。 如果你用Kiwix或Elasticsearch索引Stack Overflow转储，针对转储的rg风格查询替换遗留主题的Google"stackoverflow"搜索。
• 对于快速代码问题，模型比搜索更快。 Continue.dev中的Cmd+L打开带有codebase的聊天作为上下文；"我们在哪里处理auth流"在1～2秒内返回正确的文件，无需你在搜索工具中键入查询。

哪个IDE完全离线工作

• VS Code – 完全离线工作；AI功能取决于你使用的扩展。 Continue.dev针对本地Ollama端点完全运行且是推荐配对。Cursor的内置Tab自动完成进行网络调用且无声性能下降。GitHub Copilot立即停止工作。
• JetBrains IDE（IntelliJ、PyCharm、GoLand、WebStorm）– 许可缓存后完全离线工作。 许可证服务器定期ping（个人许可证30天）但容忍扩展离线窗口。Continue.dev有有功能奇偶JetBrains构建。
• Vim和Neovim – 完全离线设计。 无许可证检查、无遥测。与Aider侧终端窗格配对；或用llm.nvim插件指向本地Ollama使用nvim。
• Emacs – 完全离线设计。 通过aidermacs与Aider配对或直接通过gptel调用本地Ollama HTTP API。
• Cursor – 部分离线。 IDE本身运行无互联网，但头条功能（Tab自动完成、Cmd+K代理）需要Cursor云路由。在Cursor内安装Continue.dev作为VS Code扩展绕过限制；在离线能力IDE内获得工作本地AI编辑器。
• 对于harness层特定的更深比较， 参阅Continue.dev vs Cline vs Aider: Best Local Coding Agent in 2026。

什么真的在离线时破裂（诚实列表）

• 安装全新第三方包。 无缓存命中、无后备除手动源供应。修复是预防性的 – 预缓存任何你可能想要、包括拉伸目标。
• 模型知识关于后期截止API。 Qwen3-Coder训练截止是2025年10月（2026年5月发布）；在那之后发布的API最多猜测。修复：克隆源、疑问时rg真实签名。从不信任模型关于比其训练数据更新的库。
• 任何需要OAuth或API认证往返的事。 登入云提供商、交换OAuth令牌、点击你的团队SSO门户 – 这些都离线不工作。修复：离起前做所有认证且依赖缓存令牌（通常12～24小时后过期）。
• 遥远服务的浏览器基测试。 如果你的测试点击真实API或staging环境，它们离线失败。修复：使用本地模拟（msw、nock、vcr）且预记录fixtures。
• 调用外部服务的图像和资产生成。 云基图像生成器、字体服务、CDN取回资产都失败。修复：将固定资产烤进repo或使用完全本地图像模型（那是独立堆栈）。
• "那个库叫什么"问题的修复是模型本身。 当你无法Google搜索时，问模型"X功能的包名是什么" – 对于它训练数据中的东西它80～90%正确回答。安装前针对包缓存检查。

之后更新模型和缓存

• **通过ollama pull的模型更新。** 当新Qwen3-Coder版本运送时，在线运行ollama pull qwen3-coder:30b。新权重替换旧的；前面版本消失除非你标记它（拉取前ollama tag qwen3-coder:30b qwen3-coder:30b-2026-05）。
• **包缓存在下一次在线更新npm install / pip install / cargo update。** 无特殊工作流 – 你的普通包管理器在线时继续工作且离线时冻结。
• Devdocs默认自动更新。 在飞行前禁用自动更新以避免在你有机场信号时的惊喜下载（Settings → Disable Auto-update）。
• Stack Overflow转储季度刷新。 Internet Archive每三个月发布新转储；想要更新覆盖时重新下载。
• 计划cadence： 模型和Devdocs每2～3个月、包缓存每项目开始新工作、Stack Overflow转储每6～12个月。这些都不紧迫除非你开始新工作。

与团队共享离线缓存

• Verdaccio也作为团队服务器运行。 指向小办公服务器Verdaccio、为每个人设置npm config set registry http://team-cache.local:4873/。新开发者自动获得缓存；离线旅行仅意味着预同步你在笔记本上需要的。
• 模型可以在团队Ollama服务器上托管。 肌肉办公机器ollama serve、当在办公室时指向团队服务器的每开发者Continue.dev配置、为旅行切换到localhost:11434（本地拉取模型）。
• Devdocs没有原生团队模式但是trivially可共享作为静止文件夹。 一次构建、在http://docs.team.local上主持、每个人书签。为旅行，个别开发者运行localhost实例。
• Git已经是团队可共享的。 办公网络中的本地Gitea或自主机GitLab给每开发者离办公repo访问；在个别笔记本上与git clone --mirror组合为旅行。
• 通过私有注册表的容器镜像。 小Harbor或Gitea组装注册表一次缓存镜像；旅行者在离开前docker pull到本地。
• 经济案例： 对于定期旅行的5开发者团队，共享缓存每月保存约250GB互联网下载且开启离飞前检查清单从60分钟到5。

设置离线编码堆栈的常见错误

• 错误1：忘记在旅行前离线测试设置。 最常见的失败是在机场找到缝隙。在家运行30分钟"熄灯"演练 – 关闭Wi-Fi、禁用蜂窝、尝试真实工作 – 在少于24小时前需要。
• 错误2：缓存仅你现在使用的包，不是你可能需要的。 如果有机会你可能在旅行中添加依赖项，在家运行一次烟雾测试。缓存将保存它。
• 错误3：启用Cursor的Tab自动完成且假设它离线工作。 它无法。IDE无声回退到无；你得零自动完成。要么在Cursor内安装Continue.dev作为VS Code扩展、要么直接使用VS Code。
• 错误4：使用7B下的模型为认真编码工作。 Sub-7B编码模型足够错过，你花费更多时间修复他们的输出比写代码。掉到Qwen3-Coder 7B最少；如果你的硬件无法处理，离线编码设置在此笔记本上无可行。
• 错误5：信任模型关于比其训练截止更新的库。 它将自信地幻视。对于在最后6个月内发布的任何东西，把模型的输出当作猜测且对照源代码检查。
• **错误6：跳过包缓存且假设npm install在机场酒廊足够快。** 酒廊Wi-Fi不可靠、下载停滞且你用一个半安装的依赖项树登机。前一天缓存。
• 错误7：忘记Docker镜像。 如果你的dev工作流使用docker compose up为数据库，镜像需要预拉取。首次docker compose up在飞行上无镜像是硬墙。

来源

• Ollama文档 — 官方模型库，包括Qwen3-Coder变体和为离线VRAM/RAM预算引用的量化级别。
• Continue.dev文档 — 设置指南、本地模型配置、离线能力自动完成和聊天工作流。
• Aider文档 — 终端CLI参考、本地模型设置、git本地离线工作流模式。
• Devdocs源 — 镜像官方文档为离线使用的网页应用；下载和PWA缓存说明。
• Stack Exchange数据转储（Internet Archive） — 季度Stack Overflow内容转储用作搜索的离线替换。

FAQ

相关阅读

• Replace GitHub Copilot With a Local LLM: Setup + Cost Comparison 2026 – 邻近目标：同样堆栈、不同框架（成本超离线）。如果你想首先成本数学阅读。
• Continue.dev vs Cline vs Aider: Best Local Coding Agent in 2026 – 哪个束缚完全离线工作、Continue.dev/Aider/Cline折中的深覆盖。
• Best Local Coding Models in 2026: Qwen3-Coder vs DeepSeek vs Codestral – 方程的模型一侧、每语言HumanEval+分数。
• Run AI on a Tablet: iPad and Android Local LLM Apps – 为旅行者想比笔记本轻的离线设备。
• Best Laptops for Local LLMs in 2026 – 硬件权限；将每个可行笔记本排名在tokens/sec、电池寿命、总系统内存。
• Write Better Code With AI – 提示技术改进代码生成任何模型、在线或离线。
• Power Local LLM Hub – 完整指南库覆盖编码、RAG、代理、创意工作。