Claude Code 是 Anthropic 官方推出的命令行 AI 编程助手，可以直接在终端里帮你写代码、查 bug、读项目。但因为它走的是 Anthropic 官方 API，国内用户直接使用有门槛。我在自己的 Windows 电脑和云服务器（Linux）上都跑通了，也帮几个朋友配置过，发现整个过程对于不熟悉命令行的同学来说，坑还挺多的。本文从一台新电脑的视角出发，手把手带你装好 Claude Code，并接入第三方 API 中转服务，让国内用户也能流畅使用。

本文将覆盖：Windows、Mac、Linux 三个平台。

1 前置准备：安装 Node.js

Claude Code 是通过 npm 分发的，npm 是 Node.js 自带的包管理器。所以第一步：装 Node.js。

Claude Code 目前要求 Node.js ≥ 22.0.0，建议直接装最新的 LTS 版本。

1.1 Windows 安装

1）打开 Node.js 官网：https://nodejs.org

2）下载左边的 LTS 版本（长期支持版），右边是最新版也可以用，但 LTS 更稳。你会得到一个 .msi 安装包，比如 node-v22.x.x-x64.msi。

3）双击运行安装包，一路点 "Next" 就行。注意这一步：在安装选项页面，确保 "Add to PATH" 是勾选状态（默认就是勾的），这样才能在任意位置使用 node 和 npm 命令。

4）安装完成后，验证一下。按 Win + R，输入 cmd 回车，打开命令提示符，输入：

node --version
npm --version

如果分别输出 v22.x.x 和 10.x.x，说明安装成功。

1.2 Mac 安装

Mac 推荐用 Homebrew，一行搞定。如果你还没有 Homebrew，先去 https://brew.sh 复制那行安装命令跑一遍。

# 安装 Node.js
brew install node

# 验证
node --version
npm --version

如果你习惯用 nvm 管理 Node 版本，也可以 nvm install 22，效果一样。对小白来说 Homebrew 就够。

1.3 Linux 安装

以 Ubuntu/Debian 为例：

# 添加 NodeSource 源（Node.js 22.x）
curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash -

# 安装
sudo apt-get install -y nodejs

# 验证
node --version
npm --version

CentOS/RHEL 用对应的 yum 源；其他发行版请参考 NodeSource 官方文档。装完验证版本号，确保 ≥ 22。

2 安装 Claude Code

Node.js 就位后，打开终端（Windows 是 cmd 或 PowerShell，Mac/Linux 是 Terminal），执行一行命令：

2.1 通过 npm 全局安装

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

-g 表示全局安装，装完后在任意目录都能使用 claude 命令。

安装过程大概 1-2 分钟，取决于网络速度。如果下载很慢，可以先设置 npm 镜像：

# 可选：设置淘宝镜像加速下载
npm config set registry https://registry.npmmirror.com

# 然后再安装
npm install -g @anthropic-ai/claude-code

2.2 验证安装

claude --version

如果输出版本号（如 2.1.217），说明安装成功。

3 接入第三方 API

这是本文最核心的部分。Claude Code 默认连的是 Anthropic 官方 API（https://api.anthropic.com），需要海外信用卡和网络。国内用户可以通过 API 中转服务（也叫 API Proxy / API 网关）来使用，原理很简单：

你的 Claude Code → 中转服务器 → Anthropic 官方 API → 中转服务器 → 你的 Claude Code

你只需要一个中转服务的 API Key 和一个 Base URL，就能跟官方一样使用。

3.1 获取中转 API 地址和 Key

市面上有多个中转服务商，比如 APIHub、AIHubMix、LobeChat 网关、CloudFlare Worker 自建等，选一个注册获取：

• Base URL：类似 https://your-api-proxy.com 的地址
• API Key：类似 sk-xxxxxxxxxxxxxxxxxxxxxxxx 的密钥
• 模型名称：中转服务会告诉你可以用哪些模型，比如 claude-sonnet-4-20250514

[!warning] 注意
不要把 API Key 发给任何人，不要贴到公开的 GitHub 仓库里。Key 泄露会被盗刷。

3.2 配置 settings.json

Claude Code 的配置统一放在 settings.json 里。这个文件有两级：

推荐先配置用户级，这样不管在哪个目录用 Claude Code，都能用同一个中转 API。

步骤 1：找到或创建配置文件

.claude 文件夹在用户主目录下，不同系统的路径：

• Windows：C:\Users\你的用户名\.claude\
• Mac / Linux：~/.claude/

如果该目录不存在，自己创建：

# Windows (PowerShell)
mkdir $env:USERPROFILE\.claude

# Mac / Linux
mkdir -p ~/.claude

步骤 2：编写 settings.json

在 .claude/ 目录下新建 settings.json，写入以下内容：

{
  "env": {
    "ANTHROPIC_BASE_URL": "https://your-api-proxy.com",
    "ANTHROPIC_API_KEY": "sk-your-api-key-here",
    "CLAUDE_CODE_ENABLE_GATEWAY_MODEL_DISCOVERY": "1"
  },
  "model": "claude-sonnet-4-20250514"
}

逐项解释：

步骤 3：创建文件的方式

Windows 用户如果不熟悉命令行，用记事本就行：

1. 打开记事本，把上面的 JSON 复制进去，替换 BASE_URL 和 API_KEY 为你的真实值
2. 另存为 → 路径填 C:\Users\你的用户名\.claude\settings.json
3. 保存类型选"所有文件"，编码选 UTF-8

Mac / Linux 用户直接用命令：

# 创建并编辑
vim ~/.claude/settings.json

3.3 环境变量方式（备选）

除了 settings.json，也可以直接用环境变量，效果一样：

# Windows PowerShell
$env:ANTHROPIC_BASE_URL="https://your-api-proxy.com"
$env:ANTHROPIC_API_KEY="sk-your-api-key-here"
$env:CLAUDE_CODE_ENABLE_GATEWAY_MODEL_DISCOVERY="1"

# Mac / Linux
export ANTHROPIC_BASE_URL="https://your-api-proxy.com"
export ANTHROPIC_API_KEY="sk-your-api-key-here"
export CLAUDE_CODE_ENABLE_GATEWAY_MODEL_DISCOVERY="1"

不过这种方式只在当前终端窗口有效，关掉就没了。想持久化的话，把 export 写到 ~/.bashrc 或 ~/.zshrc 里，或者在 settings.json 里配置（推荐后者，集中管理）。

4 配置 CLAUDE.md

CLAUDE.md 是给 Claude Code 看的"说明书"。你在这个文件里告诉 Claude：你做什么工作、这个项目是什么、有什么特殊规则——Claude 每次启动都会自动读它，并按照里面的约定来帮你干活。

分两级（跟 settings.json 一样）：

4.1 项目级 CLAUDE.md

放在你正在做的项目的根目录下。比如你有一个项目叫 my-project/，就在里面放一个 CLAUDE.md。Claude Code 在那个目录启动时会自动加载。

典型场景：

my-project/
├── CLAUDE.md          ← 这个项目的专属指令
├── src/
├── package.json
└── ...

CLAUDE.md 内容示例：

# 项目说明

这是一个个人博客项目，基于 Next.js 构建。

## 技术栈
- Next.js 14 + TypeScript
- Tailwind CSS
- Contentlayer 管理文章

## 规则
- 所有新组件放 `src/components/`
- 提交前先跑 `npm run lint`
- 不要直接改 `content/` 下的 .mdx，走 Contentlayer 生成

4.2 用户级 CLAUDE.md

放在 ~/.claude/CLAUDE.md（即 C:\Users\你的用户名\.claude\CLAUDE.md），对所有项目生效。适合放通用的个人偏好和工作习惯：

# 个人偏好

- 用中文回复
- 写代码先解释思路再动手
- 每次改完代码自动跑测试
- 不要主动新建文件，先问我

4.3 一个简单的入门模板

如果你是第一次用，跟我一样只是拿 Claude Code 处理零散任务，用户级 CLAUDE.md 够用了：

# 通用指令

- 默认用中文交流
- 修改文件前先和我确认
- 代码注释用中文
- 遇到不确定的，列出选项让我选，不要直接做决定

创建后用 claude 命令启动，它会自动读取 CLAUDE.md。你可以问它："你读到了什么规则？"来验证是否加载成功。

5 开始使用

配置完成后，打开终端，进入你的项目目录，输入：

claude

首次启动可能提示权限确认，一路 Yes 就行。启动后你会看到类似这样的界面：

  Claude Code v2.1.217
  Model: claude-sonnet-4-20250514
  API: https://your-api-proxy.com

> 

到这里就成功了。试着输入第一个指令：

帮我看看这个项目的结构

按 Ctrl + C 或输入 /exit 退出。

6 常见问题

Q: 启动后报 "401 Unauthorized"？
A: API Key 写错了，或者 Base URL 格式不对。检查 settings.json 里的 key 有没有多余空格，Base URL 末尾不要带斜杠。

Q: 报 "Model not found"？
A: model 名称写错了，或者中转服务不支持这个模型。先确认中转给的支持列表，然后把 "model" 字段改成正确的。也可以删掉 model 字段，加上 CLAUDE_CODE_ENABLE_GATEWAY_MODEL_DISCOVERY=1 让程序自动发现。

Q: 速度很慢？
A: 中转服务走的海外线路，有天然延迟，正常现象。换一个延迟更低的中转商，或者自建 Worker 能改善。

Q: npm install 报错 / 权限不够？
A: Mac/Linux 如果不用 sudo 就报权限错，可以这样修：

# 方法1：修复 npm 全局目录权限（推荐）
mkdir -p ~/.npm-global
npm config set prefix '~/.npm-global'
echo 'export PATH=~/.npm-global/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

# 方法2：直接 sudo（不推荐，但快）
sudo npm install -g @anthropic-ai/claude-code

Q: Windows 上 PowerShell 提示"无法加载文件"？
A: PowerShell 执行策略限制了脚本运行。管理员身份打开 PowerShell，执行：

Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

然后重新打开终端即可。

Q: 怎么更新 Claude Code？

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

Q: 怎么卸载？

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

本节课只解决一个问题：怎么用最简单的代码调用一次大模型。
先不要急着学 CoT、ReAct、工具调用、记忆、多 Agent。因为这些能力最后都会回到同一个基础动作：

把问题发给大模型
→ 大模型返回答案
→ 程序拿到答案继续处理

如果这一步都不能稳定运行，后面写 Agent 时会很痛苦。

1.1 本节课要做什么

本节课只做四件事：

1. 说明现在常见的大模型调用方式
2. 说明为什么本节先使用 OpenAI 兼容接口
3. 写一个简单的 llm.py
4. 写一个简单的 main.py，运行后能看到模型输出
   本节课不追求封装得很完整，也不做太多抽象。代码要做到：高中生看得懂，复制下来能运行，后面课程能继续复用。

2 当前有几种大模型调用方式

2.1 第一种：官方原生接口

每个大模型厂商一般都有自己的官方接口。
例如：

这种方式的好处是能力最完整，坏处是每家写法不完全一样。你刚开始学习时，如果一上来同时适配 OpenAI、Claude、Gemini，很容易被 SDK 差异打断思路。

2.2 第二种：OpenAI 兼容接口

很多模型厂商支持 OpenAI 兼容接口。
简单说，就是它们让你继续使用 OpenAI SDK，只需要改三样东西：

API Key
Base URL
Model Name

常见支持 OpenAI 兼容接口的平台包括：

这就是本节课选择 OpenAI 兼容接口的原因：代码最少，迁移最简单，适合入门。

2.3 第三种：统一网关

还有一种方式是使用 LiteLLM、One API、公司内部网关这类统一代理。
它的作用是把多个模型包装成一个统一入口：

业务代码
→ 模型网关
→ OpenAI / DeepSeek / Qwen / Claude / Gemini

这种方式适合团队使用，但不适合第一节课。因为它又多引入了一层系统，初学者很容易不知道问题出在代码、网关还是模型服务。

2.4 本节课的推荐做法

本节课推荐：

先用 OpenAI SDK
→ 连接一个 OpenAI 兼容模型
→ 跑通最小调用
→ 后面课程全部复用这个 LLM 客户端

这样后面写 CoT 时，只需要关注 prompt 怎么写；写 ReAct 时，只需要关注模型怎么推理和行动；写工具调用时，再扩展工具参数即可。

3 一次大模型调用需要哪些信息

3.1 最少需要三个配置

一次大模型调用最少需要三个配置：

可以把它理解成点外卖：

LLM_MODEL_ID：你要点哪道菜
LLM_API_KEY：证明这是你的账号
LLM_BASE_URL：外卖平台地址

3.2 为什么配置放到 .env

不要把 API Key 写死在 Python 代码里。
不推荐：

api_key = "sk-xxxx"

推荐：

api_key = os.getenv("LLM_API_KEY")

原因很简单：

• API Key 是密码，不能随便暴露
• 换模型时不需要改代码
• 后面部署到服务器时也更方便
  所以本节课把 .env 当作配置文件使用，先不引入 config.yaml。对第一节课来说，.env 已经够用了。

4 项目结构

4.1 最终目录

创建一个目录：

agent-course-01-llm-call/
├── .env
├── llm.py
├── main.py
└── requirements.txt

每个文件的作用如下：

5 安装依赖

5.1 创建 requirements.txt

创建 requirements.txt：

openai
python-dotenv

这里只安装两个包：

• openai：用来调用 OpenAI 兼容接口
• python-dotenv：用来读取 .env 配置

5.2 安装依赖

执行：

pip install -r requirements.txt

如果你的电脑需要使用 pip3，就执行：

pip3 install -r requirements.txt

5.3 验证安装

执行：

python -c "from openai import OpenAI; from dotenv import load_dotenv; print('ok')"

预期输出：

ok

如果这里都不能运行，先不要继续写代码，先解决 Python 环境和依赖安装问题。

6 配置 .env

6.1 创建 .env 文件

创建 .env：

LLM_MODEL_ID=deepseek-chat
LLM_API_KEY=你的API_KEY
LLM_BASE_URL=https://api.deepseek.com
LLM_TIMEOUT=60

把 你的API_KEY 换成真实的 API Key。

6.2 不同平台的配置示例

如果你使用 DeepSeek：

LLM_MODEL_ID=deepseek-chat
LLM_API_KEY=你的DeepSeek_API_KEY
LLM_BASE_URL=https://api.deepseek.com
LLM_TIMEOUT=60

如果你使用阿里云百炼 Qwen：

LLM_MODEL_ID=qwen-plus
LLM_API_KEY=你的DASHSCOPE_API_KEY
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
LLM_TIMEOUT=60

如果你使用OpenAI：

如果你使用 OpenAI：
```bash
LLM_MODEL_ID=gpt-5-mini
LLM_API_KEY=你的OPENAI_API_KEY
LLM_BASE_URL=https://api.openai.com/v1
LLM_TIMEOUT=60

注意：模型名称可能会变化，最终以对应平台控制台和官方文档为准。如果报 model not found，优先检查 LLM_MODEL_ID。

7 编写 llm.py

7.1 代码目标

llm.py 只做一件事：把 messages 发给大模型，然后返回文本结果。
这里保留流式输出。因为流式输出体验更好，运行时能看到模型一个字一个字返回，不会一直卡着没反应。

7.2 完整代码

创建 llm.py：

import os
from typing import List, Dict, Optional
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv()
class HelloAgentsLLM:
    """
    一个最小可用的 LLM 客户端。
    只支持 OpenAI 兼容接口。
    """
    def __init__(
        self,
        model: Optional[str] = None,
        api_key: Optional[str] = None,
        base_url: Optional[str] = None,
        timeout: Optional[int] = None,
    ):
        self.model = model or os.getenv("LLM_MODEL_ID")
        self.api_key = api_key or os.getenv("LLM_API_KEY")
        self.base_url = base_url or os.getenv("LLM_BASE_URL")
        self.timeout = timeout or int(os.getenv("LLM_TIMEOUT", "60"))
        if not self.model:
            raise ValueError("缺少模型名称，请在 .env 中配置 LLM_MODEL_ID")
        if not self.api_key:
            raise ValueError("缺少 API Key，请在 .env 中配置 LLM_API_KEY")
        if not self.base_url:
            raise ValueError("缺少服务地址，请在 .env 中配置 LLM_BASE_URL")
        self.client = OpenAI(
            api_key=self.api_key,
            base_url=self.base_url,
            timeout=self.timeout,
        )
    def think(self, messages: List[Dict[str, str]], temperature: float = 0) -> str:
        """
        调用大模型，并返回完整文本。
        messages 是对话列表，例如：
        [
            {"role": "system", "content": "你是一个有帮助的助手"},
            {"role": "user", "content": "你好"}
        ]
        """
        print(f"🧠 正在调用模型：{self.model}")
        try:
            response = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                temperature=temperature,
                stream=True,
            )
            print("✅ 模型返回：")
            result = []
            for chunk in response:
                if not chunk.choices:
                    continue
                content = chunk.choices[0].delta.content
                if not content:
                    continue
                print(content, end="", flush=True)
                result.append(content)
            print()
            return "".join(result)
        except Exception as e:
            print(f"❌ 调用大模型失败：{e}")
            return ""

7.3 这段代码怎么理解

这段代码里最重要的只有三部分。
第一，读取配置：

self.model = model or os.getenv("LLM_MODEL_ID")
self.api_key = api_key or os.getenv("LLM_API_KEY")
self.base_url = base_url or os.getenv("LLM_BASE_URL")

意思是：如果代码里传了参数，就用代码里的；如果没有传，就从 .env 里读取。
第二，创建客户端：

self.client = OpenAI(
    api_key=self.api_key,
    base_url=self.base_url,
    timeout=self.timeout,
)

意思是：告诉 OpenAI SDK，我要访问哪个模型服务。
第三，发送 messages：

response = self.client.chat.completions.create(
    model=self.model,
    messages=messages,
    temperature=temperature,
    stream=True,
)

意思是：把对话内容发给模型，并使用流式返回。

8 编写 main.py

8.1 代码目标

main.py 是入口文件，只负责演示怎么使用 HelloAgentsLLM。
它不要复杂，也不要封装太多逻辑。第一节课最重要的是让读者看清楚调用顺序。

8.2 完整代码

创建 main.py：

from llm import HelloAgentsLLM
def main():
    llm = HelloAgentsLLM()
    messages = [
        {
            "role": "system",
            "content": "你是一个讲解清楚、表达简单的 AI 助手。",
        },
        {
            "role": "user",
            "content": "用高中生能听懂的话解释什么是 LLM Agent。",
        },
    ]
    print("--- 调用 LLM ---")
    response_text = llm.think(messages)
    if response_text:
        print("\n--- 完整模型响应 ---")
        print(response_text)
if __name__ == "__main__":
    main()

8.3 调用顺序

这个文件的执行顺序很简单：

创建 HelloAgentsLLM
→ 准备 messages
→ 调用 llm.think(messages)
→ 打印模型返回内容

这就是后面所有 Agent 课程的基础。

9 运行验证

9.1 执行命令

在项目目录下执行：

python main.py

预期输出类似：

--- 调用 LLM ---
🧠 正在调用模型：deepseek-chat
✅ 模型返回：
LLM Agent 可以理解成一个由大语言模型驱动的智能助手，它不只是回答问题，还能根据目标规划步骤、调用工具，并根据结果继续完成任务。
--- 完整模型响应 ---
LLM Agent 可以理解成一个由大语言模型驱动的智能助手，它不只是回答问题，还能根据目标规划步骤、调用工具，并根据结果继续完成任务。

只要能看到模型返回内容，就说明本节课完成了。

9.2 修改问题再运行

你可以把 main.py 里的问题改成：

"写一个 Python 快速排序算法"

再执行：

python main.py

如果模型能返回代码，说明你的调用链路是正常的。

10 常见坑

10.1 .env 没有生效

如果提示：

缺少 API Key，请在 .env 中配置 LLM_API_KEY

先检查 .env 是否在当前目录。
正确目录应该是：

agent-course-01-llm-call/
├── .env
├── llm.py
├── main.py
└── requirements.txt

然后检查变量名是不是写错了。
必须是：

LLM_MODEL_ID=xxx
LLM_API_KEY=xxx
LLM_BASE_URL=xxx

不是：

MODEL_ID=xxx
API_KEY=xxx
BASE_URL=xxx

10.2 base_url 写成了完整接口地址

这是新手最常见的问题。
如果你使用 SDK，一般配置的是：

LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

不要写成：

LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions

因为 /chat/completions 这段路径 SDK 会自动拼接。

10.3 模型名称写错

如果报错里出现：

model not found

一般是模型名不对。
解决办法：

1. 去模型平台控制台确认模型名
2. 确认账号是否有这个模型权限
3. 先使用官方示例里的模型名
4. 不要照抄过期文章里的模型名

10.4 API Key 错误

如果报错里出现：

401
unauthorized
invalid api key

一般是 API Key 错了。
先检查：

• API Key 有没有复制完整
• API Key 前后有没有多余空格
• 当前平台和 API Key 是否匹配
• DeepSeek 的 Key 不要拿去调用 Qwen
• Qwen 的 Key 不要拿去调用 Kimi

10.5 temperature 设置

本节课默认：

temperature=0

可以简单理解成：让模型尽量稳定回答。
推荐：

刚开始学习 Agent，推荐先用 0。结果稳定，方便排查问题。

11 本节课最终代码

11.1 requirements.txt

openai
python-dotenv

11.2 .env

LLM_MODEL_ID=deepseek-chat
LLM_API_KEY=你的API_KEY
LLM_BASE_URL=https://api.deepseek.com
LLM_TIMEOUT=60

11.3 llm.py

import os
from typing import List, Dict, Optional
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv()
class HelloAgentsLLM:
    def __init__(
        self,
        model: Optional[str] = None,
        api_key: Optional[str] = None,
        base_url: Optional[str] = None,
        timeout: Optional[int] = None,
    ):
        self.model = model or os.getenv("LLM_MODEL_ID")
        self.api_key = api_key or os.getenv("LLM_API_KEY")
        self.base_url = base_url or os.getenv("LLM_BASE_URL")
        self.timeout = timeout or int(os.getenv("LLM_TIMEOUT", "60"))
        if not self.model:
            raise ValueError("缺少模型名称，请在 .env 中配置 LLM_MODEL_ID")
        if not self.api_key:
            raise ValueError("缺少 API Key，请在 .env 中配置 LLM_API_KEY")
        if not self.base_url:
            raise ValueError("缺少服务地址，请在 .env 中配置 LLM_BASE_URL")
        self.client = OpenAI(
            api_key=self.api_key,
            base_url=self.base_url,
            timeout=self.timeout,
        )
    def think(self, messages: List[Dict[str, str]], temperature: float = 0) -> str:
        print(f"🧠 正在调用模型：{self.model}")
        try:
            response = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                temperature=temperature,
                stream=True,
            )
            print("✅ 模型返回：")
            result = []
            for chunk in response:
                if not chunk.choices:
                    continue
                content = chunk.choices[0].delta.content
                if not content:
                    continue
                print(content, end="", flush=True)
                result.append(content)
            print()
            return "".join(result)
        except Exception as e:
            print(f"❌ 调用大模型失败：{e}")
            return ""

11.4 main.py

from llm import HelloAgentsLLM
def main():
    llm = HelloAgentsLLM()
    messages = [
        {
            "role": "system",
            "content": "你是一个讲解清楚、表达简单的 AI 助手。",
        },
        {
            "role": "user",
            "content": "用高中生能听懂的话解释什么是 LLM Agent。",
        },
    ]
    print("--- 调用 LLM ---")
    response_text = llm.think(messages)
    if response_text:
        print("\n--- 完整模型响应 ---")
        print(response_text)
if __name__ == "__main__":
    main()

12 总结

12.1 本节课学到了什么

本节课只做了一个最小闭环：

.env 配置模型
→ llm.py 封装调用
→ main.py 发起请求
→ 控制台看到模型输出

这个闭环很小，但非常重要。后面所有 Agent 能力都会建立在它上面。

12.2 为什么这样写

本节课没有做复杂封装，原因是：

• 第一节课的目标是跑通，不是设计框架
• .env 已经能满足基础配置需求
• OpenAI 兼容接口能覆盖很多常见模型
• llm.think(messages) 这个入口后面可以继续复用
  后面进入 CoT 时，可以这样调用：

  messages = [
  {"role": "system", "content": "你是一个擅长一步一步推理的助手。"},
  {"role": "user", "content": "请一步一步分析这个问题：..."}
  ]
  llm.think(messages)

  也就是说，本节课不是孤立代码，而是后续 Agent 课程的底座。

13 参考文献

13.1 官方文档

• OpenAI API Reference：Chat Completions、Streaming、OpenAI Python SDK
• DeepSeek API Docs：OpenAI-compatible API format
• 阿里云百炼 Model Studio 文档：OpenAI 兼容接口调用千问模型
• Moonshot Kimi API 开放平台文档：OpenAI 兼容 API
• 智谱 AI 开放文档：OpenAI API 兼容接入说明
• Anthropic Claude API Docs：Claude Python SDK、Messages API
• Google AI for Developers：Gemini API、Google Gen AI SDK

13.2 后续课程

• 02 CoT：显式步骤推理
• 03 ReAct：推理和行动交替
• 04 Tool Use：让模型调用工具
• 05 Memory：让 Agent 记住上下文
• 06 Reflection：让 Agent 自我修正

一、网络规划

先统一规划 IP，后面所有配置都按这个来。

需要记住一个原则：一台设备一套密钥，一个独立 IP，不要多个设备共用同一个配置。

二、服务器安装 WireGuard

1. 安装软件

Ubuntu / Debian 执行：

sudo apt update
sudo apt install -y wireguard qrencode iptables

CentOS / Rocky / AlmaLinux 执行：

sudo dnf install -y wireguard-tools qrencode iptables

2. 开启 IP 转发

编辑系统配置：

sudo vim /etc/sysctl.conf

加入或确认有这一行：

net.ipv4.ip_forward=1

让配置立即生效：

sudo sysctl -p

检查结果：

cat /proc/sys/net/ipv4/ip_forward

输出 1 就是成功。

3. 查看服务器公网网卡

执行：

ip route | grep default

你会看到类似：

default via 172.31.0.1 dev eth0

这里的 eth0 就是公网网卡。也可能是 ens3、ens5、enp1s0，后面配置里的 eth0 要按实际结果替换。

4. 生成服务端密钥

sudo mkdir -p /etc/wireguard/clients
cd /etc/wireguard
sudo umask 077
sudo wg genkey | sudo tee server_private.key | sudo wg pubkey | sudo tee server_public.key

查看服务端私钥和公钥：

sudo cat /etc/wireguard/server_private.key
sudo cat /etc/wireguard/server_public.key

私钥不要泄露，公钥后面要填到客户端里。

5. 创建服务端配置

编辑配置文件：

sudo vim /etc/wireguard/wg0.conf

写入：

[Interface]
Address = 10.8.0.1/24
ListenPort = 51820
PrivateKey = 填服务端PrivateKey
PostUp = iptables -A FORWARD -i wg0 -j ACCEPT; iptables -A FORWARD -o wg0 -j ACCEPT; iptables -t nat -A POSTROUTING -o eth0 -j MASQUERADE
PostDown = iptables -D FORWARD -i wg0 -j ACCEPT; iptables -D FORWARD -o wg0 -j ACCEPT; iptables -t nat -D POSTROUTING -o eth0 -j MASQUERADE

注意：如果你的公网网卡不是 eth0，把上面的 eth0 改成你的实际网卡名。

6. 放行 UDP 端口

如果服务器用了 UFW：

sudo ufw allow 51820/udp
sudo ufw reload

如果是云服务器，还要去云厂商安全组放行：

协议：UDP
端口：51820
来源：0.0.0.0/0

这是最容易漏的一步。WireGuard 用的是 UDP，不是 TCP。

7. 启动 WireGuard

sudo systemctl enable wg-quick@wg0
sudo systemctl start wg-quick@wg0

查看状态：

sudo wg show

看到 interface: wg0 就说明服务端启动成功。

三、添加手机、电脑、CatWrt 客户端

1. 生成客户端密钥

生成手机密钥：

cd /etc/wireguard
sudo wg genkey | sudo tee clients/phone_private.key | sudo wg pubkey | sudo tee clients/phone_public.key

生成电脑密钥：

sudo wg genkey | sudo tee clients/pc_private.key | sudo wg pubkey | sudo tee clients/pc_public.key

生成 CatWrt 密钥：

sudo wg genkey | sudo tee clients/catwrt_private.key | sudo wg pubkey | sudo tee clients/catwrt_public.key

2. 把客户端加入服务端

编辑服务端配置：

sudo vim /etc/wireguard/wg0.conf

在文件末尾追加：

[Peer]
# phone
PublicKey = 填phone_public.key里的内容
AllowedIPs = 10.8.0.2/32
[Peer]
# pc
PublicKey = 填pc_public.key里的内容
AllowedIPs = 10.8.0.3/32
[Peer]
# catwrt
PublicKey = 填catwrt_public.key里的内容
AllowedIPs = 10.8.0.10/32

服务端这里一定要写 /32，不要给每个客户端都写 10.8.0.0/24，否则多客户端容易冲突。

3. 重启服务端

sudo systemctl restart wg-quick@wg0
sudo wg show

四、生成客户端配置文件

1. 手机配置 phone.conf

查看需要填的密钥：

sudo cat /etc/wireguard/clients/phone_private.key
sudo cat /etc/wireguard/server_public.key

创建手机配置：

sudo vim /etc/wireguard/clients/phone.conf

写入：

[Interface]
PrivateKey = 填phone_private.key里的内容
Address = 10.8.0.2/32
DNS = 1.1.1.1
MTU = 1420
[Peer]
PublicKey = 填server_public.key里的内容
Endpoint = 你的服务器公网IP或域名:51820
AllowedIPs = 0.0.0.0/0
PersistentKeepalive = 25

AllowedIPs = 0.0.0.0/0 表示手机所有流量都走 WireGuard。如果只想访问 WireGuard 内网，改成：

AllowedIPs = 10.8.0.0/24

生成二维码：

sudo qrencode -t ansiutf8 < /etc/wireguard/clients/phone.conf

2. 电脑配置 pc.conf

查看电脑私钥：

sudo cat /etc/wireguard/clients/pc_private.key

创建电脑配置：

sudo vim /etc/wireguard/clients/pc.conf

写入：

[Interface]
PrivateKey = 填pc_private.key里的内容
Address = 10.8.0.3/32
DNS = 1.1.1.1
MTU = 1420
[Peer]
PublicKey = 填server_public.key里的内容
Endpoint = 你的服务器公网IP或域名:51820
AllowedIPs = 0.0.0.0/0
PersistentKeepalive = 25

3. CatWrt 配置 catwrt.conf

查看 CatWrt 私钥：

sudo cat /etc/wireguard/clients/catwrt_private.key

创建 CatWrt 配置：

sudo vim /etc/wireguard/clients/catwrt.conf

写入：

[Interface]
PrivateKey = 填catwrt_private.key里的内容
Address = 10.8.0.10/32
DNS = 1.1.1.1
MTU = 1420
[Peer]
PublicKey = 填server_public.key里的内容
Endpoint = 你的服务器公网IP或域名:51820
AllowedIPs = 0.0.0.0/0
PersistentKeepalive = 25

如果你第一次配置 CatWrt，建议先把 AllowedIPs 写成：

AllowedIPs = 10.8.0.0/24

确认能连通后，再改成：

AllowedIPs = 0.0.0.0/0

这样可以避免路由器一启用 WireGuard 就全家断网。

五、手机设置 WireGuard

1. iPhone / iPad

在 App Store 安装 WireGuard，打开 App，点击 +，选择扫码导入，扫描服务器生成的二维码，保存后打开开关。

2. Android

安装 WireGuard App，点击 +，选择扫码导入或导入配置文件，保存后打开开关。

3. 手机测试

手机打开 WireGuard 后，访问查 IP 网站。如果显示的是服务器公网 IP，说明手机流量已经走服务器。如果只是访问内网，可以测试：

ping 10.8.0.1

六、电脑设置 WireGuard

1. Windows

安装 WireGuard 官方客户端，点击 Import tunnel(s) from file，选择 pc.conf，然后点击 Activate。

2. macOS

在 App Store 安装 WireGuard，导入 pc.conf，然后启用。

3. Linux

安装：

sudo apt update
sudo apt install -y wireguard

复制配置：

sudo cp pc.conf /etc/wireguard/wg0.conf
sudo chmod 600 /etc/wireguard/wg0.conf

启动：

sudo systemctl enable wg-quick@wg0
sudo systemctl start wg-quick@wg0

查看：

sudo wg show

七、CatWrt 设置 WireGuard

CatWrt 可以按 OpenWrt 的方式配置。这里推荐把 CatWrt 当客户端，连接云服务器。

1. 安装 WireGuard 组件

SSH 登录 CatWrt，执行：

opkg update
opkg install luci-proto-wireguard wireguard-tools kmod-wireguard qrencode

安装后重启：

reboot

如果提示 kmod-wireguard 内核版本不匹配，不要硬装。通常是固件和软件源不匹配，需要换匹配的软件源或升级 CatWrt 固件。

2. 新建 WireGuard 接口

进入 CatWrt 后台：

网络 -> 接口 -> 添加新接口

设置：

名称：wg_vps
协议：WireGuard VPN

如果没有 WireGuard VPN 选项，说明插件没装好，或装完没有重启。

3. 填写接口信息

在 wg_vps 接口中填写：

私钥：catwrt_private.key 的内容
IP 地址：10.8.0.10/32
MTU：1420
监听端口：留空

CatWrt 作为客户端时，监听端口可以留空。

4. 添加服务端 Peer

在 对端 / Peers 里添加：

公钥：server_public.key 的内容
端点主机：服务器公网IP或域名
端点端口：51820
允许的 IP：10.8.0.0/24 或 0.0.0.0/0
持久 KeepAlive：25

如果只是测试，允许的 IP 先写：

10.8.0.0/24

如果想让 CatWrt 下的设备都走 WireGuard，再改成：

0.0.0.0/0

如果页面有 Route Allowed IPs / 路由允许的 IP，需要勾选。

5. 设置防火墙区域

如果只是让 CatWrt 自己访问 WireGuard，把 wg_vps 放到 lan 区域即可。
如果想让 CatWrt 下面的设备通过 WireGuard 上网，建议把 wg_vps 放到 wan 区域，因为 wan 通常已经开启 NAT，并允许 lan -> wan 转发。
如果你新建了 vpn 区域，需要确认：

lan -> vpn：允许转发
vpn：开启 Masquerading
vpn：允许输出

普通用户建议先放到 wan 区域，少踩坑。

6. CatWrt 测试

SSH 到 CatWrt：

wg show
ping 10.8.0.1

如果看到 latest handshake，说明已经连上。如果 CatWrt 配的是全局流量，可以测试出口 IP：

curl ifconfig.me

显示服务器公网 IP，说明 CatWrt 已经通过 WireGuard 出口上网。

八、常见坑

1. 没有握手

优先检查：云服务器安全组是否放行 UDP 51820，服务器防火墙是否放行 UDP 51820，客户端 Endpoint 是否写错，服务端是否添加了对应客户端 Peer，公钥是否填反。

2. 有握手但不能上网

检查服务器是否开启转发：

cat /proc/sys/net/ipv4/ip_forward

必须输出：

1

再检查 NAT 网卡名是否正确：

ip route | grep default

如果实际网卡是 ens3，配置里却写 eth0，就会连上但不能上网。

3. 多个客户端互相顶掉

原因通常是多个设备用了同一个配置。每台设备都要有独立 PrivateKey 和独立 Address。

4. CatWrt 一启用就断网

先把 CatWrt 的 AllowedIPs 从：

0.0.0.0/0

改成：

10.8.0.0/24

确认基础连接正常后，再考虑全局代理。旁路由不会自动接管全家流量，如果 CatWrt 是旁路由，还需要让设备网关指向 CatWrt，或者使用策略路由。

5. 能连但网页打不开

优先检查 DNS。客户端可以先写：

DNS = 1.1.1.1

如果某些网络下不稳定，保留：

PersistentKeepalive = 25

必要时把 MTU 改小：

MTU = 1280

九、新增客户端接入时怎么修改

后面如果要新增手机、电脑、平板、路由器，不需要重装 WireGuard，只需要做三件事：生成新客户端密钥、服务端增加一个 Peer、生成新客户端配置。

1. 规划一个新 IP

先给新设备分配一个没有用过的 WireGuard IP。例如前面已经用了：

手机：10.8.0.2
电脑：10.8.0.3
CatWrt：10.8.0.10

新增一台平板，可以用：

平板：10.8.0.4

不要和已有设备重复。

2. 生成新客户端密钥

假设新客户端叫 pad：

cd /etc/wireguard
sudo bash -c 'umask 077; wg genkey | tee /etc/wireguard/pad_private.key | wg pubkey > /etc/wireguard/pad_public.key'

查看新客户端公钥：

sudo cat /etc/wireguard/pad_public.key

3. 修改服务端配置

编辑服务端配置：

sudo vim /etc/wireguard/wg0.conf

在文件末尾追加：

[Peer]
# pad
PublicKey = 填pad_public.key里的内容
AllowedIPs = 10.8.0.4/32

注意：服务端这里只需要新增这个客户端的 [Peer]，不要修改已有手机、电脑、CatWrt 的配置。

4. 重启 WireGuard

sudo systemctl restart wg-quick@wg0

查看状态：

sudo wg show

重启时已有客户端会短暂断开，几秒后会自动恢复。普通用户用这种方式最简单。

5. 生成新客户端配置

查看服务端公钥和新客户端私钥：

sudo cat /etc/wireguard/server_public.key
sudo cat /etc/wireguard/clients/pad_private.key

创建新客户端配置：

sudo vim /etc/wireguard/clients/pad.conf

写入：

[Interface]
PrivateKey = 填pad_private.key里的内容
Address = 10.8.0.4/32
DNS = 1.1.1.1
MTU = 1420
[Peer]
PublicKey = 填server_public.key里的内容
Endpoint = 你的服务器公网IP或域名:51820
AllowedIPs = 0.0.0.0/0
PersistentKeepalive = 25

如果这个客户端只想访问 WireGuard 内网，不想让所有流量都走服务器，把：

AllowedIPs = 0.0.0.0/0

改成：

AllowedIPs = 10.8.0.0/24

6. 导入新客户端

手机或平板可以生成二维码：

sudo qrencode -t ansiutf8 < /etc/wireguard/clients/pad.conf

然后用 WireGuard App 扫码导入。电脑客户端则直接导入 pad.conf 文件。

7. 新增客户端时最容易出错的地方

新增客户端时，只记住这几条：

1. 新设备必须用新的 PrivateKey 和 PublicKey
2. 新设备必须用新的 Address，不能和旧设备重复
3. 服务端必须新增一个对应的 [Peer]
4. 服务端 Peer 里的 AllowedIPs 要写这个客户端的 /32
5. 原有客户端配置不用改

例如新增 pad，服务端只新增：

[Peer]
# pad
PublicKey = pad的PublicKey
AllowedIPs = 10.8.0.4/32

客户端只使用：

Address = 10.8.0.4/32

不要复制旧手机的配置直接用，否则两个设备会互相顶掉。

tmux        负责多终端会话持久化
claude-tmux 负责查看多个 Claude Code 会话状态
claude-tui  负责查看上下文、成本、工具调用、session 统计

一、环境说明

本文以 Ubuntu / Debian / WSL / SSH 终端环境为主。
先确认 Claude Code 已经能用：

claude --version

如果这里都不能运行，先把 Claude Code 装好，再继续后面的步骤。

二、安装 tmux

Ubuntu / Debian

sudo apt update
sudo apt install -y tmux curl git build-essential

macOS

brew install tmux

验证：

tmux -V

三、安装 Rust / Cargo

claude-tmux 推荐通过 Cargo 安装，所以需要 Rust 工具链。
先检查：

cargo --version

如果没有 Cargo，安装 Rust，如果没有魔法可能安装失败，可以部分用国内安装：

curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | \
env RUSTUP_DIST_SERVER=https://mirrors.tuna.tsinghua.edu.cn/rustup \
    RUSTUP_UPDATE_ROOT=https://mirrors.tuna.tsinghua.edu.cn/rustup/rustup \
    sh -s -- -y --profile minimal

source "$HOME/.cargo/env"

验证：

cargo --version

四、安装 claude-tmux

执行：

cargo install claude-tmux

确认二进制文件存在：

which claude-tmux
ls -lh ~/.cargo/bin/claude-tmux

正常路径一般是：

/home/你的用户名/.cargo/bin/claude-tmux

五、配置 tmux 快捷键打开 claude-tmux

编辑 tmux 配置：

vim ~/.tmux.conf

加入这一行：

bind-key C-c display-popup -E -w 80 -h 30 "~/.cargo/bin/claude-tmux"

重载配置：

tmux source-file ~/.tmux.conf

进入 tmux：

tmux

然后按：

Ctrl-b  Ctrl-c

就会弹出 claude-tmux 面板。
claude-tmux 常见状态：

● Working           Claude 正在工作
○ Idle              Claude 空闲，等你输入
◐ Waiting for input 等待权限确认，例如 [y/n]
? Unknown           不是 Claude 会话，或者状态无法判断

六、安装 claude-tui

claude-tui 的坑比较多，核心要求是：

Python 3.13+

先检查当前 Python：

python3 --version

如果输出是 Python 3.13.x，可以直接安装：

curl -sSL https://raw.githubusercontent.com/slima4/claude-tui/main/install.sh | bash

安装后执行：

claudetui setup
claudetui mode full

验证：

which claudetui
claudetui --help

七、如果 Python 版本不是 3.13+

很多 Ubuntu 机器默认是 Python 3.10 或 3.12。不要直接替换系统的 /usr/bin/python3，否则可能影响 apt 和系统脚本。
推荐做法：只在当前用户环境里使用 Python 3.13。
先检查：

python3.13 --version
which python3.13

如果能看到 Python 3.13，执行：

mkdir -p ~/.local/bin
ln -sf "$(command -v python3.13)" ~/.local/bin/python3
grep -q 'export PATH="$HOME/.local/bin:$PATH"' ~/.bashrc || echo 'export PATH="$HOME/.local/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc
hash -r

验证：

which python3
python3 --version

你应该看到类似：

/home/你的用户名/.local/bin/python3
Python 3.13.x

然后重新安装 claude-tui：

curl -sSL https://raw.githubusercontent.com/slima4/claude-tui/main/install.sh | bash
claudetui setup
claudetui mode full

八、常见坑

1：代理环境变量导致 curl 失败

如果你看到类似错误：

curl: (97) Can't complete SOCKS5 connection

或者明明没有主动加代理，但 curl 自动走了 socks/http 代理，先检查环境变量：

env | grep -i proxy

也可以逐个 echo：

echo "http_proxy=$http_proxy"
echo "https_proxy=$https_proxy"
echo "all_proxy=$all_proxy"
echo "HTTP_PROXY=$HTTP_PROXY"
echo "HTTPS_PROXY=$HTTPS_PROXY"
echo "ALL_PROXY=$ALL_PROXY"

临时清掉当前终端代理：

unset http_proxy
unset https_proxy
unset all_proxy
unset HTTP_PROXY
unset HTTPS_PROXY
unset ALL_PROXY

再次确认：

env | grep -i proxy

如果没有输出，说明当前 shell 的代理已经清掉。
重新测试：

curl -I --max-time 10 https://astral.sh
curl -I --max-time 10 https://raw.githubusercontent.com

如果你想查代理从哪里自动注入：

grep -nEi 'proxy|1080|8080|7890|socks' ~/.bashrc ~/.profile ~/.bash_profile ~/.zshrc 2>/dev/null

2：apt 代理配置导致 502 Bad Gateway

如果你给 apt 配过代理，比如：

Acquire::http::Proxy "http://127.0.0.1:8080/";
Acquire::https::Proxy "http://127.0.0.1:8080/";

然后出现：

502 Bad Gateway [IP: 127.0.0.1 8080]
仓库 InRelease 的签名不再生效

这通常不是 Ubuntu 源坏了，而是 apt 拿到的是代理返回的 502 页面，不是真正的 InRelease 文件。
先删掉 apt 代理：

sudo rm -f /etc/apt/apt.conf.d/99proxy
sudo apt clean

确认没有残留：

ls /etc/apt/apt.conf.d/*proxy* 2>/dev/null
cat /etc/apt/apt.conf.d/*proxy* 2>/dev/null

然后重新测试：

sudo apt update

如果你的网络必须走代理，先确认代理端口真的可用。
测试 HTTP 代理：

curl -v --max-time 10 -x http://127.0.0.1:8080 https://www.cloudflare.com/cdn-cgi/trace

测试 SOCKS5 代理：

curl -v --max-time 10 --socks5-hostname 127.0.0.1:1080 https://www.cloudflare.com/cdn-cgi/trace

如果 8080 返回 502，说明这个 HTTP 代理出口不可用，不要给 apt 配 8080。
如果 1080 可用，可以尝试 apt 使用 socks5h：

sudo tee /etc/apt/apt.conf.d/99proxy <<'EOF'
Acquire::ForceIPv4 "true";
Acquire::http::Proxy "socks5h://127.0.0.1:1080/";
Acquire::https::Proxy "socks5h://127.0.0.1:1080/";
EOF

然后：

sudo apt clean
sudo apt update

不用代理时，删除它：

sudo rm -f /etc/apt/apt.conf.d/99proxy
sudo apt clean

3：deadsnakes PPA 连接超时

如果你用 deadsnakes PPA 安装 Python 3.13，可能遇到：

连接超时
无法连接 ppa.launchpadcontent.net
IPv6 网络不可达

这时有三个选择：

选择 1：优先用 uv，绕开 apt PPA

curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env" 2>/dev/null || export PATH="$HOME/.local/bin:$PATH"
uv python install 3.13

选择 2：修好代理后再 apt install

确认代理可用后再执行：

sudo apt update
sudo apt install -y python3.13 python3.13-venv libpython3.13-stdlib

选择 3：不用 claude-tui，先只用 tmux + claude-tmux

如果网络暂时修不好，claude-tmux 已经足够看多个 Claude 是否 working、idle、waiting。

九、推荐的 tmux 工作流

创建多个 Claude 任务 session：

tmux new -s claude-api
tmux new -s claude-web
tmux new -s claude-test
tmux new -s claude-monitor

在前三个 session 里启动 Claude：

claude

在 monitor session 里启动 claude-tui：

claudetui monitor

最终结构类似：

tmux
├── claude-api      # Claude 任务 1
├── claude-web      # Claude 任务 2
├── claude-test     # Claude 任务 3
└── claude-monitor  # claudetui monitor

日常命令：

tmux ls
tmux attach -t claude-api
tmux attach -t claude-web
tmux attach -t claude-test

在任意 tmux session 里打开 claude-tmux：

Ctrl-b  Ctrl-c

打开 claude-tui 实时监控：

claudetui monitor

查看历史统计：

claudetui stats

查看 session 列表：

claudetui sessions list

十、最终配置

我的推荐组合是：

vim ~/.tmux.conf

配置：

# Ctrl+a c      新建 window
# Ctrl+a d      detach
# Ctrl+a |      左右分屏
# Ctrl+a -      上下分屏
# Alt+h/j/k/l   直接切 pane
# 鼠标点击       选择 pane
# 鼠标拖边框     调整 pane 大小
# 把 prefix 从 Ctrl+b 改成 Ctrl+a

unbind C-b
set -g prefix C-a
bind C-a send-prefix

# 开启鼠标
set -g mouse on
setw -g mode-keys vi
# 鼠标左键拖选：自动进入 copy-mode，并限定在当前 pane
bind-key -T root MouseDrag1Pane if-shell -F "#{pane_in_mode}" "send-keys -M" "copy-mode -M"

# 鼠标松开：复制并退出 copy-mode
bind-key -T copy-mode-vi MouseDragEnd1Pane send -X copy-selection-and-cancel

bind-key -T copy-mode-vi v send -X begin-selection
bind-key -T copy-mode-vi y send -X copy-selection-and-cancel
bind-key -T copy-mode-vi Enter send -X copy-selection-and-cancel

set -g set-clipboard on

# 按 r 重新加载配置
bind r source-file ~/.tmux.conf \; display-message "tmux.conf reloaded"

# 更容易记的分屏
bind h split-window -h
bind v split-window -v

# Alt + hjkl 直接切换 pane，不需要先按 prefix
bind -n M-h select-pane -L
bind -n M-j select-pane -D
bind -n M-k select-pane -U
bind -n M-l select-pane -R

# Alt + 方向键也可以切换 pane
bind -n M-Left select-pane -L
bind -n M-Down select-pane -D
bind -n M-Up select-pane -U
bind -n M-Right select-pane -R

# Alt + 数字切 window
bind -n M-1 select-window -t 1
bind -n M-2 select-window -t 2
bind -n M-3 select-window -t 3
bind -n M-4 select-window -t 4
bind -n M-5 select-window -t 5

# 绑定claude-tmux
bind-key C-c display-popup -E -w 80 -h 30 "~/.cargo/bin/claude-tmux"

常用命令

openclaw gateway stop
openclaw gateway start

ssh代理远程访问

ssh -N -L 18789:127.0.0.1:18789 claw@192.168.100.104

登录：
查看.openclaw/openclaw.json中token秘钥，然后登录：

http://localhost:18789/chat?token=XXXX

最近正好在使用figma的make功能，正巧代码工具又层出不穷，除了我常用的cursor， codex、claude code、gemini-cli等Agent代码工具迎来了重大升级，正巧我使用阿里云盘在追剧，痛点是当有新剧增加的时候，别人是分享到网盘链接里的，每次我都需要找到对应的网盘，然后保存到我的阿里云盘里。如果是已更新完的剧还好，如果是正在更新的剧，我还需要记住对应的链接，没事点开看看有没有更新，然后转存到我的网盘里。所以正好想开发一个小工具，能够根据链接进行转存，并且定时查看分享链接里的内容有没有更新，如果更新以后则转存到我的目标云盘里。
因此做了一个阿里云盘自动转存的功能，目前支持的功能如下：

• 支持阿里云盘登录、查看存储状态
• 支持阿里云盘通过分享链接转存
• 支持转存为特定的名字
• 支持定时转存设置
• 支持对订阅内容进行编辑、暂停、删除
• 支持查看转存日志
  本项目完全没有主动编写任何代码，全程使用和大模型对话方式进行实现，本次只是说明如何使用该软件，后续我会将如何用figma+codex自动化编写代码进行分享。

2. 软件安装与使用

2.1 安装

目前已经上传到docker hub，建议直接使用docker进行安装，也可以访问我的github，按照github进行安装

https://github.com/apostle9891/aliautosave

使用docker进行安装

# 拉取aliautosave
docker pull apostle9891/aliautosave:latest

# 运行docker，其中/path要改成你的path
docker run -d --name aliautosave -p 8144:8144 -v /path/aliautosave_data:/app/data apostle9891/aliautosave:latest

如果是网页docker，可以直接搜索：aliautosave

点击下载，并进行安装，安装过程中端口映射为8144，存储位置替换/app/data

2.2 软件使用

当安装完成后，可以打开对应的IP:8144,比如我的网页是192.168.100.101:8144
打开以后，点击扫码登录阿里云盘

打开阿里云盘，登录阿里云盘

登录完毕后，可以看到对应的云盘信息

点击新增订阅，填入需要新增的分享链接

可以看到拉取到对应的云盘里的电视剧信息，支持多种自动命名规则，会自动提取里面的名字、集数、季数、扩展信息等，然后转为标准的姓名，目前支持：

• {title}.S{season:02}E{episode:02}{ext}
• {title}.E{episode:02}{ext}
• {name}{ext}
• {title}.{index:02}{ext}
  提取出来以后，我们可以自定义命名title，比如我们这次的电视剧叫做大生意，那我们改为大生意人。
  
  可以看到整体预览名字改成了大生意人
  
  选择对应的目标文件夹
  
  支持新建文件夹
  
  选择定时的策略，默认选择立即订阅并开始复制，会对内容进行复制
  
  点击后即可立即进行复制
  
  支持暂停、编辑、删除、查看转存日志
  
  暂停
  
  日志
  

结尾

大模型能力越来越强了，如果说在2023年我第一次开通vscode的copilot还是属于辅助编程，去年我买了cursor属于自定义编程，现在从6月份开始就真正可以叫做Agent编程了，可以全程通过对话进行编程，以后只需要一个ideal，就可以实现自己的想法。

背景

当我们使用大模型对ASR（语音识别）文本进行总结时，如何判断总结质量的好坏？这里提供一个简单的测试框架。

核心测试维度

1. 完整性 ✅

原文的关键信息是否都被覆盖？

2. 准确性 🎯

总结内容是否与原文一致？

3. 简洁性 📝

是否做到了有效压缩？

4. 可读性 👀

总结文本是否流畅易懂？

快速打分表

💡 评分参考：4分以上为优秀，3-4分为合格，3分以下需要优化提示词

常见问题与优化方向

比如当我们约束“永远不要高度浓缩！”。

• 它不是直接理解「永远不要高度浓缩！」这 9 个汉字。
• 它理解的是：在训练语料中，「不要高度浓缩」「详细展开讲」「拆开来说说细节」这些表达，经常伴随什么样的输出模式。
• 所以每一句话，对它来说等价于在行为空间里施加一个「方向」：往“展开、详细、慢速讲”的区域移动。
  所以那些能稳定触发你想要的行为方向的短语
• 详细展开 / 不要省略 → 「不要简略」「详细展开」「逐点解释」
• 忠实原文 / 不瞎编 → 「不新增事实」「不要编造细节」「如实保留」
• 去掉元语言 → 「不要解释你的思考过程」「最终只输出文章，不提到指令」
• 结构清晰 → 「按以下结构…」「先…，然后…，最后…」
  这些词对模型来说，就是统计上非常稳定的“开关”。

背景

当我们使用大模型对ASR（语音识别）文本进行总结时，如何判断总结质量的好坏？这里提供一个简单的测试框架。

核心测试维度

1. 完整性 ✅

原文的关键信息是否都被覆盖？

2. 准确性 🎯

总结内容是否与原文一致？

3. 简洁性 📝

是否做到了有效压缩？

4. 可读性 👀

总结文本是否流畅易懂？

快速打分表

💡 评分参考：4分以上为优秀，3-4分为合格，3分以下需要优化提示词

常见问题与优化方向

比如当我们约束“永远不要高度浓缩！”。

• 它不是直接理解「永远不要高度浓缩！」这 9 个汉字。
• 它理解的是：在训练语料中，「不要高度浓缩」「详细展开讲」「拆开来说说细节」这些表达，经常伴随什么样的输出模式。
• 所以每一句话，对它来说等价于在行为空间里施加一个「方向」：往“展开、详细、慢速讲”的区域移动。
  所以那些能稳定触发你想要的行为方向的短语
• 详细展开 / 不要省略 → 「不要简略」「详细展开」「逐点解释」
• 忠实原文 / 不瞎编 → 「不新增事实」「不要编造细节」「如实保留」
• 去掉元语言 → 「不要解释你的思考过程」「最终只输出文章，不提到指令」
• 结构清晰 → 「按以下结构…」「先…，然后…，最后…」
  这些词对模型来说，就是统计上非常稳定的“开关”。