claude code响应慢怎么办

你有没有觉得啊， open code 在 复杂工程里特别慢，还容易返工？原因很简单啊，它本质上是单的 agent 顺序执行的。 最近啊，我试了一个升级版叫欧麦 open code， 他 做了一件关键的事情，就是他把单的 agent 变成了多 agent 的 并行安装，非常简单，直接复制一句话，然后进 open code， 他 会问你有没有 clode， code， 叉等等的模型，你如实回答就好了，没有的话就告诉他全部用当前的模型， 我用的就是 kimi。 二点五装好之后，你就会发现左下角从 build 变成了希奇福斯，这是规划和调度执行的 agent。 接下来在你的任务前面加一句， u l w， 正式进入多智能体模式，它会自动拆解任务 多个 a 阵的并行执行，边做边叫验，减少反攻，对复杂的改动化文件的联动，重构场景速度和稳定性的差距会非常明显。一句话总结啊，单县城的程序员和多县城工程团队的区别。

我相信很多非技术背景的朋友啊，一看到可乐扣的界面，黑乎乎的一个框，立马就打退堂鼓了。那今天我会给大家分享四个使用技巧，教你不再害怕他。第一个，拖动图片，很多新手一上来就会卡在一个问题，这图片怎么上传？那其实根本不用上传， 直接把截图拖到中端窗口就可以了。第二个，引用文件，没有了界面的编辑器，这文件怎么找？直接打一个艾特，输入文件路径前缀，然后选择你想要的。第三个， shift 加 table 切换模式，那在终端中按 shift 加 table， 可以 在正常模式、自动编辑模式和规划模式之间循环切换，那终端下方也会有提示啊。 第四个，斜杠命令， class code， 通过斜杠命令来快速调用各种功能。这种设计啊，其实在很多应用中我们都会可以看到，比如说豆包，它也是支持斜杠命令的。如果你不知道怎么用的时候，就直接斜杠 help 就 可以找到官方说明书，那 只要掌握以上四个小技巧，就能帮你顺利用上 cloud code。 你 还有哪些使用 cloud code 的 疑问？欢迎在评论区告诉我，我是新起，关注我，每天学习一个 web coding 的 小知识。

你花了一百块定 maxcloud code， 却越用越感觉不对劲，复杂问题搞不定，回答越来越浅，感觉智商在线下降。 你以为是模型变差了？不是，是它被偷偷调低了 v 一 点六八版本悄悄改了个默认值，把思考深度从 high 降成了 medium。 大多数人完全不知道这件事。 cloud code 一 共有四档， effort low 是 快速响应，适合简单问答。 medium 是 均衡模式，就是现在的默认有点省着用。 hi 是 深度推理，以前的默认，真正能扛住复杂任务的档位。 max 是 极限模式，专门给 oppo 四点六准备的 token， 不 设上限，给你死磕好一分钟修复两种方法，第一个打开 cloud settings json， 加一行 default level， 设成 high 保存就完事了。第二个零使用，在命令行加减减， effort high 就 这次生效。但是吧，不是所有人都要拉满的，来看怎么配最划算。 pro 订阅二十块一个月，老老实实用 medium 够用，别浪费头肯 max 五 x 一 百块，日常拉到嗨，碰到超复杂任务临时开 max， max 二十 x 两百块的直接拉满。 oppo 四点六全力跑，不用心疼， 注意一个坑。 max 车头更很猛。 pro 用户千万别日常开跑，大任务再切换，不然额度一下子就没了。就一行配置， ai 立刻回血满状态，赶紧去改收藏备用。

如果用官方版本的 qn 三点五本地部署用来跑 cloud code， 经常遇到报错或中途卡死，那今天这个教程必须看。社区刚刚发布了一个用 cloud ops 推理数据背调出来的 qn 三点五二十七 b 蒸馏版，实现了对 cloud code 生态的支持。 实测解决了原生版的三大工程硬伤。第一个痛点就是凡人的兼容暴躁，原生版遇到 developer 角色直接崩溃，逼着你每次换工具都要改配置去屏蔽。而蒸馏版直接重写了模板，实现了原生支持，现在主流的抠钉工具直接开箱即用，告别各种繁琐的补丁。 第二点是解决了简单问题，想太多的毛病，原生版容易用力过猛，简单问题也长篇大论才给答案。但蒸馏版注入了 opus 的 结构化思考逻辑，他学会了该深挖时深挖，该收束时绝不墨迹。 这就带来了一个巨大优势，虽然生成速度依然保持在三十个托肯每秒左右，但因为他大幅减少了无效的推理步骤，比赶上效率翻倍。第三个硬伤就是藏任务卡死。 原生板在连续执行多步操作时，经常中途冻结，需要人工介入。而蒸六板彻底稳住了，直测能自主连续运行超过九分钟，等待工具自我纠错写代码一气呵成，真正像一个成熟的打工人。 最关键的是，硬件门槛一丁点都没变，模型架构完全一致，你之前拿多大显存跑原声，现在照样能跑。如果你需要长时间跑，多轮工具调用，或者实在受够了那些配置折磨，立刻换这个蒸馏板就对了。

给大家介绍三个非常实用的 cloud code 新功能，每个功能都能明显改善你使用 cloud code 的 体验，尤其是第三个，将彻底改变你使用 code code 的 方式。第一个功能， agent teams。 以前的 ai 助手只能单向听你指挥，干点碎活就得找你确认。 现在你可以直接拉起一支 ai 团队，他们各自独立写代码，还能在后台直接互相发消息讨论方案。遇到那种需要反复试错的复杂长流程任务，直接对他说一句，启用 agent team 功能帮我实现。 然后你就可以去喝咖啡了，让这帮数字小弟自己开会解决。第二个功能， cloud code insights， 乔伟琴 insights 命令稍微等一下，他会直接甩给你一份过去三十天的专属 h t m l 体检报告，里面清楚记录了你在哪些项目耗了多久，最爱用什么指令。最狠的是他能精准抓出一直卡住你效率的摩擦点，甚至直接给你一份私人提效建议，告诉你哪些隐藏功能可以立刻把效率拉满。 第三个功能，也就是重头戏无限循环。这一行命令直接把聊天框变成了全自动的超级 a 阵，语法极其简单，斜杠 loop， 加上时间间隔和任务描述，真正可怕的是它的无线套娃能力。你可以直接开三个终端， 一号终端每十分钟跑一次测试，修二号终端每半小时盯紧原码库处理提交，三号终端每一小时自动分析错误日记出报告。一台电脑瞬间变成了一整个不知疲倦的赛博打工团，想让这个自动化军团不翻车，核心秘籍只有两个字， 大脑在你的项目根目录新建一个 c l a、 u d 慢电，把你的代码规范、常用命令甚至踩过的坑全写进去， 这就是他的外挂大脑，他每次启动都会先读这份文件，永远清楚当前的规矩，绝不乱动代码。大脑配上刚才的录屏引擎，不需要写复杂的自动化脚本，也不用装任何第三方插件，你的专属自动化流水线就彻底跑通了。

我在 windows 系统底下用 color code 和 code x 这个命令行板特别不方便，自己写了一个窗口模式，桌面版可以 color code 又可以 code x， 比较方便。那这个有几种问题啊？就是这个命令行板输入时光标定位特别慢， 他这边用用方向键定位就特别的不就骂，如果很长的话题是词就特别麻烦。这个就是复制那些截图很麻烦，因为有时候我像截图内行版，这个截图就复制就特别累。那我这边的截图就比较轻松啊，接，我喜欢这个截图，截一个 直接在这里，窗口里就直接粘贴就可以复制了，这样比较方便一点。另外呢，窗口监控啊，不知道哪窗口已经完成，因为有时候我会开特别多窗口吗？我能开七八个这种窗口，那这种窗口就不知道哪个完成了，就要点，特别麻烦。 那我这个写了以后就完成了，就是一个红点啊，直接这个红点点进去就取消了，因为他完成了吗？ ok。 还有个就是历史记录多查找不方便，有时候我会关掉那历史记录，他特别多，有时候就找头大。那这个地方 历史记录点开以后就往下就比较方便了。这个是扣格勒扣的，这个是扣 x， 历史记录拉下来啊，就搜索比较方便。做了一个自动化运行的工具，剪一下这个地方，先给他一个计划，让他写一个计划，例如罗列了以后就直接点这个自动点一下， 很简单啊，就是会自动的给他弹出一行字，然后执行计划，下一步一个很简单的小程序，他自动就运行了。你可以设置他的这个步数，调那个小脚本 切换的话，用这个 cc， cc 切换，然后我这个已经开源了，代码已经开源了，就是这个分享一下啊？

你是不是也把 cloud md 当成一个大号 prompt 在 用？把规范背景任务全往里塞，然后发现 cloud 还是记不住你的东西。问题不在 cloud， 在你的结构没搭对。真正想让 ai 懂你的项目，光靠一个 cloud md 是 不够的，得有四层同时到位。第一层， cloud md 本身这玩意儿应该只放核心，规范和硬规则，控制在一百行以内，不是什么都往里塞的地方， 塞太多会占光 context 反而让 cloud 变笨变慢。第二层， cloud skills 文件夹，这里放可附用的工作流，你把流程交给 cloud 一 次，它之后每次自动执行，不用反复解释，不用重新交代。 第三层， cloud hooks 护栏自动化检查，防止 ai 做你不让它做的事，省掉人工复查，也省掉心跳加速的那几秒。 第四层， dos 文件夹，详细文档都放这里。 clod， md 里只写引用路径就行，这样不抄报 context window clod 需要的时候自己去读，搭起来只要三个命令， mkdi 减 bitskillers， cloud hooks， docs。 然后 cloud md 只写规则 workflow， 做成 md 文件扔进 skills， 细节文档统一进 docs， 全部 antropic， 官方支持 cloud code 自带，不花一分钱，十分钟配完，你会发现 ai 真的 开始懂你在做什么了。赶紧收藏，回头配一遍。

ai 智能体成本最大的因素是什么？很多人会说是 token 的 长度越长，那么成本它肯定是越高。但是 cloud code 他 们的开发者发了这样一篇文章，他说的是提示词缓存命中就是一切，也就是 k v catch 的 缓存命中率， k v catch 的 缓存命中和不命中它的成本会相差到十倍以上。首先说一下 k v catch， 它本质就是你 之前上一轮对话，他已经计算好的一些内容，他会保存下来，那么你下一轮对话最好只是给他新增，比如说你新增这几句话，然后前面所有的上下文是完全没动的，那么他只需要计算你发的这几句话的这种计算量就够了，前面的他都是已经保存下来了，所以说这样的成本会非常的低。 但是如果你的上下文里面塞了现在的时间，那么你的上下文就已经断掉了，你在哪里 改变的，那么他后面的全部都要重新进行计算，所以说他的成本会非常的高。 ok， 这篇文章也给我们了一些怎么样提高提示词缓存命中率的一些操作经验。 首先他们就列出来了他这种提示词他大概的一个排列顺序，那么你改的时候一定就不要去改前面的，那么你新增的一些消息就应该放在最后面。 他就说了一下，首先是这种静态的系统提示词，然后是这个 cloud 的 md 文档，然后绘画上下文，然后才是这个对话消息，你一定要把你应用的上下文，比如说足够长了之后，你一定要打印出来，看一下你的应用上下文到底是怎么样排序的， 一定要把它顺序排好，最好对话的消息就是放在最后不断地加载，不断地加载的，然后他就说了一下， 这个消息一定是放在最后进行更新的，自动进行更新去进行添加，要放在最后的第二个点，就是不要在中途去换这个模型，哪怕你之前使用的是 opus， 但是如果你把它换成嗨酷，虽然这个嗨酷比 opus 的 成本要降了，应该是在五分之一， 但是实际上你换成这个嗨酷，它会比你之前再去对话其实是更贵的，因为它需要重建这个嗨酷的提示词缓存。所以说如果你需要换模型，那么你应该是起用一个子智能体，而不是去直接换模型。 还有就是千万不要在绘画的途中去添加或者移除工具，或者去动态的改变工具。这也就是我们之前出现过很大的问题，因为我们的应用它有非常多的 m c p， 这个 m c p 可能就占到了几十个甚至二十到三十 k 的 这种上下文缓存，我就想把它压缩，其实我不动它调用它的成本反而是更低的，这也是我们的一些坑点。 然后就是规划的模式，因为 cloud code 它是有一个规划的模式的，它是就不用具体去操作规划的模式，它是完全不会动这些工具提示词的，而是会跟它加一句这个提示词描述做约束，而不是去换它的体这些工具，因为这些工具如果你去换它，你会破坏掉它的缓存。 然后就是工具搜索，就是 m c p， 也就是我们刚才遇到的那个问题，他说了一下，他们不会去移除这些 m c p 工具，并且也并不会进行加载，而是做了一个 to 搜索工具，去搜索具体的这些 m c p， 而这些 m c p 的 提示词， 他会去把它整理成一个短的前缀，直接放在他的出示文档里面。然后我们要去做压缩，因为很多时候我们要做压缩，它上下文快达到上限的时候，你就必须要进行压缩。他也说了一下，他们之前可能想的就直接把这种对话直接进行压缩，这样的话少掉一些工具，少掉一些内容，这些可能会效果更好， 但是他们发现这样其实是不 ok 的， 他们用了一个最简单的方式，就是直接再发了一个提示词发给 cloud code， 让 cloud code 自己去执行这个压缩的命令，这就是他们的一个解决方案，他会把后面的这个压缩消息会固定一个消息去发给这个 cloud code， 然后总结了一下，一共有五个。首先就是提示词的缓存，就是前缀的匹配，就是你前缀永远不要换，用消息去替代这个系统提示的，更改你的系统提示词千万不要动。 然后不要在中途特别是你对话了一百 k 的 上下文的时候，你去换模型，这样的性价比是极低的，哪怕你换到一个最便宜的模型，都没有他那个缓存命中的成本低。然后他们要监控这个缓存的一个命中率， 要一直监控这个缓存的命中率，如果有问题他们就要马上进行修改，因为像梅纳斯或者 cloud code 的， 他们如果没有考虑这个缓存命中的话，他两百美金一个月，不要说两百美金，两千美金他们就算是自己模型提供商，他们的成本都打不住， 所以说缓存命中是非常重要的。还有就是这种节点尽量还是使用这种消息去进行压缩的方式，而不要去动他前面的上下文。 所以说总结了一个点，你想要成本低，那么你前面的东西最好什么都不要修改，包括你的提示词，包括你工具返回的内容，前面的东西全部都不要再做修改，那么你这个应用才是一个成熟的应用，要不然你的成本肯定是打不住的。

哈喽，大家好，我是 jason。 不知道大家在用 cloud code 的 时候有没有遇到过这样一个问题，明明你的需求还没有写完，那是 cloud code 他 自己就停下来了，说你的需求已经写完了啊，这个问题呢，我经常会碰到，然后我就会继续跟他聊，然后发现越聊他好像越笨了啊，很多很 细节的东西他就没有办法去写下去了啊。最近呢，这个问题被一个叫做 rough loop 的 玩法解决了啊，这个 rough loop 现在被讨论的非常火，它是什么东西呢？它其实就是在 code code 的 这个命令行外面套了一层负循环啊，这个可能程序员朋友可能听得懂， 有人呢，睡前把这个 rough log 跑起来，然后早上起来检查成果，就发现它的七十多个功能点和三千多个测试都已经写好了。今天我们来看一下这个 rough log 和传统的 cloud code 它的一个区别。我们先来说一下传统的 cloud code 在 运行的时候会碰到哪些问题。 第一个就是我们刚刚说的可能跑了一半，他说他已经写好了，但其实你的任务并没有真正的写完。第二个你会觉得越聊他越笨，因为我们的上下文已经积累了很多，他有一些无关的信息 冲刺了你的整个上下文，去影响他的一个思考和推理。然后还有一个问题就是我自己也是感同身受，就是你在使用 code code 的 写的时候，你得一直反复的复制，粘贴， delete， 然后看哪里有问题，非常耗精力，特别是长时间的这样一个对话，它的效率又很高，你得一直去跟他聊， 这是在 web coding 这个阶段，嗯，程序员会碰到的普遍的问题，所以总结下来呢，呃，在传统的 ai 的 coding 用法里面，它其实就是一个呃助手，你可以把它想象成一个 呃，刚毕业的逻辑很清晰的研究生。但是你必须要不断地去检查它的一个成果啊，你得带着它去完成任务。然后这个 rap 就 很有意思了，我们看一下它是怎么解决的。它在外面套了一层负循环，不断地去轮询你的提示词 啊，不让他去决定自己什么时候能够停下来，就让他一直不断地跑好。但这个有一个前提，就是你的这个 prompt 提示词已经写好了你所有的需求，你到底要一个什么样的一个结果和条件？ 呃，把所有的规范都给它写清楚。所以 rough look 它的流程是这样子的，首先，你在外部先定义好你整个需求的文档是什么样子。呃，包括你的细节，说白了就是 p r d。 你 要说清楚你要实现的一个详细的效果是什么样子， 然后丢给 rough loop， 让它负循环不断地去跑啊。当嗯， cloud code 他 觉得自己需求已经写完的时候，哦，你不让他决定什么时候停，而是重新刷新整个上下文。 rough loop， 重新读一遍你的 prompt， 让他自己去检测有没有哦，完成你这样一个需求， prompt 这样的一些文档， 所以外部的这样一个脚本会去拦住他的想停的这样一个呃动作，你真的写完了吗？我们再检查一遍，不断的重复并重复，然后最后去优化他这样的一个结果啊，通过这样的一个循环，一晚上让他自动跑啊，我们就能够让我们的需求真正的能够被验证通过， 并且实现你最后真的要的效果。他其实解决的我觉得最大的问题就是他把上下文给你不断的刷刷新，然后去验证， 嗯，这样这样的一个过程，所以跟传统的 cloud code 用法最大的区别就是，呃，不是 ai 他 说完成就完成了，而是外部的验证通过了你才算完成。第二个点的话，就是他会每 次都开新的上下文，开新的对话去沟通，避免长很长的上下文去污染，导致他越聊越笨啊。最后一个很关键的点就是我们不用一直盯着我们，丢给他们最后的需求，然后你就可以去睡觉或者你去玩就行了。 第三个问题呢，其实就是我们在实际使用这个 rough loop 的 过程中会有一些前提。第一个是，呃，如果不断循环去跑，并且用 opus 四点五这样一个最顶级的模型的话，它的成本可能还是会比较高的 啊，所以有人建议就用 glm 国行的这样一个大模型，它的成本可能只有 opus 的 十分之一，就很适合用这套 rough loop 的 玩法去试一试。 第二个呢，就是我们的试用场景，呃，像这样一套 rough loop 的 用法，其实还也是比较适合我们的干店验证的这样一个阶段的，它有一个明确的验证标准，不需要过多的去主观的去做决策 啊，不然你在过程中可能很多细节没想清楚，你丢给他他最后生成的东西你也不知道到底好不好，所以归根到底呢，我们的核心需求就是因为这套流程，嗯，他是一晚上一直去跑的，会跑非常久， 你中间是没有办法去干预和修正的，所以前期准备就特别重要，我们必须要把需求给他说清楚，整理好你的项目背景，给他交代清楚，然后并且定义好什么样的东西你才算做完了。所以这些东西呢，变成了关键的能力。 那这篇文章的作者叫做丹，他最后也提出了我们开发者的角色其实已经反发生了一个明确的变化。 以前呢，是可能产品经理派活给我们，让我们去写，现在是我们派活给 ai， 让 ai 去写，他用了一个词叫 cpu， 叫做 code product owner 啊，你的是代码产品的一个主人。然后他也在重申，之前我说过很多次的一个观点，就是你以前有很多想法，没有时间去做， 现在 ai 出来了，你现在完全可以去 build 了，不要怕你做的东西不完美，完美是你去实现你想法的一个阻碍而已。好的，总结一下呢，我们传统的 cloud code 其实就是一个助手， 你得带着他去用。那 rough loop 出来之后呢，他就是一个员工，你把需求给他，他自己就能跑，不断地跑。 那想试的话，官方已经出了一个 cloud code 的 rough loop 的 这样一个插件，叫做 rough loop， 大家有兴趣可以去尝试一下。那其实呢，我觉得底层能力其实是通用的，你的需求描述能力， 然后你的沟通能力、逻辑能力，最后包括你的验证能力。你这个不，不管是呃用 rough loop 还是用 cloud code， 还是真的跟人打交道，都是你必须要去掌握的一个通用的能力。

你有没有发现， cloud code 越用越卡，回复越来越慢，感觉没以前聪明了？别以为是错觉，很可能是你装的 m c p server 太多了。 有人实测过，十个 m c p server， 加上两百一十二个工具，对话还没开始，就已经消耗了十六万个 token， 占满百分之八十二的 contacts window。 cloud 的 大脑还没动，已经快撑不住了。 官方 github 的 issue 三千零三十六也确认了这个问题。 mcp server 越多， context 消耗越离谱。想自查打开 cloud code， 输入 context， 看看剩多少，一开口就用了百分之五十以上，说明你的工具太多了。 怎么解决？删，有个 ready 的 用户把二百三十五个主键销到八十七个，删了十五个 mcp server 删了五十个 skill， 删了五十二个命令，删了十二个 agent， 结果响应速度明显提升，输出质量跟着变好。 记住一个原则，不要预防性安装感到痛过再装 copy code， 不是 插件越多越强，是 context 用得越精准越聪明，该删的删，才能让它真的帮你干活。

这个大神是开发 cloud code 的 一个工程师，他最近发了两篇在构建这个 cloud code 的 时候的一些经验教训。这篇文章如果你是 cloud code 的 的使用者，你看了之后会让你的 cloud code 更加的熟练，效率更加的高。 如果你是一个智能体的开发者，这个至少让你少走十倍的弯路。因为现在几乎所有的编程智能体，不管 open curl 还是 manage 这些几乎都是在沿用 cloud code 的 这种智能体的一些经验。 ok， 我 们今天就来详细看一下这篇文章。首先他的标题就说了一下，让我们像智能体一样思考，或者我觉得更像是让智能体像我们一样思考，而不是我们五官的强加给他一些工具，强加给他一些我们认为好的一些工具方法， 而是要让他按照我们人的一些方式方法去操作。要怎么样去构建这些工具？到底是要构建非常多的工具呢？还是应该去构建一些少的工具？然后比如说工具，纸张也是工具，手动计算也是工具，计算器更是工具，但是你就必须要掌握更高级的技能， 然后电脑他也是工具，但是你就又必须要掌握编辑代码的一些功能，他其实想表达的是工具是根据模型的能力不断引进和变化的。 然后他们就说了一下最开始他们的一个坑怎么样去跟用户进行交互，比如说他们完成一个计划的时候，要用户同意这个计划，或者说去改进这个计划，去反馈，去沟通他怎么样用的。最开始他们是有一个退出计划的工具，退出了之后使用这种纯文本的方式， 虽然这个看起来实现起来最简单，也是最符合直觉的，但是这个事情会让 cloud 感到困惑，因为他要求 cloud 又向用户提供了计划，又要求他们回答关于这个计划的一些问题，就有点违背他的常识，就让 cloud 感到困惑。他们就换了一种方式， 比如说他们就固定了这个 plan 计划之后，他会让他们输出一个结构化的内容，比如说 markdown 格式，然后他们来做解析，然后让用户进行回答，但是他们发现这个虽然是 ok 的， 但是输出来的这种结构化的内容，往往他没有按照这种格式来，就容易出问题。 最后他们就使用了一个工具叫 ask user question 的 工具，就专门调用了一个工具来问这个用户 cloud 的 问题具体的选项是什么？他们发现这个 cloud 可以 在任何时候调用它，因为它非常符合我们人的一些习惯，我们人的一些资料 做完一个任务的时候，你应该用问一下用户，它是非常符合这个逻辑的，所以说他想要总结出来的就是这些工具必须非常符合逻辑，非常符合我们人的一些习惯。 你出了一个计划的时候，那么你下一个就是应该去问他，那么你设置这样一个工具，就会强化他问他的这个过程，而不是直接去退出这个计划。就很奇怪，我们设置一个计划，然后退出计划，然后再去问用户，这个就完全不符合逻辑。 然后他也说了一下，这个东西它并不是最终的一个解决方案，因为不同的模型可能它适用的方法可能不一致，因为模型的性能是在不断的提升的。然后这个就是更新的一个功能，因为之前我们用 cloud code 的 时候，我们会发现有这种 to do list， 它会列出来它想要操作的一些东西。 然后他们就发现了，现在大模型能力提升了之后，它甚至不用列这种 to do list 的， 它的这种上下文指定遵循的能力都是非常好的。 并且用这种 toto list 的 它其实没有把它写下来，并没有持久化，当有多个智能体进行协助工作的时候，这些东西是不能传递的，所以说它并不适合多智能体的工作。然后它们就出来了这种 task， task 它其实本质上是把这些任务计划全部写在了一个 markdown 的 文档里面，不同的模型它们是共享这个文档的， 它们都可以进行修改，都可以进行读取，这样的话它就更加适合这种多智能体的写作。因为这种 opus 的 这些模型出来了之后，因为它指令遵循能力是非常强的，它之前可能说了一下计划，它后面就会按照这个计划一步一步的执行。当然模型稍微差一点的能力，这个能力是不太够的， 比如说大家做开发的时候，应该是可以感受的到的。嗯，很多模型它把它的计划它就给你乱乱做了，这就是为什么要有这个 to do list 的 一个原因。 但是像这种能力非常强的模型出来了之后，你这个 to do list 写好了之后，它会严格的按照这个 to do list， 它就有点苛刻了，题型过于苛刻就导致它会完全按照它，就算中间有一些修改它都不会做，修改它的泛化性就差了。 所以说他们提出来了这个 task 的 一个理念，一个方案，然后就是这个搜索，因为像这些编程工具，它最大的一个问题就是拿到它想要的一些上下文，拿到它去完成任务的一些上下文，但是这个怎么拿怎么拿是符合逻辑的，怎么拿是最省 token 的。 然后他也说了一下他们的一个经验，最开始他们也是使用的这种 reg 向数据库解锁的方式，但是他发现在各种环境下是不太稳定的。而且最重要的是这种 reg 的 方式，它是预先获取的上下文，它并不是 cloud 模型自己去查找的， 他拿到的东西就有点奇奇怪怪的，他就不符合他的上下文。我突然想这个东西，突然我的脑子里面就多了这些对应的参考文献参考的一些内容，这个事情就很背论，他就不符合人的一些思想， 同时这些大模型都是人的这些语料库训练出来的，所以说他不符合人的思考，那么他一定效果是不太好的。 然后他们就做了最简单的一个方式， grab， 就 跟我们人程序员去做编程一样，我们都是使用这种方式去做关键词的一些解锁，让他自己去搜索文件，搜索关键的内库这些来进行自行的构建上下文， 这样的话他上下文就是连贯的，他自己去拿，自己去拿到想要的东西不够，他就又可以自己去拿，而且这个东西他是自己可控的，而且他是有这样的一个渐进式批漏的理念， 但是他当时是没有提出来，他们引入了 skills 之后，他们正式地提出了这样渐进式批录的一个概念。 skills 相信大家都已经非常了解了，就是先读取一个原数据，然后如果这个原数据这个 skills 是 完成这个任务需要的内容，那么这个 cloud 他 就会去看这个 skills， 然后去完成这个工作。 然后他们也说了一下模型的能力是不断地引进的，一年多的时间， cloud 从无法自己构建上下文，到可以跨文件的嵌套解锁，然后自己找到准确所需的上下文， 这个是由于模型的能力的引进，所以说它的性能是在不断不断增加的。可能最开始还是需要 reg 解锁的这种方式，但是现在到底它需不需要，或者说它需要多大的数量级才需要这种 reg 解锁的方式，这个是大家可以值得商榷的，而且最好 他都是主动解锁，而不是强行的塞到这种 cloud 的 脑子里面。他也说了一下这种渐进式纰漏，因为现在 cloud code 大 概有二十个，他们加每一个工具他们都会非常精细的评估这个东西到底是不是能加，是不是应该加。然后他们也说了一下这种 m c p， 这种 m c p 的 方式，他们使用的是直接把工具作为一个标识符放在那儿，他如果需要的时候，他自己去会去看那个工具，这样的话你 m c p 的 提示词就不会称爆它的上下文，它会放在系统提示词里面，然后他们用了一个搜索的方式去搜索这种 m c p 的 工具， 并且他也建议比如说另外一种渐进式，譬如的方式是让起一个子智能体去拿到一些想要的结果，但是绝对不是，中间的信息也是你需要的，而是你只需要那个结果就可以，那么你就应该起一个子智能体去拿你想要的结果。 ok， 最后他也说了一下这个智能体的构建或者工具的构建，或者 skills 的 构建是一门艺术，而不是科学。 我个人的感觉是你一定要给他的这种逻辑和思考或者工具一定要是符合我们人的操作习惯的，而不是把你想当然的把它当做一个工具，要把他的思维当做我们人的一些思维，然后给他编程的这些工具可能会更加的准确一点。

我之前 cloud code 订阅的是 pro， 一 不小心就把限额用超了，所以特别焦虑，隔一会儿就强迫症一样用 slash usage 去查限额，现在还剩多少。直到有一次我看到朋友的 cloud 终端底下直接显示了这些信息， 我立马就问他装了什么，拿过来就用上了。这个插件的名字叫 cloud hard， 是 一个澳洲的开发者叫 grog watts 写的， github 上已经现在有四千多个 star 了。装上以后， cloud 的 底部会多一条状态栏。 就拿刚才说的限额焦虑来说吧，用 pro 或者 max 的 人应该都被限速过对吧？写到一半突然告诉你，请稍等几分钟，节奏全断了。装完这个插件，状态栏会直接显示你限额还剩多少，然后什么时候刷新， 快到上线的时候，你可以缓一缓，也不至于直接被卡住了。所以再也不用强迫症一样切出去用 slash usage 了。限额的问题解决了，但还有一个更隐秘的坑，上下文窗口。你跟 cloud 的 所有对话，他读的文件，跑的命令，全都挤在一个上下文窗口里，满了大模型会自动压缩，但压缩是有损的，之前你们聊好的设计决定具体的文件路径， 报错信息都可能被模型直接丢掉。而且很多大佬测过 cloud 的 回答质量，其实从上下文用到百分之三十到四十的时候就开始下降了，不是等满了才出问题了。所以最好的做法是，当你看到这个进度条过半了， 那么做完手头这个功能，或者修完这个 bug， 直接用 slash clear 清空上下文，比主动压缩或者被动压缩都要好得多，因为你能挑一个干净的时间点来做状态栏，还会显示你现在用的是哪个模型。 这个为什么重要？我个人的工作流程是这样的，在一开始的项目规划阶段，我会无脑一直用 opus。 这个阶段目的就一个，把项目所有的需求落实到文档里面，比如产品的需求文档、技术架构文档、测试文档、部署文档等等。然后用其他的模型，比如 codex 或者 gemini， 让他们来评估文档里是不是有些不清楚的逻辑不通，或者不符合最佳实践的地方。然后继续让 opus 迭代， 直到这些文档里其他文模型提不出任何问题。那么继续到项目实施阶段，那么我会就用 slash model 切换到 sonet， 那 么它只要按照写好的文档去执行就行了，不需要考虑太复杂的情况和特别深的推理。状态栏上一眼就看到自己现在挂的模型是哪个。不用猜，这个插件的安装也非常简单，你只要跟着 github 上这个 install， 三步直接就装完了，我就不赘述了。所以总结一下，这个插件就干了三件事情，限额快到了，提前预订，上下文快满了，提前知道当前的模型，一眼就看到三条命令，装完零配置。 其实这期内容是因为之前好多粉丝在问我 cloud 底下那个状态栏是什么，所以我才想起来专门介绍一下。所以以后你们如果看到了我用什么东西，感兴趣的工具或者配置，直接留言告诉我，我都可以出一期讲一讲。

如果你还在把 cloud code 当成一个只会在终端里聊天的窗口，那你可能只发挥了它百分之十的功力。作为一款真正的 a 阵开发工具，它拥有强大的文件操作、终端控制和外部工具集成能力。 下面是我经过深度使用总结出的全套快捷键命令、配置项及工作流。在使用 cloud code 的 时，不要傻傻地全部手打， 熟练使用快捷键能让你的操作速度翻倍。 shift 加 tab 能让你在普通对话自动同意修改和计划模式之间快速切换。当你要写一段很长的提示词时，在终端里修改非常痛苦。 按下 ctrl 加 g， 它会自动调用你的默认编辑器，写完保存，关闭，自动传回终端。遇到了 u i 错位报错、截图甚至带有手绘箭头的草图，直接通过 control 加 v 粘贴进终端， cloud 完全看得懂。想让他看某个特定文件，不需要等他自己找，直接输入 at 符号，他就会弹出所有的文件内容，选中就能读取。在对话框输入斜杠即可触发，这是管理 ai 状态的核心。 clear 是 最常用的命令，没有之一。 每次切换任务或修完一个 bug 后，一定要清空上下文。 compact 记忆压缩，当进度调爆红，但你又不想清理对话时，使用此命令，它会总结前面的对话并释放空间。 rewind 列出当前绘画的所有操作快照 ai 改版的代码，你可以一键回滚到指定节点。 model， 根据任务难度随时切换引擎 cost， 实时查看当前配置白名单面板。 在项目根目录创建一个 cloud md， 这是最高优先级的系统提示词。不要长篇大论，重点写项目的技术栈是什么，每个目录是干嘛的？代码规范是什么？怎么跑测试。我已经将完整的内容整理成了飞书文档评论区 c c。

这期跟大家分享我最近使用 cloudco 开发应用的时候整理出来的几个非常高效 小技巧。当你在整个项目开发过程中知道是哪一个文件的代码是有问题，又不想影响别的文件的功能代码，你可以在命令行里面输入对应的文件 的，只会针对这一个文件进行分析和处理，并不会影响到其他文件的功能和代码。 如果你在测试应用的过程中发现面和功能有问题，把整个页面截图复制到命令行里面，就会针对你给出的页面截图，更高效快速的测试过程中存在的问题。 如果你想让 cloud 帮你设计一个开发方案或者完整的应用方案，不用先开发，只想让 cloud 给出一个完整的方案。我们按 shift add 让口进入计划模式，我们现在可以看到现在进入了计划模式， 把你的要求和提示词输入进来，只会分析并且给出对应的方案，不会直接的进行开发整个项目。我们需要一个功能和配置参数的文档， 这种文档不需要我们手动去写，我们只需要在命令行里面输入回车，他就会生成像我这个应用一样的非常详细功能和配置参数等到 如果我们在开发过程中遇到复杂的问题，或者我们整个项目的代码是非常多，我们在提示时中输入深度思考，再输入我们的提示词要求， ro 的 会深度的去分析我们整个项目以及提示词要求， 能更高效的解决我们的问题。在我们开发过程中会产生大量对话记录内容， 我们需要定期的清理，需要用到的指令是 clean 指令，这一个指令就直接清空上下文，并且重新开始。如果你想去保留原来的记忆，但又想清理原来的记录的话，我们就需要用到 impact。 为什么我们需要去定期去清理呢？因为我们在跟 cloud 交互的过程中会产生大量聊天历史记录， 我们在开发当中 cloud 的 生成的代码会变慢，达到一定量的时候就需要我们重新开始对括号，重新跟 cloud 进行交互开发。 如果我们想快速的切换别的编程大模型，我们只需要去啊 mod， 我 们就能看当前所选的大模型，以及我们可以快速的去切换到别的大模型。

cloud code 中转站，国内开发者的救星，我们解决了程序员用 cloud code 的 三大痛点，第一，网络卡顿问题，登录卡三分钟 api 总超时。第二，支付困难问题，国外信用卡绑定失败。 第三，配置复杂问题，需要换网络切代理。我们的解决方案智能多节点加速，响应速度提升三倍。支持微信支付宝支付，像充话费一样简单， 全平台兼容，不用改代码，直接使用，安全保障，代码全程加密，不落地不缓存，七成二十四小时客服随时解决问题，立即体验，专注开发，告别网络烦恼。

很多人用了 cloud code 的 一段时间，都会发现一个问题，一开始很聪明，后面越用越笨，回答越来越乱，头啃还消耗巨快。那其实很多时候并不是模型本身的问题，而是你不会用这五个最基础的命令。那今天这条视频带你一分钟掌握。 第一个命令， config。 这个命令可以说是 cloud code 的 控制中心，那输入斜杠 config， 你 可以查看和修改当前的各种配置，比如是否自动压缩会话，是否自动切换思考模式等。建议你把每个配置项都了解一下。 第二个命令， model。 如果你想切换模型，直接输入斜杠 model， 就 可以看到当前支持的模型列表，直接选择就可以切换普通任务，你可以选择 so net 模型， 复杂任务你可以选用 opus， 性价比最高。第三个命令， clear。 很多人会发现一个问题啊，聊着聊着， claus 回答开始抽风了，越来越乱，越来越慢，而且 token 消耗飞快。这其实是因为上下文啊太长了，这个时候只需要输入斜杠 clear， 就 可以清空当前对话的上下文， 重新开始一个新的绘画。我建议每个独立的任务啊，都可以开启一个新的绘画。第四个命令， compact。 如果你不想完全清空对话，但是又想减少上下文的长度，那就用斜杠 compact， 它会自动压缩历史绘画，保留关键的信息。简单理解啊，就是给绘画做一次瘦身。 那第五个命令， continue。 有 时候 cloud code 会回答到一半的时候，因为意外的各种情况，导致终端的窗口不小心被关闭了。很多人这个时候啊，就会把之前的输入再重新来一遍，但其实大可不必如此，那直接输入斜杠 continue cloud 就 会接着之前的回答继续输出。 总结一下，学会这五个命令，不仅可以让输出的质量更高，关键是还更省 token。 那 你觉得哪个 cloud code 的 命令最好用呢？欢迎在评论区告诉我，我是新启，关注我，每天分享一个外部限定的小技巧。