安装 CLOUDE CADE

codex 跟 c c 到底哪个好？我想大家各自都有自己的判断。在我个人为二者都充了二百刀的 pro max 会员以后，我个人的体感是 二者的模型能力之间并没有本质的差异，甚至都足够惊艳，让人心喜。但它们其实代表了两种完全不同的人。与 ai 合作的费洛索费 本质上，我们不是选择两个工具，而是选择两种与 ai 交互的模式。你习惯使用哪种模式，你的工作场景是哪种模式，你就应该选择支持哪种哲学的普顶工具。通常来说，抽象的讲， 软件工程开发的模式可以粗略地分为两大类，首先一类是那些探索性不确定的 idea。 在这种场景下，我们自己可能对需求要做什么，最终的一个中态是什么，甚至过程中该如何实现，它都没有一个明确的定义，它更多是我们一个拍脑袋的灵机一动的想法。当我们解决这类问题时，我们期待的一个 partner， 无论是不是 ai， 它应该都要能 快速的与我们进行交互，通过一些他主动的提问甚至判断给我们更多的信息输入，通过一系列的沟通，最终确定出一个相对更结构化，信息密度更高的思维原型来指引我们后续的执行。 而另一种常见的工作模式则是一个更明确的需求，比如说产品已经给我们了相对明确的 p r d， 那 我们剩下要做的只是说把这个项目 真正转移为一个可以被执行的代码而已。对于绝大多数的研发而言，这种场景下想要做的事情是基本完全确定的，我们在此时要做的无非只是一些 dirty work， 把那个 p r d 转化为真正写出来可用的代码而已。 而结合我自己的使用经历来看， c c 更适用于前者者的工作模式。它会在你输出一些观点之后快速地给你响应，并且高频地向你发出提问，以确定它后续的一些方向执行思路。但 codex 则完全相反，它会在你给完需求以后， 非常认真且可靠地将你的需求描述执行完。这个过程会花很长的时间，但是 结果往往是令我们满意的。想要更明确的拆分这两种工作模式的分野，我们不如从三个维度上来进行拆分，首先是任务商，也就是目标的清晰程度以及约束条件的多少。其次则是以我们预期的交互结构， 我们到底期待着与其他 partner 是 同步的沟通，还是说是一些异步的沟通模式？另外则是一个人类所占主动性的比例， 我们到底期望 ai 占据多少责任？他们是只是执行任务，还是说给我们也有一些他自己的认识建议？其实这三者并非是一个非常正交的关系。一个很明显的结论是，如果一个 目标的本身并不清晰，只是我们拍出的粗糙 idea， 那 我们显然就需要我们的协作者能快速的发问，帮我们把 自己大脑中一些比较模糊的观念导出出来，并且通过一些沟通确定哪些思考是我们需要的，哪一些是可以被删除的。通过这种 快速的同步沟通，得出来一些更结构化的结果，那在这个流程中， ai 需要介入的部分以及引导的主动性就会占比更多，但如果这个需求本身就像我们之前讲的已经相对来说明晰，是一个低伤的场景，那我们就不太 需要。它是一个很同步，事无巨细都要向我们发问的流程，它完全可以在我们把事情说清楚之后，一步的完成这个工作，从而解放我们人类自己的时间。我们也不需要给他太多主动发挥的空间，他只需要忠实的执行我们给他的需求就可以。我觉着对未来工具的使用以及工作流的设计，也都是从这三个维度去进行判断，动 态的选择。我们到底适用于哪种工具，应该主要采用哪一种工作流的思路？如果要打一个比方的话， c c 更像是坐在你隔壁工位的好蜂蜜， 会在有了一些 idea 之后立马的打断你现在的所作所为，跟你去探讨它的一些碎片化想法。而 codex 则更像是一个你忠实可靠的下属，在你交代完任务需求以后，忠实的可靠的帮你把事情完整的办完再通知你。我已经做好了。 每个模型都有它们自己的性格，我们也可以顺应的这种性格，在不同的工作场景中选择不同的工具以及模型。 以上是二零二六年二月我对这两个投影工具的一些使用场景总结，但我相信这个领域是日新月异的，二者工具之间 大概率在未来也会发生一些融合。不会说一个工具只是一种工作流场景，那就需要我们未来本身人类自己有一些对需求使用场景的预判，从而能告诉模型它应该采用哪些工作流模式。软件工程永远没有银弹， 不可能说我们用着一种模式，一条道走到黑，就可以得到一个很完美的结果。如果你在错误的场景使用了错误的工作模式，那模型给你提供的支持也就会非常有限。 结合自己的需求，场景动态切换自己的工作流模式才是一个更高效率开发的必经之途。以上是本视频的全部内容，如果你有一些想法或者建议，期待评论区讨论，谢谢大家！

mac mini 暴涨，这纯属是跟风买错了。来讲个硬核知识点，这个叫龙虾的 agent， 它的本质其实是一串 pad 脚本，它不吃显卡， 也不吃本地算力，它真正的大脑在云端 cloud api。 所以 这跟你是 mac 还是 windows， 甚至是一台十年前的破烂笔记本毫无关系。那些加价买 m 四芯片的，怎么说呢，这就好比是吃了顿外卖，非得把五星级大厨请回家里住，太败家了。真正的成本在这里。 toker， 他 每一步操作都在烧钱，省下买电脑的钱去充 a p i。 余额才是正的工具，指在内，算力才是核心，别被硬件厂商收了税。

大家好，今天给大家讲一下那个 c a d e 啊，电器仿真软件它的安装方法，这个呢是它的安装包啊，呃，咱们双击这个文件夹呢，然后直接点开这个 c a d e， s i m u 啊，点开以后啊就可以直接使用了， 它上面写了一个密码为四九六二，你就输上就行，四九六二，然后点， ok， 这就可以用了哈，咱把它先插了，它 唱的啊，后边这个一样的啊，四九六二， ok 啊，然后这样子就可以安装完成了啊，可以放大 鼠标， ctrl 加滚轮可以放大啊，然后上边呢有各种的，嗯，线啊，比如点这个啊，比如说我们啊，来一个 三根线的啊，三根线啊，然后鼠标右键可以取消哈，然后我们可以选一些符号啊， k m 的，然后 一些常开触点啊，常开触点等等等等啊，今天主要说安装啊，如何使用的话，咱们下个视频啊，详细讲解，感谢观看。

这是我花两分钟就部署好的 openclaw， 你 敢信？以往我需要去 get up、 找文档、敲命令、行处理报错，现在我直接在输入框告诉他帮我安装 openclaw。 他 直接调动了终端能力，自动拆解步骤，下载依赖设置环境变量，几分钟内全自动搞定。这不仅仅是对话，这是直接接管了我的本地工作流。这 就是 mini max agent， 它最大的亮点在于正式开启了 ai 原声工作台时代。它拥有类似 cloud skills 的 底层能力，支持 supergent 封装工具。这意味着你可以直接使用官方和社区搭建好的海量专家智能体， 也可以自己手搓一个顶级分身。比如这个全网热点追踪专家。我不需要打开十几个网页到处刷我直接问， 帮我扫描今天科技圈的 top 十热点，并分析背后的趋势。它会自动联网解锁，过滤噪音，总结核心观点，直接生成一份高质量的简报，让你效率直接起飞。作为一个 ai 博主，每天需要从海量视频中找灵感。 我直接使用它的桌面版，省下了我打开浏览器的海量时间。只需对 mini max 输入关键词，你会看到它自动打开浏览器，模拟真人操作，滚动页面识别数据。 最强的是，它打通了本地文件操作的能力，直接写入我本地的 excel 表格。从自动配置环境到本地文件自动化处理， mini max agent 正在重构我们的工作方式。它不再是一个需要你适应的工具， 而是主动进入你的环境，帮你干活的伙伴。如果你也想体验这种让 ai 替你上班的感觉，可以试试。

前几天 cologold 的 原码泄露啊，全网开发者疯狂的 fok， 各种分析，各种拆解，就跟过年一样。但你们发现没有啊，现在不管你用不用 cologold， 你 都绕不开它了。 编程圈封神，就连 openai codex 的 创造者呢，离职后每天用的都是 cologold。 但很多人不知道的是，其实目前学习 cologold 的 最好的系统课程就是 esoteric， 他 们自己出的叫做 esoteric academy， 现在已经推出十五门课了，完全免费，学完还能发放官方的证书。你们看，这些课程分为五个方向，包括零基础、入门、产品运营、开发者、教育、云平台的部署。 零基础的这门 cloud 幺零幺，基本上一个小时呢就能上手。它不是教你技巧，而是教你思维的框架。就比如它里面有个核心概念，叫做四 d ai fluency 框架，就是怎么把任务拆解给 ai， 怎么描述需求，怎么判断输出质量，怎么持续迭代。这套框架呢，是跟大学教授一起开发的，其中教育顾问委员会的主席呢，就是耶鲁大学的前校长。 原网站呢，是全英文的，所以我顺手做了一份这样的中文导航站，还配了一个 ai 助教。其实呢，就是一个给虾哥用的 skill， 装好后学习过程中遇到问题问他就可以。十五门课全都有中文的介绍，我还按方向分了类，每门课程呢，都有详析页，还整理了 b 站知乎绝经上能找到的中文社区资源。另外我还整理了一份完整指南，把全网能找到的 cloud 官方学习资源全部给整合在这里。 ok， 想要的我可以发给你。

各位朋友大家好，我现在呢把这个 open cloud， 呃，不是 open cloud cloud code 呢，重新呢，再写一个本地的， 那么用这个 rest 语言来写，因为这样速度会更快一点，我们优化让它本地运行得更快，内存需要的更少， 那么现在呢，已经运行到快一半的时间了，那么我现在呢，就是说啊，通过进行一定的规划啊，那么我就让他去帮我把这个程序呢继续啊写完。 那么我用的这个工具呢，其实也是免费的，包括我用的那个 token 呢，它也是免费的， 那么大家如果说有需要的话呢，也可以啊，找我啊，那么这个呢是比较好的，因为我们会有一些比用一些比较好的，一些比较省成本的方法，就是比较省偷啃的方法， 因为有些大厂他有一些阶段性的提供一些免费的，那我现在就是用这个免费的，生成速度非常快啊，那么大家也能看到， 也就说我们未来在做事情时候，我们先要以人工智能帮你干活。你首先问一下人工智能能帮你干吗？能就让人工智能帮你干，不行自己干，对吧？不要反过来。所以说呢，我们把这个习惯改掉，人工智能时代必须收以人以 ai 为优先， 然后你能做做什么事情呢？作为一个 review， 作为一个最后的一个收尾工作，是这个事你要做的，因为我们是探机，探机干不过怪机啊，怪机是更厉害啊，我们把人公司呢称为怪机生命啊，所以我们 已经进入这个阶段了，所以你人探机生命，你是干不过怪机的，做事情让人工智能帮你干，你做一个 review 的 工作，好吧？那么大家如果对人工智能方面，对这些 open cloud， 或者说啊 cloud code 这个方面有任何问题的话呢？可以问我。好，谢谢收看。

然后如果你想了解 ant， 你最好的方式是想办法装一下可劳的扣的，对，你可能就对 ant 然后有了真正的理解，因为只要任何一个十八岁以后的成年人认认真真的用三个小时，就都能够学会怎么去部署可劳的扣的，然后你就会打开一个新的世界。

你可能还在用 openclove， 但它已经过时了。如果你现在还在用 openclove， 说明你大概率还没看到 hermes agent。 很多人对 ai agent 的 理解 还停留在会调工具、会自动执行这一层，但这套玩法可能很快就要被淘汰了。就像 hermes agent， 最近在 github 上两周狂揽近三万星标，它已经把 openclove 的 老路线狠狠甩在了身后。下一个阶段，比的根本不是谁能多调用几个工具，而是谁会学习、会记忆，越用越强。 perms agent 真正牛的地方在于，它能从经验中自主创建 skills， 在 使用过程中持续优化 skill 效果，还会主动触发知识持久化， 越用它越懂你，越用它越聪明，再也不用反复教同样的东西，还能跨 telegram、 discord、 slack、 命令行全天候在线持续工作，真正成为你的长期数字分身。 open cloud 本身并非不好， 只是整体技术方向已经开始落后了。接下来真正值得追的，不是哪个 agent 演示的有多花里胡哨，而是哪个能陪你一起。

结合最近的 cloud 源码泄露事件，我想聊一个 aaa 界的开发者有价值的问题，什么是 cloud？ 为什么 cloud code 优于同类的 client 工具？ 通过源码的分析，我觉得有五个点值得讲。第一个，就是 cloud code 的 核心，它不是一个 prompt， 而是个异步深沉器驱动的 query loop。 你 可以理解成它是个小型的运行内核，每一轮都是流势输出，都能被中断，能查户口，能做预检查，必要时能恢复压缩上下文，这个结构决定了它天然适合长灰化。 第二个，他把工具系统做成了强器械类型，而不是松散的方阵廓。工具的输出定义有校验，有权限检查并发安全声明，工具池还是动态组装的，这意味着模型不是在乱世工具，而是在一个精心治理的 run time 里工作。 第三呢，它的权限非常系统化，不是简单的一个确认框，而是把 danny ask tour 自定义权限、安全检测和 by pass 规则写成显示流水的决策流水线。这样的高风险工具是不靠模型自觉而靠系统结构兜底的。 第四，它对子 a 键的理解也很成熟，子 a 键的并不是普通的并行子任务，而是有明确状态的 fork 工具过力与共享边界的隔离单元，这样能够提高并行效率，又不容易污染主会化的状态。 第五，他把上下文管理当成一等功名，比如说 cs prom 的 静态动态边界， prom catch 的 命中率以及 autopac 触发的预值，这些都不是补丁，而是直接写进主循环的架构设计。 所以你问 cloud code 真正强在哪？我的答案不是模型本身，而是他把快瑞洛普功绩权限上下文和多 a 键的协助整合了一个可观测、可治理、可引进的工程系统。这个思路对所有的 ai 建的团队都有很高的参考价值。

大家好，我是苏菲，这个视频跟大家分享一下最近我在安装 cloud code 是 如何操作的，那我之前用豆包编程，也做了几个网页，嗯，总归觉得是差点意思。有的呢，可能是审美 不是特别符合我的想法，有的呢，可能有一些功能，它需要不停的调试，那 最终可能还是要上 cloud code。 大家也知道 cloud code 它对国内的 ip 不是 很友好，尽管我已经通过这种方式进行科学上网了，但，呃，官网还是不能注册。嗯，也拿不到 cloud code 它原生的 api。 那我就在网上也找了很多教程啊，后面呢，就是通过啊 vs code 在 上面去装啊 cloud code 的 插件，然后通过去下载 cc switch 这个 api 的 管理工具，以及去购买国内的模型来最终安装成功了。这里呢，也要感谢 啊小红书穗斌老师啊，我后面通过他的方式呃装上了 deep seek 的 模型。那后面我就给大家介绍一下具体的一个操作步骤。 那第一步呢，我们登录到这个网页去下载 vs code 啊，这里选 download for macos 啊，我已经下载过了，所以我们就可以打开啊，看到啊，这样一个界面，就是已经下载成功了。那在安装 vs code 的 过程中呢？嗯，有可能 mac 电脑上面它会就是报错，那没关系，我们就在这里选择系统设置， 然后找到这里的隐私与安全性，往下拉，一直找到安全性，这里就是这里允许以下来源的应用程序，你在这里允许 vs code 安装就可以了。 然后我们会得到这样一个界面，在这个界面呢，我们首先先新建一个文件夹，比如说就叫 cloud code 创建好打开，然后呢我们再呃去下载 node js 这个工具啊，我们可以先搜一下 node js， 然后跳转到这个链接就 get 在 这里面去下载 这个 node code， 它也是在这个 js 里面去运行的，所以需要有这样一个东西。下载完了之后呢，我们就安装， 根据它的步骤一直选选选，选到最后安装好就好了。安装好了 note j s 之后，我们就回到 vs code 界面，然后打开这里的终端按钮，点击这个，然后就会跳出终端的按钮，我们就把这一段命令输进去， 然后回车，这里会让你输密码，这个密码就是你电脑的密码，这里可能有的同学会有疑问，输了之后没有反应，这是正常的，这是为了保护你电脑的隐私，所以你这边输入密码之后，直接按回车就可以了，即使这边没有出现什么东西也是正常的。 到这一步的话， cloud code 就 已经安装成功了，我们可以再装一个 cloud code 的 插件，这样会提供一个更好的交互界面。在这里面去装 cloud code 的 一个插件 c l a d cloud code 它这里跳出来了，我们就选择这里选择安装就行了， 安装完了之后我们就退出 vs code， 再打开的时候就会在这里看到有一个小图标安装成功了， 我们点开它，刚刚我们就会跳出来，有看到说你是需要以什么方式去注册，那如果咱们没有科学上网，它这里是没有办法连接的，那没关系，我们先放着，我们再去下载一个叫 cc switch 的 这样一个软件，点开会跳转到 github 上面，我们点击这里的 release， 一 直往下找到一个 assets， 这里去找适合咱们电脑的一个软件包，那我们这边就是 macos t m g 去把它下载下来安装，安装完了之后我们会得到 这样一个软件的屏界面，它这里会支持有这么多的大模型，包括国内的 deepsea、 智普、 minimax， 还有国外的都可以支持，那我们这里就选 deepsea， 我 们点开 deepsea 的 开放平台，在这里面就去充。 那充完之后呢？我们在这个 apikey 里面就可以去创建 apikey 啊，比如说我们就搜 c c 创建，然后会得到这样一个 apikey， 然后把它复制下来， 复制好了之后我们再回到 cc switch， 然后在这里面选 deepsea， 往下把这个 api key 复制黏贴进去，然后在这里后面的都不用填， 就直接添加就好了。添加完了之后我们再回到 vs code， 看到这样一个对话框就代表已经连接成功了， 那我们也可以问他你用的是什么模型，然后看一下啊，他会回复我用的是 deepsea v 三点二啊，这个代表就已经连上了。 好啦，这个就是呃整个 cloud code 安装的一个过程，那这里我们用的是 deepsea， 是 国内的模型，如果大家想要 啊，还是要用 cloud code 原声的模型的话，我们后面再分享一下如何连接海外的模型。好，谢谢大家。

我花了两天时间配好的 color code 和小龙虾，两个月后就成了摆设，装了 ai 却用不起来，你不是一个人，在去年年底啊，我花了整整两天时间配好了 color code 和小龙虾。当时我想啊，终于可以用 ai 彻底解放生产力了。结果呢，第一周兴致勃勃，第二周打开的频率下降了。而第三周啊，我又习惯的回到了网页版的 ai。 两个月后啊，那个配置精良的 color code 几乎成了摆设。说实话，那段时间我还挺焦虑的，上次这么痛苦啊，是我自己刚刚做自媒体的时候，我花了一个月时间去研究剪辑技巧， 结果一个都没有坚持用下来。三年过去了，我又在同一个坑里面摔了一次。但我想说句更现实的，装了 ai 却用不起来啊，这真的不是工具问题，我花了两个月踩坑，一个月重构使用方式，才真正的把 cloud code 变成了每天离不开的工具。今天分享，我总结了三个核心问题，用这三个问题做一次自检，你就能搞清楚自己到底卡在哪个环节。 第一个问题，你是不是在给 ai 做牛做马？每次打开 ai 内容，目标用户是什么， 然后还要上传参考文章爆款的模板，一顿操作下来，十五分钟过去了， ai 还没有真正干活。如果你发现啊，大部分时间都花在准备，而不是产出，那你就是在给 ai 去做牛做马。 ai 它记不住你的背景，每次都要重新交代你成了 ai 的 资料整理员。 第二个问题便是啊，你的 ai 到底有没有长期记忆？有可能你花了很长的时间去调教出了一个好用的对话窗口，但用了一两个月之后，你就发现他好像变笨了，他开始遗忘你之前强调的风格，要求输出你早就纠正过的错误。更重要的是啊，你自己也记不住。 例如说，三个月前你迭代的爆款开头找不到了，迭代了好几次的模板散落在不同的软件里面，每次想找啊，都像是在大海捞针。所以第二个问题的本质是，你和 ai 之间到底有没有共享的结构化的长期记忆？第三个问题便是，你有自己的知识库吗？这个问题啊，折腾了三个月之后，我才想通 网页版的 ai， 它只是一个高级问答机器人，而真正的 ai agent， 它既能够说，又能够做。举个例子啊，我有很多篇短视频文档散落在各个地方，用传统的网页版 ai， 我 需要一个一个复制上传，等待回复，再手动地保存。后来，我搭建了一套 oc 点加 close code 的 体系， 我只用说这么一句话，请帮我去整理这些文稿，匹配一些点赞数据，分析哪些开头最容易爆，然后生成一个开头的类型库，自动保存在我的知识库里面。十五分钟后，一篇整理好的开头类型库就已经保存好了，这就是本质区别。我后来搭建的这套内容生产飞轮啊，它解决了三个核心问题。第一个就是 ai 的 长期记忆， 所有的背景、规则、风格都存储在结构化的知识库里面， ai 随调随用。第二个则是人与 ai 共享的上下文， 这个知识库就是共享的第二大脑。而第三点则是， ai 既能说又能做，他能够去操控我的文件，帮我去完成我的工作，我这套体系也帮我实现了，包括两个小时能够实现一条三分钟的干货视频，从脚本到拍摄再到发布，以及说两个小时搞定三篇品牌商单稿件。 我用这套体系从零到一，搭建了我的两个账号的内容生产工作流。这也不是因为我用了更贵的 ai 模型，而是因为我用对了它们使用的方式。或许是是。今天就开始截图，保存一下你的 ai 对 话框，一周后回头看看你输入了多少重复的背景介绍。那个数字啊，就是你现在在给 ai 做牛做马的证据。 试着尝试一下把你散落在各处的好内容，包括爆款开头啊，风格模板啊，验证过的规律，集中复制到一个文档里面，这就是你建立你的知识库的第一步。我是冰冰，持续探索 ai 内容生产飞轮系统。