Vibe Coding方案兜底准备1

纪伊路上盛名在

477人浏览 · 2026-04-24 00:35:28

纪伊路上盛名在 · 2026-04-24 00:35:28 发布

文章目录

背景
Claude Code
- 安装步骤
总结（核心要点）
Codex免费
copilot退潮之后，还剩下什么？

背景

按照工具形式来分，AI编程工具还是分为传统IDE+AI插件、AI原生IDE、CLI这么几种方式。

我本人用vscode用惯了，走的还是传统IDE+AI插件的形式。

比如说copilot插件（用国外模型），国内模型厂商比如说字节的trae等，

总之插件有很多，什么cline、Roo都是两三年前就火的了。

AI原生的IDE，以前试过Cursor，不过限于贫穷，没培养起来手感，一直没继续下去。

至于终端，基本上火起来的就那么几家，比如说是opencode、claude code、codex。

事情起因：老登我因为用惯了vscode copilot，其中各家model厂商提供更新，关注比较多的是model之间的bench，但是也没有充会员。

所以一直没有太关注最近一年内的Agent等AI进展，也不是很清楚各种最新工具的应用和进展，

也只是简简单单看过一些公众号。

这不某日，触发了copilot的rate limit，

我又闲了下来，想起来不能够简单地坐吃山空，毕竟我手头上有一批模型api，不能够白白浪费，

之前又接触过国内厂商的coding plan，也得做好完全准备，

就是至少得日后能够闭环使用国内AI模型执行工作流程，不然copilot一去就完蛋了，到时候退潮了发现自己除了退化到只能网页端点点点就来不及了。

国外御三家就claude
国内御三家就glm

要性价比就用国产模型，glm 5.1之类的。真便宜，在常见任务上效果也是第一梯队的
试试codex吧，可以自己薅每个新号一个月的免费plus，也可以买网上十块钱一个月的plus

其实对于国内的coding plan，那些所谓的要抢注册，抢的套餐，
抢的是比较便宜的plan，买api不用抢，直接充值然后创建api-key就行

用的opencode，接学校的glm也超级难用，一开始报错超出32768tokens限制，设置了输入输出限额后才能使，但运行起来也非常慢，感觉是共通问题。

学校几个模型试下来，也是只有deepseek和minimax算是可以用的（对于opencode），minimax运行最流畅。

至于cc和opencode还是不太适配（因为学校官方也只是想着让我们用这些api来养龙虾，而不是去用编程智能体）

Claude Code

安装步骤

我先尝试在windows上安装

1，WinGet安装Git

# powershell等win终端中
winget install Git.Git

2，官方原生安装命令

# 依旧终端
irm https://claude.ai/install.ps1 | iex

如果vpn有点问题的话，那还是用WinGet来一步一步安装

# 依旧终端
winget install Anthropic.ClaudeCode

注意要重启一下：再输入

claude

3，有了框架再接模型

前面只是借了claude code这个框架，但是配置的模型还没有定下来。

当然，claude自家也是有模型的，但是鉴于claude的风控，

以及注册账号的繁琐手续、对于vpn的严格要求，其实我是没有试过的

事实上，如果我有claude账号，我也不会做上面的操作。

所以，这里我们选择使用其他家的model，我之前博客中提到过国产各厂家自己的coding plan，

只能说，现在用国外主流模型财力不足，用用国内的还是可以的，至少还有模型可以用，而且费用可及。

CC switch

为了能够接入其他模型并且随意切换，我们这里用CC switch，当然也可以尝试使用claude code router

参考官网：https://github.com/farion1231/cc-switch

我们选择windows的

点击进去页面很简洁，可以看到其实不仅适用于Claude Code，Codex、小龙虾这些都能用

因为我们这里还没配置，所以目前只有Claude官方的模型配置，但是就像前面说的，我本人暂时没有办法和财力通过正规手段使用claude官方的模型，也许可以通过第三方厂商提供，或者试试国内神器的淘宝和某鱼，看看有没有hefa渠道。

然后下面这里就是新增模型配置

可以看到，模型提供商还是挺多的：

其中还有copilot

我们以质谱GLM为例，

其实要填的就两部分：API key获取，与模型配置

然后这里的话，有1个问题：
是买各家厂商自己coding plan

还是买模型提供商自家api

此处参考：https://claw.sjtu.edu.cn/guide/sjtu-api/

我主要使用GLM 5.0，然后下面是内部方案

3. 模型调用示例
模型地址 base_url：https://models.sjtu.edu.cn/api/v1
模型密钥 api-key：your_api_key（申请到的密钥）

查看当前可调用模型名称

curl -v 'https://models.sjtu.edu.cn/api/v1/models' -H 'Authorization: Bearer your-api-key'

然后返回的模型列表如下

{
    "data": [
        {
            "id": "qwen3coder",
            "object": "model",
            "created": 1677610602,
            "owned_by": "openai"
        },
        {
            "id": "deepseek-v3.2",
            "object": "model",
            "created": 1677610602,
            "owned_by": "openai"
        },
        {
            "id": "deepseek-reasoner",
            "object": "model",
            "created": 1677610602,
            "owned_by": "openai"
        },
        {
            "id": "glm-5",
            "object": "model",
            "created": 1677610602,
            "owned_by": "openai"
        },
        {
            "id": "minimax-m2.5",
            "object": "model",
            "created": 1677610602,
            "owned_by": "openai"
        },
        {
            "id": "minimax",
            "object": "model",
            "created": 1677610602,
            "owned_by": "openai"
        },
        {
            "id": "deepseek-chat",
            "object": "model",
            "created": 1677610602,
            "owned_by": "openai"
        },
        {
            "id": "qwen3vl",
            "object": "model",
            "created": 1677610602,
            "owned_by": "openai"
        }
    ],
    "object": "list"
}

基本上和前面的模型列表对应一致。

重要提醒：

调用模型时，请使用 API 返回的 id 字段（如 deepseek-chat）作为调用参数。请勿直接使用您在申请表格里填写的模型名称。
DeepSeek V3.2和MiniMax M2.5模型对应多个调用名，均可正常使用。

然后下面是使用示例，

常规文本对话（以 deepseek-chat 为例，Windows用户建议使用WSL，macOS、Linux用户终端运行即可）

curl --location --request POST 'https://models.sjtu.edu.cn/api/v1/chat/completions' \
--header 'Accept: application/json' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer your-api-key' \
--data '{
  "model": "deepseek-chat",
  "messages": [
    {
      "role": "system",
      "content": "You are a helpful assistant."
    },
    {
      "role": "user",
      "content": "请介绍上海交通大学"
    }
  ],
  "stream": false
}'

简单来说，这就是一条使用内部AI模型API的POST请求curl命令，然后用于调用deepseek-chat模型进行文本对话。向校内AI接口发送非流式对话请求，用deepseek-chat回答“我们提出的问题”，需替换your-api-key并在校网/VPN环境运行。

请求基础
- --location：跟随重定向
- --request POST：指定HTTP请求方法为POST
- 目标地址：https://models.sjtu.edu.cn/api/v1/chat/completions（交大本地大模型对话接口）
请求头
- Accept: application/json：接收JSON格式响应
- Content-Type: application/json：请求体为JSON格式
- Authorization: Bearer your-api-key：身份校验，需替换为申请的API-KEY
请求体（JSON）
- model: deepseek-chat：指定调用DeepSeek常规对话模型
- messages：对话上下文，含system设定与用户问题
- stream: false：关闭流式输出，一次性返回完整结果

深度推理对话（以 deepseek-reasoner 为例）

curl --location --request POST 'https://models.sjtu.edu.cn/api/v1/chat/completions' \
--header 'Accept: application/json' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer your-api-key' \
--data '{
  "model": "deepseek-reasoner",
  "messages": [
    {
      "role": "system",
      "content": "You are a helpful assistant."
    },
    {
      "role": "user",
      "content": "请介绍上海"
    }
  ],
  "stream": false
}'

我们可以看到，其中正常的回答在content中，然后推理的过程在 reasoning_content中，

请求方式：POST 访问交大本地大模型接口 https://models.sjtu.edu.cn/api/v1/chat/completions
身份校验：请求头携带 Authorization: Bearer your-api-key 完成鉴权
模型指定：model 设为 deepseek-reasoner，启用深度推理模式
对话结构：包含 system 设定与 user 提问，stream: false 表示一次性返回完整结果
返回特点：除正常回答外，会额外输出reasoning_content思考过程

图像模型调用示例

图片示例参考：https://studio.hpc.sjtu.edu.cn/dex/theme/logo.png

# 先下载图片并转为 base64
base64_logo=$(curl -s "https://studio.hpc.sjtu.edu.cn/dex/theme/logo.png" | base64 -w 0)

把一张在线图片，直接转成可以复制粘贴、纯文本格式的 Base64 编码字符串

curl --location --request POST 'https://models.sjtu.edu.cn/api/v1/chat/completions' \
--header 'Authorization: Bearer your-api-key' \
--header 'Content-Type: application/json' \
--data '{
  "model": "qwen3vl",
  "messages": [{
    "role": "user",
    "content": [
      {
        "type": "image_url",
        "image_url": {
          "url": "data:image/png;base64,'"$base64_logo"'"
        }
      },
      {"type": "text", "text": "Explain the details in the image."}
    ]
  }],
  "stream": false
}'

下载图片并转 Base64
用 curl 拉取 logo.png，直接通过管道转 base64 字符串存入变量 base64_logo。

发起 POST 请求
地址：https://models.sjtu.edu.cn/api/v1/chat/completions
鉴权：Authorization: Bearer your-api-key
模型：qwen3vl（多模态看图）

消息格式
传入 image_url，用 data:image/png;base64,... 拼接 Base64 图片
附带文本指令：Explain the details in the image.

关键约束
必须校内网 / VPN
图片必须是Base64 内嵌，不支持远程 URL
stream: false 表示一次性返回结果

因为前面还传出了代码，所以我们想看看这个代码到底是否可行（其中所有的null值我都替换为了None值）

import json
dict1 = {"id":"chatcmpl-f52ae84e-bcd3-4f67-b77a-43746b7ebbc8","created":1776833846,"model":"qwen3-vl-30b","object":"chat.completion","system_fingerprint":None,"choices":[{"finish_reason":"stop","index":0,"message":{"content":"这张图片展示的是一个标志（logo），包含以下元素：\n\n- 一个红色的希腊字母 π（pi）符号，其右下角有一个小的 \"2.0\" 标记，表示版本或系列。\n- 紧接着是黑色的 \"HPC Studio\" 文字。\n- \"Studio\" 中的 \"o\" 被一个红色的圆圈替代，圆圈中有一个白色的 \"C\"，这可能是 \"C\" 的变体，也可能代表 \"C\" 作为 \"C++\" 或 \"C\" 语言的象征。\n\n这个标志可能属于一个名为 \"HPC Studio\" 的公司或项目，其中 \"HPC\" 通常代表 \"High-Performance Computing\"（高性能计算），而 \"Studio\" 表示这是一个工作室或开发环境。\n\n要复现这个标志，我们可以使用 Python 的 `matplotlib` 库来绘制\n\n```python\nimport matplotlib.pyplot as plt\nfrom matplotlib.patches import Circle\nfrom matplotlib.text import Text\n\n# 创建图形和轴\nfig, ax = plt.subplots(figsize=(10, 2))\n\n# 设置背景为白色\nax.set_facecolor('white')\n\n# 添加 π 符号和 2.0\npi_text = ax.text(0.05, 0.5, r'$\\pi$', fontsize=100, color='red', transform=ax.transAxes)\n# 添加 2.0\ntwo_zero = ax.text(0.1, 0.55, '2.0', fontsize=20, color='red', transform=ax.transAxes)\n\n# 添加 HPC Studio 文字\nhpc_text = ax.text(0.2, 0.5, 'HPC Studio', fontsize=60, color='black', transform=ax.transAxes)\n\n# 修改 \"Studio\" 中的 \"o\" 为红色圆圈，内部有白色 \"C\"\n# 找到 \"Studio\" 中的 \"o\" 的位置\no_text = ax.text(0.55, 0.5, 'o', fontsize=60, color='red', transform=ax.transAxes)\n# 移除 \"o\" 文字\no_text.set_text('')\n\n# 添加红色圆圈\ncircle = Circle((0.55, 0.5), 0.05, color='red', fill=True, transform=ax.transAxes)\nax.add_patch(circle)\n\n# 在圆圈中添加白色 \"C\"\nc_text = ax.text(0.55, 0.5, 'C', fontsize=30, color='white', transform=ax.transAxes)\n\n# 隐藏坐标轴\nax.set_xlim(0, 1)\nax.set_ylim(0, 1)\nax.axis('off')\n\n# �\n\n```","role":"assistant","tool_calls":None,"function_call":None},"provider_specific_fields":{"stop_reason":None,"token_ids":None}}],"usage":{"completion_tokens":580,"prompt_tokens":93,"total_tokens":673,"completion_tokens_details":None,"prompt_tokens_details":None},"service_tier":None,"prompt_logprobs":None,"prompt_token_ids":None,"kv_transfer_params":None}
print(json.dumps(dict1, indent=4, ensure_ascii=False))

{
    "id": "chatcmpl-f52ae84e-bcd3-4f67-b77a-43746b7ebbc8",
    "created": 1776833846,
    "model": "qwen3-vl-30b",
    "object": "chat.completion",
    "system_fingerprint": null,
    "choices": [
        {
            "finish_reason": "stop",
            "index": 0,
            "message": {
                "content": "这张图片展示的是一个标志（logo），包含以下元素：\n\n- 一个红色的希腊字母 π（pi）符号，其右下角有一个小的 \"2.0\" 标记，表示版本或系列。\n- 紧接着是黑色的 \"HPC Studio\" 文字。\n- \"Studio\" 中的 \"o\" 被一个红色的圆圈替代，圆圈中有一个白色的 \"C\"，这可能是 \"C\" 的变体，也可能代表 \"C\" 作为 \"C++\" 或 \"C\" 语言的象征。\n\n这个标志可能属于一个名为 \"HPC Studio\" 的公司或项目，其中 \"HPC\" 通常代表 \"High-Performance Computing\"（高性能计算），而 \"Studio\" 表示这是一个工作室或开发环境。\n\n要复现这个标志，我们可以使用 Python 的 `matplotlib` 库来绘制\n\n```python\nimport matplotlib.pyplot as plt\nfrom matplotlib.patches import Circle\nfrom matplotlib.text import Text\n\n# 创建图形和轴\nfig, ax = plt.subplots(figsize=(10, 2))\n\n# 设置背景为白色\nax.set_facecolor('white')\n\n# 添加 π 符号和 2.0\npi_text = ax.text(0.05, 0.5, r'$\\pi$', fontsize=100, color='red', transform=ax.transAxes)\n# 添加 2.0\ntwo_zero = ax.text(0.1, 0.55, '2.0', fontsize=20, color='red', transform=ax.transAxes)\n\n# 添加 HPC Studio 文字\nhpc_text = ax.text(0.2, 0.5, 'HPC Studio', fontsize=60, color='black', transform=ax.transAxes)\n\n# 修改 \"Studio\" 中的 \"o\" 为红色圆圈，内部有白色 \"C\"\n# 找到 \"Studio\" 中的 \"o\" 的位置\no_text = ax.text(0.55, 0.5, 'o', fontsize=60, color='red', transform=ax.transAxes)\n# 移除 \"o\" 文字\no_text.set_text('')\n\n# 添加红色圆圈\ncircle = Circle((0.55, 0.5), 0.05, color='red', fill=True, transform=ax.transAxes)\nax.add_patch(circle)\n\n# 在圆圈中添加白色 \"C\"\nc_text = ax.text(0.55, 0.5, 'C', fontsize=30, color='white', transform=ax.transAxes)\n\n# 隐藏坐标轴\nax.set_xlim(0, 1)\nax.set_ylim(0, 1)\nax.axis('off')\n\n# �\n\n```",
                "role": "assistant",
                "tool_calls": null,
                "function_call": null
            },
            "provider_specific_fields": {
                "stop_reason": null,
                "token_ids": null
            }
        }
    ],
    "usage": {
        "completion_tokens": 580,
        "prompt_tokens": 93,
        "total_tokens": 673,
        "completion_tokens_details": null,
        "prompt_tokens_details": null
    },
    "service_tier": null,
    "prompt_logprobs": null,
    "prompt_token_ids": null,
    "kv_transfer_params": null
}

我们希望能够直接看到

dict1['choices'][0]['message']['content']

print(dict1['choices'][0]['message']['content'])

这张图片展示的是一个标志（logo），包含以下元素：

- 一个红色的希腊字母 π（pi）符号，其右下角有一个小的 "2.0" 标记，表示版本或系列。
- 紧接着是黑色的 "HPC Studio" 文字。
- "Studio" 中的 "o" 被一个红色的圆圈替代，圆圈中有一个白色的 "C"，这可能是 "C" 的变体，也可能代表 "C" 作为 "C++" 或 "C" 语言的象征。

这个标志可能属于一个名为 "HPC Studio" 的公司或项目，其中 "HPC" 通常代表 "High-Performance Computing"（高性能计算），而 "Studio" 表示这是一个工作室或开发环境。

要复现这个标志，我们可以使用 Python 的 `matplotlib` 库来绘制

```python
import matplotlib.pyplot as plt
from matplotlib.patches import Circle
from matplotlib.text import Text

# 创建图形和轴
fig, ax = plt.subplots(figsize=(10, 2))

# 设置背景为白色
ax.set_facecolor('white')

# 添加 π 符号和 2.0
pi_text = ax.text(0.05, 0.5, r'$\pi$', fontsize=100, color='red', transform=ax.transAxes)
# 添加 2.0
two_zero = ax.text(0.1, 0.55, '2.0', fontsize=20, color='red', transform=ax.transAxes)

# 添加 HPC Studio 文字
hpc_text = ax.text(0.2, 0.5, 'HPC Studio', fontsize=60, color='black', transform=ax.transAxes)

# 修改 "Studio" 中的 "o" 为红色圆圈，内部有白色 "C"
# 找到 "Studio" 中的 "o" 的位置
o_text = ax.text(0.55, 0.5, 'o', fontsize=60, color='red', transform=ax.transAxes)
# 移除 "o" 文字
o_text.set_text('')

# 添加红色圆圈
circle = Circle((0.55, 0.5), 0.05, color='red', fill=True, transform=ax.transAxes)
ax.add_patch(circle)

# 在圆圈中添加白色 "C"
c_text = ax.text(0.55, 0.5, 'C', fontsize=30, color='white', transform=ax.transAxes)

# 隐藏坐标轴
ax.set_xlim(0, 1)
ax.set_ylim(0, 1)
ax.axis('off')

# �


我们看看这个python代码能不能够运行

<!-- 这是一张图片，ocr 内容为： -->
![](https://cdn.nlark.com/yuque/0/2026/png/33753661/1776834802375-770a1b52-276e-494d-9895-abce245f2f0f.png)

效果还是非常不错的！

```python
import matplotlib.pyplot as plt
from matplotlib.patches import Circle
from matplotlib.text import Text

# 创建图形和轴
fig, ax = plt.subplots(figsize=(10, 2))

# 设置背景为白色
ax.set_facecolor('white')

# 添加 π 符号和 2.0
pi_text = ax.text(0.05, 0.5, r'$\pi$', fontsize=100, color='red', transform=ax.transAxes)
# 添加 2.0
two_zero = ax.text(0.1, 0.55, '2.0', fontsize=20, color='red', transform=ax.transAxes)

# 添加 HPC Studio 文字
hpc_text = ax.text(0.2, 0.5, 'HPC Studio', fontsize=60, color='black', transform=ax.transAxes)

# 修改 "Studio" 中的 "o" 为红色圆圈，内部有白色 "C"
# 找到 "Studio" 中的 "o" 的位置
o_text = ax.text(0.55, 0.5, 'o', fontsize=60, color='red', transform=ax.transAxes)
# 移除 "o" 文字
o_text.set_text('')

# 添加红色圆圈
circle = Circle((0.55, 0.5), 0.05, color='red', fill=True, transform=ax.transAxes)
ax.add_patch(circle)

# 在圆圈中添加白色 "C"
c_text = ax.text(0.55, 0.5, 'C', fontsize=30, color='white', transform=ax.transAxes)

# 隐藏坐标轴
ax.set_xlim(0, 1)
ax.set_ylim(0, 1)
ax.axis('off')

Python 调用示例

当然，这个是我们的重中之重了，我们当然不想要一直使用curl网络请求的方式去访问，

我们当然希望是能够以正常编程的形式去执行

import time
import requests

def query(messages):
    # ========== 基本配置 ==========
    url = "https://models.sjtu.edu.cn/api/v1/chat/completions"  # Local API address
    # ========== 请求参数 ==========
    headers = {
        "Content-Type": "application/json",
        "Authorization": "Bearer your-api-key"
    }
    messages = [{"role": "user", "content": f"{messages}"}]
    print("message:", messages)
    data = {
        "messages": messages,
        "stream": False,
        "do_sample": True,
        "repetition_penalty": 1.00,
        "temperature": 1e-5,
        "top_k": 20,
        "model": "deepseek-chat",  # Model name
    }
    while True:
        response = requests.post(url, headers=headers, json=data)
        if response.status_code == 200:
            return response.json()['choices'][0]['message']['content'].strip()
        else:
            # Check if there's a problem with rate limitation or sensitive word holdback when an example takes too long time
            time.sleep(5)
            continue

# --- 主程序 ---
if __name__ == "__main__":
    question = "请介绍下你自己？"
    print("--- 开始提问 ---")
    print(f"问题: {question}")

    answer = query(question)

    print("\n--- 模型答案 ---")
    print(answer)

回答还挺不错，但是deepseek-chat是两年前的模型了

当然，我们可以将这种个query-answer进行封装，我们只需要输入问题即可，然后指定模型名称，

另外我们可以将输出的内容进行1个styled，一般是markdown就格式漂亮一点。

请求头和请求体是按照前面的，然后我将这段代码又扔给了上述模型，进行二次解析，内容返回如下：

观感体验上是不是很像网页端AI

## 整体功能
**调用上海交大校内致远一号DeepSeek大模型API**的Python代码，、
实现：发送问题→请求AI接口→获取回复→打印答案。

---

## 逐段解析
### 1. 导入库
```python
import time
import requests

time：用来延时等待
requests：用来发送HTTP网络请求（调用API接口）

2. 定义核心请求函数 query(messages)

接收一个提问字符串，向交大模型接口发请求并返回AI回答。

url = "https://models.sjtu.edu.cn/api/v1/chat/completions"

交大校内大模型API接口地址（聊天 completions 接口）。

headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer your-api-key"
}

请求头：

数据格式是JSON
Authorization：身份认证，your-api-key是你申请的密钥，Bearer是固定认证格式

messages = [{"role": "user", "content": f"{messages}"}]

把传入的提问，包装成OpenAI标准对话格式：用户角色+提问内容。
（缺陷：直接字符串格式化，不支持多轮对话，只能单轮问答）

data = {
"messages": messages,
"stream": False,
"do_sample": True,
"repetition_penalty": 1.00,
"temperature": 1e-5,
"top_k": 20,
"model": "deepseek-chat",
}

请求体参数：

stream=False：不流式输出，等AI全部生成完一次性返回
do_sample=True：开启采样生成
repetition_penalty=1.0：不惩罚重复内容
temperature=1e-5：温度极低≈确定性、保守、几乎不随机，回答很稳定死板
top_k=20：采样候选词数量
model：指定调用deepseek-chat常规模型

while True:
    response = requests.post(url, headers=headers, json=data)
    if response.status_code == 200:
        return response.json()['choices'][0]['message']['content'].strip()
    else:
        time.sleep(5)
        continue

死循环重试机制：

POST提交请求
状态码200成功：解析JSON，取出第一条回复内容，去除首尾空格返回
失败（限流、网络错误、审核拦截）：等待5秒，重新请求，一直重试直到成功

3. 主程序入口

if __name__ == "__main__":
    question = "请介绍下你自己？"
    print问题→调用query函数获取答案→打印AI回复

总结（核心要点）

调用上交校内DeepSeek API，OpenAI兼容格式
单轮问答，不支持上下文多轮
极低温度，回答稳定确定
失败自动5秒重试，直到请求成功
需要替换your-api-key、在校内网/VPN才能运行
只返回AI文本内容，不返回token、推理过程等信息

当然，校内的这个方案api可能不支持工具调用，只能用文本的形式调用，不适合agentic task。

不过想想看也知道，那是一年前的deepseek-v3，完全没有 agent 能力的，反正我实测下来根本不会调用任何工具。应该就是致远一号的API不具备足够的function calling能力。

所以，想将上述model部署openclaw之类的，还是比较吃力的。

当然，那是去年的，今年对于校内的方案：致远一号已支持DS V3.2和MiniMax-M2.5，均已具备工具调用能力，所以可以养1个轻量级龙虾。

如何把手头上的api接入CC？

就像前面说的，如果是官方（或者各大厂商自己的coding plan，自己的模型plan），那么接入其实是比较方便的。

但是我现在手头上的api 有点麻烦，需要折腾。

这不看到内部方案开了GLM的接口，想试试接到claude code里面，发现不是原生的Anthropic接口。

接入cc的话，可以学一下cc switch和claude-code-router（一个api协议转换工具，很好用）。
但是内部的glm我试了很久都不好用，只有deepseek和minimax能成功接入cc
（但有些function calling也会有点小问题）。

最后，感觉还不如直接买官方的glm coding plan、或者走glm的中转站，比捣鼓内部这个api方便多了

测试之后，切换到我们配置的模型：

然后再输入claude，第一次使用，会先有一些初始化设置。比如颜色模式，模式下面有代码预览

选中直接回车即可，我选择的是经典的dark，毕竟vscode中习惯了，后续可以回来/theme再修改。

然后是安全提示

一个是Claude会犯错，它生成的代码、它要执行的命令，你都应该过一眼再放行。
一个是只在你信任的代码库里用Claude Code，避免提示词注入攻击。

还有一些其他中间的步骤，省略了，

最后一步，就是和你确认当前所在目录，是否可以信任。

因为我们接入的不是官方的api，

所以还是要选一下，很显然我们不能够按照claude自己的模型去配置，因为model 名称不对

我们先退出

目前设置还是没有成功

看了下环境变量都没有生效，按理来说cc switch应该已经将这些设置写进注册表了，而且我都是使用管理员权限的。

我们先每次进入powershell手动设置一下环境变量

$env:ANTHROPIC_BASE_URL = "https://models.sjtu.edu.cn/api/v1"
$env:ANTHROPIC_API_KEY = "你的KEY"

再手动进入

首先尝试清楚官方的登入状态，也就是官方的token

$env:ANTHROPIC_AUTH_TOKEN = $null

以上尝试均无果。

后来多试了几次，现在总结如下：

首先第一步是没有问题的，填写配置方面，就是在CC switch中添加校内的供应商

然后接下来其实应该做模型映射

然后我们上面提供的方案是：

我们再在CC switch中进行修改

字段	作用	推荐填入（调用名）	说明
主模型	Claude Code 默认使用的模型，所有 `/model` 未指定时的选择	`deepseek-chat`	日常问答、代码生成首选
推理模型 (Thinking)	对应 Claude 的思考模式，用于复杂逻辑推理	`deepseek-reasoner`	深度推理任务专用
Haiku 默认模型	对应轻量快速模型，用于检索、补全等高频任务	`minimax` 或 `deepseek-chat`	若想省资源用 `minimax` ，若求稳用 `deepseek-chat`
Sonnet 默认模型	对应标准编程模型，和主模型类似	`deepseek-chat`	可保持与主模型一致
Opus 默认模型	对应最强模型，用于高难度任务	`deepseek-reasoner` 或 `glm-5`	推荐用 `deepseek-reasoner` ，逻辑强；`glm-5` 编程也不错

我这里就随便填写了1个，

可以看到，本质上都是修改的配置json文件

但是，这还不够，我们可以其实可以发现这个api是openAI 格式的，目前选择的 Anthropic Messages (原生) 格式，CC Switch 会直接把 Claude Code 发出的请求原封不动地转发给交大 API。但交大 API 是 OpenAI 格式的，根本看不懂，自然就失败了。

改 API 格式：在你的截图界面，把 API 格式 从 Anthropic Messages (原生) 改为 OpenAI Chat Completions (需开启代理)。

改认证字段：把 认证字段 从 ANTHROPIC_AUTH_TOKEN (默认) 改为 ANTHROPIC_API_KEY。因为交大文档要求用 Authorization: Bearer your-api-key，改这个才能让 CC Switch 正确发送密钥

也就是说，初步配置如下：

事实上，在设置好api格式之后，我们可以通过右边的“获取模型列表”来导入选项

当然，这个时候还需要配置一下代理

我大概开启了以下红框中的3个

然后现在再重启终端，问问题之后就正常回答了

基本上看到边上这个token就知道没有问题了

有1个经典问题，校内部署的模型GLM目前5.0的上下文长度是32k。

32K是什么概念呢？很多人对这个上下文长度没有一种直觉。

正常模型是256k或300k，少数好的模型是1m或2m，不然随便发几句话上下文就炸了

先搞懂：1 token ≈ 多少字？

中文通用换算（所有模型都差不多）：

1 token ≈ 0.75 个汉字
反过来：
1000 token ≈ 750 汉字

32k token = 24000 汉字
256k token = 192000 汉字
1M token = 750000 汉字

现在我们再看：
目前这个手里 GLM5：2.4万字
别人正常模型：19.2万字
顶级长上下文：75万字

32k（2.4万字）是什么概念？

一本薄中篇小说
一本大学教材一章内容
一整篇很长的毕业论文初稿
大概：3～4篇高中满分作文堆一起

第一眼觉得：哇2.4万字好长！
没错，单独一篇文章很长。
但！上下文不是只存我们当前一句话！

上下文 = 全部聊天历史+我们现在问的话+系统提示词

模型要同时记住：

最开始我们说的话
它上一句回复
上上句
……
我们现在最新一句提问

全部加起来不能超过2.4万字，也就是history+now（system prompt+user prompt）

简单来说就是1个等差数列（如果之前chat history不压缩的话），当然如果压缩了就另外一回事

而很多的system prompt都是定义好的

高端模型本该配大上下文，结果给最小档。

因为内部方案中minimax我是映射到haiku模型，这个长下文是在200k左右

In Linux

前面演示的是Windows，

现在再演示一下在linux中配置claude code

参考CC swicth官网：https://github.com/farion1231/cc-switch/blob/main/docs/user-manual/en/1-getting-started/1.2-installation.md

先安装Node.js

# Ubuntu/Debian
curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash -
sudo apt-get install -y nodejs

再安装CLI tools，我们这里还是选用claude code

npm install -g @anthropic-ai/claude-code


# 升级npm使用以下命令，注意权限
# sudo npm install -g npm@11.13.0

然后就像在powershell中一样，输入claude即可，但是目前依旧只有框架，没有模型

再接着cc-switch，

参考官网：https://github.com/farion1231/cc-switch/releases

# 查看架构
uname -m

# 注意安装包要完整
curl -O https://github.com/farion1231/cc-switch/releases/download/v3.14.0/CC-Switch-v3.14.0-Linux-arm64.deb

然后进行安装

sudo dpkg -i CC-Switch-v{version}-Linux.deb

# If there are dependency issues
# 建议先运行下面这个，再dpkg	
sudo apt-get install -f

载后验证

终端中输入

cc-switch

❯ cc-switch

[CC-Switch] Crash log saved to: /home/nicai_zht/.cc-switch/crash.log

================================================================================
[CRASH REPORT] 2026-04-23 10:48:17.741
================================================================================

----------------------------------------
System Information
----------------------------------------
OS: linux (unix)
Arch: x86_64
App Version: 3.14.0
Working Dir: /home/nicai_zht/software
Thread: main (ID: ThreadId(1))

----------------------------------------
Error Details
----------------------------------------
Message: Failed to initialize gtk backend!: BoolError { message: "Failed to initialize GTK", filename: "/home/runner/.cargo/registry/src/index.crates.io-1949cf8c6b5b557f/gtk-0.18.2/src/rt.rs", function: "gtk::rt::init", line: 141 }

Location: File: /home/runner/.cargo/registry/src/index.crates.io-1949cf8c6b5b557f/tao-0.34.6/src/platform_impl/linux/event_loop.rs
         Line: 217
         Column: 53

----------------------------------------
Stack Trace (Backtrace)
----------------------------------------
   0: <unknown>
   1: <unknown>
   2: <unknown>
   3: <unknown>
   4: <unknown>
   5: <unknown>
   6: <unknown>
   7: <unknown>
   8: <unknown>
   9: <unknown>
  10: <unknown>
  11: <unknown>
  12: <unknown>
  13: <unknown>
  14: <unknown>
  15: <unknown>
  16: <unknown>
  17: __libc_start_main
  18: <unknown>


================================================================================


thread 'main' (1400173) panicked at /home/runner/.cargo/registry/src/index.crates.io-1949cf8c6b5b557f/tao-0.34.6/src/platform_impl/linux/event_loop.rs:217:53:
Failed to initialize gtk backend!: BoolError { message: "Failed to initialize GTK", filename: "/home/runner/.cargo/registry/src/index.crates.io-1949cf8c6b5b557f/gtk-0.18.2/src/rt.rs", function: "gtk::rt::init", line: 141 }
stack backtrace:
note: Some details are omitted, run with `RUST_BACKTRACE=full` for a verbose backtrace.

我本人用的是vscode IDE，

微软本身是支持vscode中的claude code插件，

所以可以通过安装claude code插件，再在终端调用运行。

或者，直接在终端中安装。

鉴于我本人没有使用TUI的习惯，所以还是选择使用CC-Switch的CLI分支。

参考官网：https://github.com/SaladDay/cc-switch-cli/blob/main/README_ZH.md

X64架构参考

# 下载
curl -LO https://github.com/saladday/cc-switch-cli/releases/latest/download/cc-switch-cli-linux-x64-musl.tar.gz

# 解压
tar -xzf cc-switch-cli-linux-x64-musl.tar.gz

# 添加执行权限
chmod +x cc-switch

# 移动到 PATH
sudo mv cc-switch /usr/local/bin/

系统级环境变量添加

# 在终端中输入
cc-switch

目前主要是安装了opencode以及claude code这两个CLI Tools

然后，和类似于windows GUI一样在CLI 的TUI中进行设置，通过YAZI终端TUI管理界面的应该很熟悉这种操作

大致配置如下

暂时设置如上，然后接下来的操作类似于windows中powershell。

界面是熟悉的：

但是显然还是配置有问题（model映射、代理）

然后是官网的一些配置

# 供应商管理
cc-switch provider list              # 列出所有已配置的供应商
cc-switch provider switch <id>       # 切换活动供应商
cc-switch provider stream-check <id> # 验证流式传输能力
 
# MCP 服务器管理
cc-switch mcp list                   # 列出 MCP 服务器
cc-switch mcp add                    # 交互式添加新服务器
cc-switch mcp sync                   # 同步到实时配置文件
 
# 配置管理
cc-switch config webdav show         # 检查 WebDAV 同步设置
cc-switch env tools                  # 检查 CLI 工具安装情况
cc-switch proxy show                 # 查看代理路由和状态

细节参考：https://github.com/SaladDay/cc-switch-cli/blob/main/README_ZH.md

cc-switch provider list              # 列出供应商
cc-switch provider switch <id>       # 切换供应商
cc-switch provider export <id>       # 导出 Claude 供应商为独立 settings 文件
cc-switch provider stream-check <id> # 检查供应商流式健康
cc-switch config webdav show         # 查看 WebDAV 同步设置
cc-switch env tools                  # 检查本地 CLI 工具
cc-switch mcp sync                   # 同步 MCP 服务器
cc-switch proxy show                 # 查看代理路由和状态

# 使用全局 `--app` 参数来指定目标应用：
cc-switch --app claude provider list    # 管理 Claude 供应商
cc-switch --app codex mcp sync          # 同步 Codex MCP 服务器
cc-switch --app gemini prompts list     # 列出 Gemini 提示词
cc-switch --app openclaw provider list  # 管理 OpenClaw 供应商

# 支持的应用：`claude`（默认）、`codex`、`gemini`、`opencode`、`openclaw`

找了一下，模型映射还是在供应商那一栏

考虑到我平时科研阅读、思考，以及代码实现比较多，其实32k真的太tm少了，校内方案只有1个minimax勉强可用。

CC Switch 字段	推荐映射模型	使用场景与理由
主模型	`deepseek-chat`	日常问答、中小型代码生成，685B 足够强大。
推理模型 (Thinking)	`deepseek-reasoner`	科研推理、复杂 bug 分析、需要展示思考链的问题。
Haiku 默认模型	`minimax`	长文档处理专用。当你需要分析整篇论文、长报告或多轮任务时，用 `/model minimax` 切换过来，192K 窗口完全够用。
Sonnet 默认模型	`glm-5`	复杂编程主力。744B 参数 + 编程侧重，适合大型项目架构、算法实现。
Opus 默认模型	`deepseek-reasoner` 或 `glm-5（首选）`	最复杂任务时的备选，可复用推理或最强编程模型。

拉取一下当前供应商提供的模型

cc-switch provider fetch-models  sjtu-zhiyuanno1

# 清除 Claude Code 的缓存目录
rm -rf ~/.claude/cache

后面检查了一下，代理、直连，供应商应该都没有问题，

会不会是base url规则不同。

改了下，果然成功了！

CC常见操作

使用技巧就不用说了，个人感觉完全是经验积累，用多了就都了解了，

当然网上二手博客资料也有很多，也可以看官网资料

https://mp.weixin.qq.com/s/f-FeLEcIW7xnqcNhGuwbbQ

几个常用的命令

命令	干嘛用
`/clear`	重置对话，换任务必用
`/compact`	压缩历史，上下文快满时用
`/plan`	进规划模式，只分析不改文件
`/model`	切换模型（sonnet/opus/haiku）
`!git status`	直接跑 shell 命令
`@文件名`	让 Claude 专门看这个文件

1，新开对话

就像前面说的，毕竟单个model的context length有限，尤其是内部模型，触限了就只能新开1个对话了。

2，终端还是对话？

Claude Code 中默认是无法在执行终端命令的。比如和它对话了一半，你突然想执行命令查询文件，常规情况下是要新开一个终端窗口去执行。

其实 Claude Code 早就想到了，可以在命令前面加个感叹号，这样就是去执行终端命令，而不是和 AI 对话。

就像是jupyter notebook中的magic command一样。

3，版本控制？

这个其实就涉及到具体工程中的实践了，

在开发一个复杂项目时，我常遇到的一个问题：Claude Code 理解错了需求，把代码改崩了。由于是在多轮对话中发生的，不仅把原本正常的代码改错了，由于对话已经进行了一大段，上下文也被污染了。

注意，这里有两个问题：

代码改错
上下文已经污染了

像git一样的版本控制这个时候就非常重要了，

我之前的笨重方案是使用git，配合撤销去恢复代码，当然，这需要时刻commit，我基本上一轮对话修改一次就commit一次（就是要频繁的commit，这是我用git频繁保存历史记录的方法）。

然后如果改错了，就回滚历史，代码这个时候可以恢复，但是对话不能，所以只能另外开一个窗口。

但是claude code中有1个后悔药设置，

其实内置的 /rewind 指令（或双击 ESC）就能做到回退代码 + 回退会话。真的是救命能力。

可以看到，我这里总共就问了5个问题，都有checkpoint记录

依旧是上下键来滑动

其实我们可以看到，本质上是建立了1个分支fork，然后接着git版本控制

然后接着往下对话，当然，我个人还是建议平时git版本控制要做好

1，平时要一轮对话完就git commit
2，搭配好rewind

4，临时插入对话（/btw ）

有时候当 Claude Code 在跑任务会持续好几分钟，这个过程中是无法再和它对话的，除非中断当前任务。

最近的版本增加了一个 /btw 命令，就可以做到不影响前面的任务，单独开一个临时会话，并且不会污染之前的会话。（这个命名也很简明——by the way）

我的这个示例就太简短了，下一次找一个长一点的运行任务来执行。

我觉得这个功能其实就很重要，因为对于当前的1个历史会话信息，我们在不同时间节点可能有多个想法，可能有多个选择，

所以在同一个时间内，我们可能会有多个想法，多个问题，就相当于在1个节点中多轮分支fork都尝试一下，都进行一下，最好是每一个fork都不会影响其他分支。

再搭配前面rewind+btw，简直绝了，就是版本控制+小轮多次迭代的神器！

5，导出对话（export）

这个就非常重要了，我之前copilot用惯了，保存chat session毕竟是在GUI中，非常直觉化。

但是终端中如何操作？

有时候想分享一下和 Claude Code 的对话过程，或者存档，不需要再手动截图了。直接使用 /export 就行。

我们一般是选择保存到文件中

会有一个默认名字，就是每一个session都会有1个聊天内容总结的名字，简单易懂，我们可以自己修改

我们可以看一下这个文本文件内容：

╭─── Claude Code v2.1.116 ─────────────────────────────────────────────────────╮
│                                    │ Tips for getting started                │
│            Welcome back!           │ Run /init to create a CLAUDE.md file w… │
│                                    │ Note: You have launched claude in your… │
│               ▐▛███▜▌              │ ─────────────────────────────────────── │
│              ▝▜█████▛▘             │ Recent activity                         │
│                ▘▘ ▝▝               │ No recent activity                      │
│                                    │                                         │
│   Sonnet 4.6 · API Usage Billing   │                                         │
│            C:\Users\zht            │                                         │
╰──────────────────────────────────────────────────────────────────────────────╯

❯ who are you                                                                   
  ⎿  API Error: 400 {"error":{"message":"litellm.BadRequestError: 
     OpenAIException - You passed 769 input tokens and requested 32000 output 
     tokens. However, the model's context length is only 32768 tokens, resulting
      in a maximum input length of 768 tokens. Please reduce the length of the 
     input prompt. (parameter=input_tokens, value=769). Received Model 
     Group=glm-5\nAvailable Model Group 
     Fallbacks=None","type":null,"param":null,"code":"400"}}

❯ who are you                                                                   
  ⎿  API Error: 400 {"error":{"message":"litellm.BadRequestError: 
     OpenAIException - You passed 769 input tokens and requested 32000 output 
     tokens. However, the model's context length is only 32768 tokens, resulting
      in a maximum input length of 768 tokens. Please reduce the length of the 
     input prompt. (parameter=input_tokens, value=769). Received Model 
     Group=glm-5\nAvailable Model Group 
     Fallbacks=None","type":null,"param":null,"code":"400"}}

❯ /model                                                                        
  ⎿  Set model to Haiku 4.5

❯ who are you                                                                   

❯ /btw 
  ⎿  Usage: /btw &lt;your question&gt;

● The user is asking "who are you" - this is a simple question about my
  identity. They're also showing that they just set the model to Haiku 4.5.

  I should give a concise answer about who I am.


  I'm Claude Code, an AI assistant built by Anthropic to help you with software
  engineering tasks. I'm designed to help you write, review, debug, and navigate
   code.

  I can:
  - Read, write, and edit files
  - Search codebases with grep/glob
  - Execute shell commands
  - Run tests and builds
  - Help with debugging and refactoring
  - Answer questions about your code

  What are you working on today?

❯ when is it now                                                                

● The user is asking about the current date/time. Based on the context provided
  in the system reminder, today's date is 2026/04/23.


  Today is April 23, 2026 (2026/04/23).

claude code+国内模型方案

除了前面演示的使用内部部署的模型之外，我们正常就是买国内各大厂家的部署方案。

比如说我个人是买了字节家火山方舟的coding plan，当然是lite套餐。

还是前面那句话，需求大就使用coding plan，需求小就买api。

下面我们尝试在claude code中接入我们coding plan的模型方案。

参考：https://www.volcengine.com/docs/82379/1928262?lang=zh

我们先获取api key

官方有两种接入方案，

一种是使用ark helper编程工具助手

另外一种是手动配置

我们照样还是使用cc switch

然后同样的配置方案，当然因为这里模型选择有点多

所以我就粗略选择了几个，

其实本质上就是在修改配置json文件

{
    "env": {
        "ANTHROPIC_AUTH_TOKEN": "<ARK_API_KEY>",
        "ANTHROPIC_BASE_URL": "https://ark.cn-beijing.volces.com/api/coding",
        "ANTHROPIC_MODEL": "<Model_Name>"
    }
}

我就简单搞了个glm 4.7作为演示，接下来就是愉快的coding了！

Codex免费

此处略，等后续有需求了，上手实际操作了再来更新。

copilot退潮之后，还剩下什么？

这里主要是针对老登我个人的情况，做一个简单的后备方案候选。

国外模型中转站

这个其实没怎么做准备，所以不在候选池中，但是渠道是有的，大家也可以尝试，此处略。

https://github.com/zzsting88/relayAPI

1个中转站测试：https://hvoy.ai/

稍微提及一下可供参考的方案

https://github.com/education，github学生开发方案
https://zed.dev/education
https://agentrouter.org/register

国内各厂家模型coding plan

说到底还是 money就是力量，这个是护城河。

之前2-3月份的时候各家coding plan频出，充了字节家的火山方舟plan，但是因为那个时候老登我还在啃copilot，所以并没有实际使用过怎么利用其中的api key，然后接入主流的coding智能体平台（比如说codex、比如说claude code等）。

目前我主要关注阿里、字节、glm家的coding plan，当然这里指的不是api。

有了模型API，现在回到我们的工具选择上

有了模型api，我们再自己选各种各样的端到端的执行工具，

我coding，一般和vscode生态绑的比较牢，平时不用cursor之类。

方案1：成熟的Agent工具（以cc、codex、opencode为例）

经过老登我平时的一些使用场景测试，在coding+文献阅读场景上，我推荐

claude code+glm

最大的好处是省钱，然后还能够复用claude code提供的Agent基础设施（mcp，skill，hook，plugin…），因为后者这些Agent概念毕竟大多是国外厂商炒起来的。

当然，国内模型也有很多选择，glm，minimax，kimi之类，

比较现实的一种方法就是开个Coding Plan尝试下各个模型，看哪个模型最适合自己的任务。

然后还是那句话，对于国内模型，总体上性价比还是高的

用的强度高的，就开coding plan
用的强度低的，就直接买api（当然，要清楚计费方式，这个是个坑）

方案2：现成的GUI比如说vscode+AI 插件集成

现在，回到Agent和Skill，我能一直追得上热点吗？

还是那句话，eat shit也不一定赶得上hot的，所以，在AI泡沫（后期？），我这个老登能做的是什么呢？

看了很多的公众号鼓吹各种概念，想想看，Skill真是脚本小子的黄金时代了，交付脚本等于交付产品。

所以，老登我本人的想法是：还是抓住底层的model，至少部署权、所有权、消费权是我们能够牢牢把握住的。

把握住了api key，那么其他的无穷无尽的概念，也只需要一批一批人去趟这个水，到时候出个新手教程.md 文件罢了。

2026.4.22 记录
代码coding（工程任务）: claude code/codex agent, 说到model还是得claude、chatgpt家的
阅读论文/日常聊天: Gemini （不适合工程任务）
国内: 圈子里鼓吹无脑用智谱即可

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

2026山东大学软件学院项目实训（七）——功能扩展

扩展平台功能：生成应用封面图、下载项目代码包、AI智能选择方案。

AtomGit开源社区

ai-agent超高并发请求（10万级）神器silk详解及在边缘端智能体部署价值预测

Silk：新一代高性能用户态调度运行时 Silk是ClickHouse开源的高性能stackful fiber运行时，旨在替代传统线程池+异步回调模型，面向超高并发、NUMA感知、低延迟和IO密集型场景。其核心定位是现代用户态微内核调度器，包含Fiber执行、用户态调度、负载均衡、NUMA感知等模块。相比传统线程模型，Silk通过轻量级fiber实现同步编程风格下的异步性能，避免了线程切换开销和异