先说结论把本地模型接入 Copilot Fusion并不会让GitHubCopilot 变成一个完全离线的 AI 编码代理。**2026 年 10 月 28 日GitHub 宣布了一项实验性预览允许 Copilot Fusion 把符合条件的本地模型纳入其智能路由在本地模型与云端模型之间动态分配任务。GitHub 同时明确表示路由决策仍然在云端做出。Copilot Fusion 是 GitHub Copilot 的模型路由与任务协调层。它会根据请求内容和可用模型选定一个模型再把该模型的输出送入后续的编码工作流。它回答的是由哪个模型来处理这个任务并不意味着整个编码工作流都在你的设备上运行。模型在本地运行和编码任务完全脱离网络运行是两件截然不同的事。前者已得到官方确认后者必须结合你的具体环境去验证。对于使用 AI 辅助编码的开发者来说评估这项功能可以归结为三个问题谁选择模型、由哪个模型执行推理、工具运行时访问了哪些资源。只有把这三个阶段拆开来看你才能判断哪些步骤在离线状态下仍能继续工作哪些代码数据可能离开你的机器以及接入本地模型是否真的降低了你的开发成本。本地模型都接进来了离线 Agent 为什么还没到因为能连通的端点、能被发现的模型和有资格被自动路由是三件不同的事而且不同客户端对本地模型的支持差异很大。这次更新首先落地在 Copilot CLI。在 Windows、macOS 和 Linux 上Copilot CLI 支持配置本地模型。开发者需要自己准备模型文件和推理运行时并通过本地 OpenAI 兼容端点一个 OpenAI 兼容服务接入。之后他们需要在设置中开启实验性的本地路由并在 Copilot Fusion 中选择 Standard 模式。只有完成这些步骤符合条件的本地模型才会被纳入自动分配的考虑范围。在实践中本地服务能连通只说明网络端点可用Copilot 能发现某个模型也只说明它出现在配置文件或模型列表里。它最终能不能进入 Copilot Fusion 的自动路由完全取决于产品界面、模型白名单GitHub 举例提到了 MAI Code 1.1 Flash 和 Qwen3.8 Flash Next以及你账号的功能权限。暴露一个 OpenAI 兼容端点并不意味着 Fusion 会自动调用那个模型。Copilot 桌面应用Copilot app的机制又不一样。它支持通过自带密钥BYOK连接并手动挑选兼容的本地模型但智能路由目前只支持由 Windows ML 托管的模型。在桌面应用里能手动选中某个本地模型不代表 Fusion 在自动路由时会选它。下面是两个客户端在本地模型支持上的差异。维度Copilot CLICopilot app桌面端操作系统支持Windows、macOS、Linux取决于桌面操作系统的版本和设置本地模型接入方式开发者自行部署模型和 OpenAI 兼容服务通过 BYOK 直接连接兼容模型Fusion 自动路由要求开启实验性本地路由、选择 Standard 模式并使用官方认可的模型智能路由目前仅支持由 Windows ML 托管的模型限制端点可用不等于自动路由可手动选择不等于自动路由该功能仍处于实验性预览阶段。在依赖它开展实际工作之前请先确认你的客户端版本、订阅等级、操作系统、所在地区以及官方文档中的最新支持列表。模型已经在你自己的机器上一个任务到底是怎么流转的一个完整的 AI 编码任务至少包含三个彼此独立的阶段云端路由、模型推理和工具执行。本地模型只接管其中的推理。假设你让 AI 改一个日期格式化函数、补上单元测试然后跑一遍测试命令。界面上通常只有一个输入框但在它背后这个请求会在路由、推理、工具执行之间反复循环。云端路由负责选模型。Copilot Fusion 用自己的一套评估逻辑把符合条件的本地模型和云端模型放在一起权衡。这次更新只是把本地模型加进了候选池并没有把路由器搬到你的电脑上。GitHub 已确认路由决策仍然在它的云服务器上做出。模型推理负责生成代码和回答。如果云端路由把请求发给本地模型代码生成就在你的硬件上运行如果发给云端模型计算就发生在云端。本地推理只说明模型在哪里计算并不代表整个交互都留在你的机器上。工具执行才真正改动项目。读取本地文件、写入代码修改、启动终端跑测试都依赖具体的工具Tool Execution。模型在文本里建议“跑一下测试”和系统真的去启动测试命令是两个不同的动作。工具运行时可能只读写本地文件也可能连接远程仓库、拉取第三方包或者调用外部网络 API。所以一个 AI 编码任务的真实路径是云端路由选定模型本地或云端模型完成推理工具负责把改动真正落到项目上。这正是大家评估本地 AI 编码工具时最容易混淆的地方。模型跑在哪里只说明推理发生在哪里模型由谁来选、工具会访问什么必须分开来看。[图 1路由、推理与工具执行]断网之后编码任务会卡在哪一步一个任务在离线状态下能否继续往下走取决于你是直接调用本地服务、在客户端手动选择模型还是依赖 Copilot Fusion 的自动路由。想摸清离线的边界就要按使用方式拆开来看。如果你跳过客户端直接把请求发给本地推理服务那你能确认的是这个服务在无网络时能否处理输入但这只证明了底层的模型服务可以离线运行。如果你在 Copilot 客户端里手动选择本地模型就要观察账号认证、会话状态以及其他支撑服务是否依赖网络。如果你用的是 Copilot Fusion 的自动路由云路由就是绕不过去的一道关卡。GitHub 已确认即使由本地模型完成推理Fusion 会话也不会变成完全离线。在做过针对性的离线测试之前与其急着下结论不如对几个具体行为留出验证的余地。连接断开时已经在途的请求能否完成。云路由请求失败时终端是返回明确的错误码还是触发回退。本地推理服务仍然存活时本地工具链能否继续执行未完成的步骤。网络恢复后被中断的任务能否从断点继续还是必须从头开始。这些都直接取决于客户端版本、配置、任务复杂度和工具依赖。更稳妥的验证方式是搭一个小而隔离的项目用编造的数据固定提示词然后在下面这三种场景里各跑一遍流程。1.联网本地推理服务开启。2.联网手动关闭本地推理服务。3.物理断网保持本地推理服务开启。对比这三次运行中错误出现的位置就能准确判断网络依赖究竟落在路由、推理还是工具执行这一层。本地模型就能保证代码隐私并降低成本吗本地模型只能把一部分推理留在你的设备上。单靠它并不能保证会话中的任何内容都不会被上传也不意味着成本会自动降低。你的代码数据流向何处许多团队为了合规与隐私而采用本地模型但隐私边界并不只取决于模型权重是否存放在本地磁盘上。一个完整的编码任务涉及提示词、项目上下文、代码文件内容、工具输出以及诊断日志。你需要逐项确认哪些字段会被打包进云端路由请求哪些内容完全由本地模型处理哪些遥测数据会被写入云端日志。可以确定的是Copilot Fusion 在云端做出路由决策。由于 GitHub 的公告尚未完整披露每次路由请求所携带的载荷内容团队既不能断言完整代码一定会被上传也不能假定云端只收到不含代码的元数据。除此之外工具执行阶段安装依赖、调用外部 API 进行测试、读写远程 Git 仓库同样会向外发送数据。对于保密要求严格的项目在你确认三件事之前不要把本地模型当作完整的隐私屏障哪些输入会发往云端、路由日志会保留什么、工具是否会访问外部服务。算力与总成本的叠加增加本地算力未必能让成本线性下降。一个团队的总成本至少包含三部分基础的 Copilot 订阅费用、消耗的云端模型配额以及本地运行大模型所需的硬件折旧、显存占用与维护投入。如果某个任务交给本地模型处理它是否仍会计入某种 Copilot 对话配额取决于 GitHub 实际的计费规则。如果在多轮对话中途把任务切回云端模型你还需要弄清这些云端调用如何计费。而且本地模型的效率并不只看原始生成速度。模型冷启动加载、长上下文预填充、工具调用耗时以及糟糕的代码改动导致的返工都会拉长交付一个完整任务所需的时间。如果没有同条件测试和账单记录作为支撑就为每个任务从开始到交付全程记录端到端指标首次响应时间、代码改动准确率、单元测试通过率、模型切换次数、已用云端配额以及需要人工介入的频率。这才是衡量真实投资回报的方式。如何用隔离环境与 ServBay 测试本地模型的边界搭建一个不含真实业务代码的迷你项目再搭配 ServBay 这类本地开发环境管理器。这样你就能以很低的成本复现并验证上面提到的每一条边界。开始之前先弄清楚每个工具各自的位置。以 ServBay 为例。它能很好地配合本地模型的工作流作为本地服务与开发环境的一体化平台帮助开发者快速搭起一个兼容 OpenAI 的本地端点、一个模型运行时或者一个隔离的测试项目。更准确地说应该把 ServBay 看作你 AI 开发工具的地基。测试通过之后你可以把结果整理成一份本地 agent 数据流检查清单记录模型状态、路由响应、工具调用和网络错误。这些都不需要真实的业务仓库。建一个小项目里面只放虚构的数据并锁定 Copilot CLI 的版本、本地模型比如 MAI Code 1.1 Flash 或 Qwen3.8 Flash Next以及推理服务的配置。然后给 AI 一条标准指令修改项目的日期处理函数、补充单元测试并自动运行测试命令。测试过程中在刚才说的在线与离线两种状态之间来回切换并记录五个检查点本地模型服务端是否记下了请求、云端路由是否放行、工具能否读写本地文件、测试脚本是否真的跑起来、错误出现在哪一个阶段。要把“本地服务关闭”和“断网”分开来看。前者主要检验客户端在缺少本地推理服务时如何应对后者检验云端路由和配套工具对网络的依赖有多深。另外测试过程中绝不要使用真实的 API key、私有业务代码或生产数据在公开任何测试日志或截图之前先把账号 token 和本地绝对路径清理干净。[图 2覆盖三种网络与本地服务状态的验证方案]该如何评估本地 AI 编程工具这次 Copilot Fusion 更新正式把本地模型纳入了智能路由。技术上的变化很明确Copilot CLI 可以配置本地模型并在各大操作系统上连接兼容的服务Copilot 桌面应用则可以连接并选择部分本地模型。限制同样明确路由决策依然留在云端本地推理并不会自动把一次编程会话变成离线智能体通过 BYOK 发现的模型也不会自动获得参与路由的资格。在评估任何声称支持本地模型的 AI 编程工具时不要只停留在“模型权重是否跑在你自己的电脑上”这一步。沿着任务链路往下追弄清楚幕后是谁在挑选模型、哪些步骤需要联网、工具在后台访问了哪些资源以及配额和成本是如何计算的。在隔离环境里把整条链路完整跑一遍本地推理、云端路由与工具执行之间的真实关系就会一目了然。
