claude如何做数模

用简单的语言讲解一下实现实现一个 cloud code 的 最简化的模型，你不一定非要懂代码，首先需要定义一个系统提示词，告诉模型你是一个编程智能体工作，在项目所在目录里 使用代办摄像工具来规划多步骤任务，优先使用工具，而非文字描述。这个系统提示词的作用就是告诉模型你在做任务之前，需要先制定一个任务步骤，编排计划，按照计划执行任务。优先要使用工具呢？因为我们默认认为不使用工具的话，这个任务就算结束了。 如果某个步骤里模型只回答我们一些文字信息，没有使用工具，当然就不会有下一步执行的必要了。那我们需要提供模型什么工具呢？下面我们会告诉模型你可以用这五个工具。哪五个工具呢？ 第一， bash， 这个工具的描述就是告诉模型你可以运行一个任意的 shell 命令。第二， read file， 这个工具描述就是告诉模型你可以提取文件内容，但是需要根据参数的要求提取，你必须提供需要提取文件的路径。 第三， write file， 这个工具描述就是告诉模型你可以写内容到文件里，但是必须提供一些必要的参数，比如需要写入文件的路径和需要写入的内容。第四， edit file， 这个工具描述就是告诉模型你可以编辑文件内容，这个和上面那个 write file 的 区别就是它是编辑文件， write file 是 直接覆盖写入， 需要提供一些必要的参数，比如编辑文件的路径和需要替换文字的内容。第五， to do， 这个工具是最重要的，它告诉模型你需要更新任务编排的清单，用来跟踪任务进行到哪一步。意思就是说，一开始系统提示词里要求生成了任务编排步骤了，需要根据编排计划完成一步，就将这一步认为状态，这一步的任务状态实施成完成。 因为当智能体处理多任务步骤时，他经常丢失对已完成和代办事项的追踪。没有显示的计划模型可能重复工作，跳过步骤或者跑偏，用户也无法看到智能体内部的计划。用这个工具来标记完成了哪些，用于下次对话，让模型自己看到进行到了哪一步。 最后将我们的提问和系统提示词以及工具一起发给大模型，然后放进一个无限的循环里。如果模型回答一次说需要调用哪个工具，怎么调用，我们就直接执行我们这五个工具里的模型指定的工具方法。比如模型回复用 read file 提取某个文件，模型会把工具名称 read file 和文件路径给我们，我们直接按照预先定义好的工具方法 read file 调用即可。 在无限循环里，每一次调用模型的操作的结果都会再次发给模型，模型来判断下一步该怎么做，直到模型回复说就不需要工具了，那我们默认认为这个任务循环就结束。跳出循环，本次任务结束，没有工具调用即可认为是没有再进行下一步操作的必要了。 最后再适当的做一些安全叫验，比如只能工作在呃当前的目录里，不能执行黑名单里的危险命令，比如不能执行呃删除全部或者一些比较危险的命令，然后用 history 树组保存历史绘画，达到记忆多轮对话的功能，这样就实现了一个最简单的 cloud code 的 编程助手。 下面看一下效果。我让这个我们写的编程助手新建一个画布，然后画布可以新建正方形，每新建一个正方形，我们可以检测正方形和正方形之间的碰撞，检测如果碰撞了有提示红字的效果，就是正方形变成红色的效果。 嗯，下面我们看看这个最后它生成的这个 html， 它可以随便的生成正方形，然后检测这个正方形之间的碰撞，还是比较完善的。 最后总结一下，其实模型就是智能体，我们的工作就是给他工具，然后让开这种思路能不能用到你的业务里？给模型一些有边界的工具能力，比如你自己业务系统封装的操作函数，让他自己编排执行来整合到自己的业务里。

很多 agent 一 接上工具之后，反而没变强，反而变乱了。明明工具越来越多，能力看起来越来越全，结果不是乱用万能命令，就是输出一大坨，把上下文直接撑爆， 最后做出来的东西还不如少量工具的时候稳。今天我们就顺着 cloud code 的 原码思路，聊一个特别关键的问题， agent 的 工具到底该怎么设计，才能让它真的稳定工作？ 本视频的代码笔记，我整理进了一百万字的 ai 大 模型学习笔记里了，里面包含了穿梭门架构、 lincoln reag 模型训练与微调 a 阵的智能体开发等二十多个技术站与一百多个 ai 大 模型企业落地项目实战笔记。 大家好，我是彭宇。先看首页这个标题， cloud code 源码皆是的工具设计原则， cloud code 本身是一个 agency coding 工具，它能读代码库、改文件、跑命令，还能和开发工具集成。所以它最值得学的不是它能做多少事儿，而是它怎么让模型别乱做事。 说白了，今天这场分享讲的不是工具堆砌，而是给模型划边界。 那先抛一个问题，为什么 agent 会失控？你看第二页，其实原因很直接。第一种，万能工具太强，它看起来像一把大锤，什么都能敲一下。 但问题是，一旦模型默认偏爱万能工具，权限边界就开始模糊，输出也开始难管。 模型会觉得，既然有个通用命令，那我直接一把缩不就行了，可一把缩最容易把流程带歪。第二种，工具太多，模型不是人，他不会自己去判断，工具多一点我就慢慢选，他只会面对一堆定义，然后在选择里迷路。 第三种，输出太长，工具返回一大坨原始，结果模型还没开始，推理，窗口先爆了。所以你会发现，问题从来不只是有没有工具，而是工具是不是被设计成可控的。 所以 cloud code 的 第一个原则就很清楚，万能工具要设约束，优先引导模型使用专用工具。你看这页里的默认路由顺序， 其实就是这个思路，先读文件，再搜索，再编辑，最后才是通用命令兜底。为什么要这么排？因为专用工具的边界最清楚，读文件就是读文件，搜索就是搜索，编辑就是编辑，模型一旦沿着这个路径走，权限更细， 行为更稳，审计也更清楚。反过来，万能工具一旦成了默认入口，模型就容易产生依赖，什么都想靠它解决，最后就变成看上去全能，实际上最容易失控。 这里还有一个很关键的点，就是专用工具和万能工具的区别。万能工具的优点是灵活，缺点也是灵活。专用工具的优点是受限，缺点也是受限。但对 agent 来说，受限反而是好事儿，因为模型最需要的不是无限自由，而是稳定路径。 然后看第二个原则页，工具分级，按需给核心常驻长尾按需发现， cloud code 的 做法很典型，它把四十多个工具拆成两层，一层是核心工具，大概七到八个高频工具，启动就加载。另一层是延迟工具，先只告诉模型名字，真正要用的时候， 在通过 to search 去拿完整定义后调用。 ansorepic 官方也明确提供了 to search 机制，它的作用就是让 cloud 的 动态发现并加载工具，而不是把所有工具定义一次性塞进上下文里。为什么这件事这么重要？ 因为工具定义本身就是上下文成本。你把所有工具都展示给模型，它不一定更聪明，反而可能更犹豫，更容易选错。工具越多，选择难度越大，干扰也越大。相反，核心工具常驻，长尾工具按需加载 模型，看到的世界更小更清楚，工具选择准确率也更高，缓存也更稳定。你看这一页，左边是核心工具，右边是延迟工具，中间放一个 to search 的 图标，本质上就是在告诉你，不是所有工具都要一开始就暴露给模型， 可见性本身就是成本。这件事再往深一点想，其实就是在做信息分层。高频能力就像主干道要一直开着，低频能力像支路只在需要的时候打开。这样一来，模型不会被几十个 skinma 淹没，也不会在一堆类似工具里来回摇摆。对于 agent 来说，这种设计非常重要， 因为它解决的不是能不能调用，而是怎么让模型选得更准。接下来第三个原则，页输出必须有预算超限，就裁剪、摘要、落盘这个点特别容易被忽略，但其实非常关键。 很多人做 a 诊的时候，只关心工具能不能返回结果，不关心返回多少。可问题是，工具真正危险的地方，往往不是输入，而是输出。 cloud code 对 多数工具都设了大约十万字幅的输出上限。搜索工具更严格，大概两万字幅文件读取也受 token 预算限制，搜索结果默认还会限制条数，比如两百五十条。这个设计的本质不是少给模型信息， 而是防止原始洪流直接把上下文窗口冲垮。更妙的是，超线之后，他不是硬塞，而是把完整输出存到磁盘里，只给模型一个预览。这个动作特别聪明，因为他把完整数据保存和模型当前可消费结果分开了。 模型现在只需要看预览，知道下一步该怎么走。完整内容则放在磁盘里，随时可追溯、可回看，但不会污染当前对话。这就是一种很成熟的预算思维，原始数据可以很多，但模型消费的数据必须受控。 所以你看三条原则，其实不是并列技巧，而是一套完整的工具边界。模型左边这页已经把它讲清楚了。第一层是入口可控，也就是专用工具优先，通用工具兜底。第二层是发现可控，也就是核心工具常驻，长尾工具按需加载。 第三层是输出可控，也就是预算、裁剪、招标、预览。三层合起来， agent 能力边界就非常清楚了，它不是什么都能干，而是在一个稳定边界里干得更好。 那如果回到工程实践，怎么把这套东西落到自己的 agent 里？其实就四件事。第一，先专后通，优先把读、搜、改、执行这些专用工具做扎实，再把通用工具作为兜底。第二，工具暗层暴露，高频工具常驻， 低频工具按需加载，不要把所有 schema 一 次性扔给模型。第三，预算先于能力，设计工具的时候先想清楚最多返回多少，超过了怎么办，而不是只想着它能做什么。第四，把原始结果变成可消费结果 常输出默认招标化、预览化、结构化，完整内容落盘，必要时再追溯。 所以最后再回到一开始那个问题，为什么有些 agent 工具越多越乱？答案其实很简单，因为它缺的不是工具，而是边界。 cloud code 给我们的启发就是，好的工具系统不是让模型拥有无限能力，而是让它在正确边界内稳定工作 能力，入口可控，工具可见性可控、输出预算可控这三件事做好了， agent 才能真正从能用走到好用，从看起来很强变成长期稳定。那么下次再见了。

有没有这种感觉？ cloud 用了挺久了，但总觉得呀，没有用到点子上。其实做 cloud 那 帮人，也就是 ansark 自己的工程师，他们用 cloud 的 方式啊，跟我们大多数人完全不一样。 今天呢，我们就把他们私下里真正在用的四个方法呀，掰开了，揉碎了讲给你听。先说说我们大多数人是怎么用 cloud 的， 打开，他想到什么说什么，打一段字，把需求告诉他，然后呢，等他回答，下次有了新任务啊，再重新打一段。这么用呢，没毛病。但说实话，这只是用了 cloud 的 最表面的那一层， 而 osropik 的 工程师用的是更深的一层。深在哪？我们往下看，其实用 cloud 这件事可以被分成三层，第一层呢是 cloud 的 这个 ai 本身，这一层呢，是 osropik 在 管的，跟我们没什么关系，你也左右不了。 第二层呢是聊天，就是你打字问，他回答，大多数人就停在这一层，问完一个问题，关掉窗口，下次再从头开始。 第三层叫 skills 技能，你可以把做某件事的一整套方法打包存下来，存成一个 skill 以后，再做这件事，直接把它喊出来，不用每次重新跟 cloud 解释一遍。 isoopedia 工程师最核心的一个建议其实就是一句话，别把功夫花在怎么跟 cloud 说话上，把功夫花在建好你的 skills 上。这就引出了第一个方法。举个例子，假设你经常要用 cloud 帮你回邮件， 每次你都要跟他解释一遍，我说话是什么语气，我习惯怎么写，有什么不能碰的雷区，说一遍还不行，天天说烦不烦。 那做成一个 skill 是 什么样呢？你只要一个命令，比如就叫他回邮件，把邮件内容丢进去搞定。为什么这么省事？因为你的语气，你的习惯，你平时怎么处理，早就存在这个 skill 里了。你不用再教他第二遍， 重复的事情只教一次，这就是第一个方法。讲第二个方法之前，我得先帮你打破一个误会。很多人以为一个 skill 不 就是一段提前写好的指令吗？还真不是一个真正好用的 skill。 其实里面有三个部分， 第一个部分是说明书告诉 cloud 什么时候该用这个， cloud 就 拿不准了，到底该不该用它。 第二部分是步骤，具体怎么一步一步做，这一部分才是大多数以为的全部。但还有第三部分叫工具，就是真正下场干活的代码、脚本，还有现成的小程序。 astropic 的 工程师 eric 说过一个很实在的话，他说大家都花大力气把指令写得漂漂亮亮，可给 ai 配的工具却简陋的可怜，大家都在卷，怎么说话，没人认真去给他配工具。而工具才是真正能让你事半功倍的地方。 一件事如果能用代码稳稳搞定，就别让 ai 去猜代码，每次结果都一样， ai 可不一定。 第三个办法，小一点能拼起来，别贪大。很多人会做一个特别大，特别全能的 skill， 想想想，创意呀，写文章呀，发帖子呀，全塞进一个里头， 这样做其实是错的啊。 abstract 工程师的做法是，把它拆开想选题是一个 skill， 写文案是另外一个 skill， 发帖字再是一个 skill。 每个 skill 只干一件事儿，但它们之间是可以互相搭着用。为什么要这么细？三个原因。第一，出了问题好找 一个大而全的 skill， 出毛病你一眼就能看出来。第二，你的改进会攒起来， 把你的写文章这个小 skill 打磨好了，往后所有用到它的活儿都跟着一起变好。第三，能反复用一个做好的小 skill， 随时可以拿去拼进一个新活儿里，不用从头再来。 第四个方法最容易被人忽略，但我觉得呀，它恰恰是个最值钱的一个 astropic name。 有 个说法，用了一个月之后的 cloud 应该比第一天聪明得多。 怎么才能做到？其实很简单，每次用完一个 skill， 你 就问自己一个问题，这回问到的麻烦呀，这是碰巧还是以后都会再遇到？如果以后再会遇到，那就顺手把这个 skill 更新一下。 你甚至都不用自己动手，直接让 claud 帮你把刚才的聊天记录发给他，说一句，你帮我看看这次有什么经验可以存进我的 skill 里。就这么一下，你一次摸索出来的经验，就变成了一个能一直用下去的本事。 好四个方法，说白了就是脑子里的一个转变。从每次都重新跟 ai 说一遍，变成呀给自己传一套会越用越聪明的工具。 我们再快速回顾一遍。第一，重复的事做成 skill 只教他一次。第二，别只顾着写指令，记得给 skill 装上真正能干活的工具。第三， skill 要拆小能拼，别图大而全。第四，每次用完就顺手改进一点，让他越来越懂你。 你看这里面哈，没有高深的技术，可就是这么四个简单的想法，大部分人从来没有这么想过， 如果今天这期对你有点帮助，别忘了点个关注，下一期我们接着聊 cloud 的 使用技巧，我们下期见。

本期视频来分享如何将 deepseek 的 vs 模型接入 cloud code， 并解锁 em 的 上下文以及 max 思考等级。我目前已经将 deepseek 的 最新模型 vs flash 和 vs pro 通过 ipad 的 方式来接入了 cloud code。 vs pro 模型在降价之后性价比也越来越高了，并且对 a 键的也有做专门的适配， em 的 上下文对于大多数人来说也更加友好。 视频内容主要分为四个部分，第一需要先安装一下 cloud code。 第二，安装开源工具 c c switch。 第三，需要购买一下 deepsafe 的 api 并完成配置。最后再来测试一下 deepsafe。 v 四 pro 加 cloud code 这套组合表现怎么样。废话不多说，我们现在开始 首先来说如何安装 cloud code。 大家常说 cloud code 经常被封号，那其实封的是拥有模型能力的个人账号，但 cloud code 作为一个单独的软件是可以正常下载和安装的。 没有订阅官方的模型，我们依旧可以使用它的框架当成是 opencloud 或者 hermes nint 这种。在他们的项目官方网站这里也有明确的说明。终端 cli 和 vs code 也支持第三方提供商。 本期视频演示的是安装 cio 版本，也就是最通用的版本。这里有一行中的命令，它支持 macos、 linux 和 windows 这几种不同的系统版本。 windows 这里分为 power shell 命令和 cmd 命令，并且 windows 用户需要先下载安装下 get， 如果没有安装的话，可以到 get 的 官方网站下载安装包进行安装。 这里复制这一行命令，然后打开终端 app 或者 power shell， 输入他们提供的命令回车执行就可以了。我这里已经安装过，所以不再演示具体的步骤。安装好之后可能会出现一个提示，大致意思是安装已经完成，但是 control 的 安装位置并没有加入到电脑的环境变量中。 这里直接复制这行他提供的命令，在终端执行一下，搞定之后输入可拷的 code 杠杠微刃来确定当前的版本号。后续使用的话，直接在终端输入可拷的命令就可以打开了， 但是你那里可能会提示不能连接官方服务。接下来我们来安装第二个工具 cc switch。 cc switch 是 一个开源工具，它能够让 cloud code codeys、 opencloud 这类的 a i a 检测，方便地切换模型。累计下载量有三百多万，在 github 上面也有五万多个 star。 它有很多实用的功能，比如一份配置同步到多个应用，支持热切换，不需要退出应用切换模型。还有用量仪表盘，能够查看你的请求数和头克用量等等。 我们在项目的首页这里有一个已发布的安装包链接，点击进去，然后在这个界面直接划到最下面。这里有很多的安装包版本，如果是 mac os 系统就下载这个 mac os 点 dmg 的 版本，如果是 windows 就 下载这个版本。下载好之后直接点击安装包进行安装就可以了。 它这个项目的说明文档也有比较详细的安装教程。第三步，到 deepstack 的 开放平台购买 api。 我们来到 deepsafe 官网，点击 api 开放平台，我这里之前已经充值了一些，在网页和 deepsafe 对 话是完全不收费的，但是想要调用 api 就 需要进行充值。他们目前没有推出类似 tokpline 这样的按月订阅的套餐，好处就是用多少花多少。 目前他们对 v 四 pro 模型打二点五折，每百万 tokens 缓存命中情况下输入是零二五元，未命中是三元，输出是六元， 这个折扣目前是到五月三十一号截止。 v 四 flash 模型和 pro 模型的价格对比可以在官方的 api 文档里查看，这里点击充值按钮，然后选择金额和支付方式。建议先小额买一笔，用完之后根据自己的实际使用情况再进行补充购买。 付款完毕之后，点击左侧的 api case， 点击创建，然后复制这个 key 的 密钥， 注意这个 k 的 密钥只能够在创建的时候查看，关闭这个页面就看不到了，如果丢失的话，就需要重新创建一个 k， 然后打开 cc switch 这个应用。我这里已经添加好一个 deepsea 的 模型了，选中这里的 cloud 的 图标，然后点击添加， 在预设供应商这里找到 deepsea， 在 api k 这里填写 k 的 密钥，然后这里需要修改一下这几个模型，可以直接参考我这个填写 默认模型就是 deepsafe。 v 四 pro 后面加上 em 是 因为之前的公告有说明，这样才能够开启 em 的 上下文，然后点击添加就可以了， 这里就会多一个 deepsafe 的 模型，点击这个按钮来测试当前 api 是 否可用。点击这里可以配置用量查询，查看当前还剩多少余额， 勾选这里，然后点击保存配置，这样的话就能够看到还剩下多少钱了，然后点击起用，就能够正常的使用可绕的扣子了。左上角有一个设置按钮，通用，这里建议打开开机自启使用统计，这里也能够查看 ai 模型的使用情况和成本。 我们打开终端应用，输入可绕的指令，那这个呢？就是 deepsea v 四 pro 的 模型，并且是一百万的上下文， 我们输入指令斜杠 context 能够查看，这里确实是一百万的上下文 tokens。 这里的默认思考等级是 medium， 可以 使用命令斜杠 effort， 然后空格后面的话就会显示哪些等级可选，这里输入 max 回车确认，这样的话思考等级就会调到最高。还有一个命令可以快速的切换模型， 输入斜杠 model， 然后回车。默认模型其实就是 v 四 pro， 我 们之前配置的 apps 和 sonata 都是 v 四 pro， 嗨酷模型是 v 四 flash， 通过键盘的上下按键来选择，选中这个模型，然后回车确认， 这样的话模型就切换到了 v 四 flash， 这里输入命令 context 能够看到它的上下文，显示是两百 k 的 tokens。 最后一部分来测试一下 cloud code 搭配 deepsea v 四 pro 到底贵不贵，干活效果怎么样。 首先说一下，它是基于文件夹的工作模式，所以你需要先通过 cd 命令跳转到你想要它打开的文件夹，比如我的项目文件夹的路径是这个，就需要输入屏幕上完整的指令回车，到了这个文件夹后，输入 cloud 的 命令来启动它， 如果路径很长的话就比较麻烦。有一种方法可以简化一下， windows 用户应该可以直接在文件夹右键从当前文件夹位置打开终端， mac 用户右键的话是没有的，但是可以直接将文件夹拖拽到终端 app， 那 当前终端打开的文件夹就是这个项目文件夹， 输入 cmd 命令，可以查看当前文件夹的路径，然后输入 cmd， 启动 cmd 的 code。 第一次打开的时候需要确认一下这个文件夹，点击 yes， 后续退出的话需要连按两次 ctrl 加 c。 这里安装一个归藏老师最近开研的一个 ppt skill， 设计是比较美观的。 来到他的项目仓库，这是一个电子杂志风的网页 ppt skill， 纯网页形式，适合线下分享，但是不适合培训课件。这个 skill 的 名称叫做归藏 ppt skill， 这里提供了多种的安装方式， 最方便的就是直接复制这一段话，然后发给 ai， 选中这一段话， command 加 c 复制，然后来到 kol 的 对话界面， kol 加微复制，然后直接发送。 kol 在 执行任务过程中会需要一些权限的许可，遇到的时候直接选中 yes 就 可以了，它的框架对于安全保护还是比较好的。 整个的执行过程我就直接跳过了这里提示安装好了触发词，就是帮我做一份杂志封的 ppt。 ok， 我 在这里输入这句话，然后告诉他要做的内容就在当前文件夹中。在当前的项目文件夹中，我放入了一个 mail 文件， 内容是关于 code 的 使用方法论，然后回车执行。他会先查看项目文件夹的内容和 skill 的 使用说明，执行过程中可能会问一些问题，根据个人的需求选择就行。 我这里也跳过过程，大概直行了六分钟左右，一共生成了九页 ppt， 并告诉了我每页的布局和内容，以及怎么操作。 ok， 我 们直接打开浏览器来查看一下这个网页的 ppt。 这是第一页 codex 的 方法论，整体的设计风格确实是比较美观的，如果是个人制作的话，可能要花费比较长的时间，并且效果还不一定有他这个好。 第二页这里的话可能会有一点点问题，下方的文字有一部分被遮挡了，后面的页数大家可以具体去看一下内容觉得怎么样。 最后再来看一下安装这个 skill 以及制作这九页的 ppt 一 共花费了多少钱。 我在做之前是九点八九的余额，刷新一下网页，那现在还有九点三九的余额，一共是花了五毛钱。这里有一个每月用量的图标，展示每个模型花了多少钱。下面也有 token 的 使用详情，包括输入和输出的具体数量。大家觉得 deepsea v 四 pro 的 性价比怎么样？

大家好，跟着我上期视频操作的同学呢，不知道你们拿到了多少亿的 token， 那 这期视频我会教你小米 miimo 接入 cloud code 的 两种办法，一种是使用 cc switch， 一 种是修改本地文件。先说修改本地文件要怎么做，首先我们在 miimo 开放平台把 api key 复制下来，然后找到点 cloud 的 文件，这里面有个 setting， 点 jason 把它打开，把我们刚刚复制的 key 复制的 anserapic or so token 这一行当中。这些资料我都已经整理到了主页粉丝群当中了，我们来测一下哈。 ok， 依然非常完美。如果你用的是 cc switch， 那 么也很简单，在右上角新建一个供应商，我们选到小米 mimo， 再把我们刚刚的 key 复制进来。注意，这个请求地址我们是需要换的，选择兼容 serriffic 接口协议的这个地址复制过来。 最后我们把下面的模型都给它换成 mimo v 二点五 pro， 再点击应用， ok， 还有什么不会的评论区尽管问。

我发现使用到 cloud 用来做数据分析非常的强啊，我只需要把这个一组数据啊直接发送给他，他就能去帮我们做出各种各样的数据图形啊，并且这个排版也是非常的清晰啊，我们来看下这个条形图、线图、 散点图、柱状图等等啊，我倒也想使用的 cloud 用来写作科研、做数据分析等等，都可以点击我主页的置顶作品找到我。

全网最全的 ai 选设备指南啊，不管你用 cloud gpt 还是自己跑本地的模型，这条全覆盖完大家实际的用法来做推荐，从几百块到几万块的方案都有，看到最后一步呢，还有一个不花分文，让你的老电脑去老记福利再战几年的跑 ai 的 方法。在推荐设备之前呢，希望大家先搞清楚一件事，就是 二零二六年用 ai 的 人啊，分两个阵营，第一种呢，是调 a p i 的， 用这种云模型的，你用 cloud gpt 五点五 jimmy 在 cloud code 上或者说 call text 上写代码，跑 agent 做自动化模型，不在你的电脑上跑，而在别人的云端，你的电脑呢，只是一个遥控器好。第二种，跑本地模型呢，不管你们跑什么模型，这个模型呢就跑在你的机器上， 你的电脑呢，就是服务器本身。这两种人啊，对电脑的要求是完全完全不一样的。调 a p i 的 人呢，用三万块钱买了一张 r t s 五零九零，纯属浪费你的显卡，根本没有参与你任何一个环节。那如果你要跑本地模型的人，你去买了一台轻薄的本八 g 显存， 挨打，你任何模型你都塞不进去。在这里呢，大家先搞清楚自己要用哪一种钱才能花得对。先说第一种啊，调 api 的 就是用云模型的，我们应该是占大多数的啊。再翻译一下我们大家的需求，我们需要的不是算理，而是效率。 我们电脑上需要完成的事就是开一堆的窗口跑 cc， 靠 text， 同时挂几个 a 键的处理素材，偶尔呢，让 ai 再自动剪剪视频。这种做法呢，三个东西会决定我们的体验。第一，运行内存一定得大， cce 跑起来，浏览器多开，再挂几个 a 键的脚本。 十六 g 的 内存已经是盖板的生存线了啊，三十二 g 才会将就舒服，内存不够，系统就会开始 卡，卡到你怀疑人生。第二， cpu 不 能太差，你跑的不是 ai 模型，但你同时跑的东西多啊多，现成的能力要够， 目前呢，在二零二四年之后出的中高端的处理器还都能扛得住好。第三，网速要稳，你的 ai 跑在云端，所有的请求都需要通过网络， wifi 的 信号差，宽带不够， cloud 回一句话都要等很久。这不是 ai 慢啊，就是你自己的网络慢。知道了这三件事呢，选设备这个事就很清楚了。我的推荐 mac， 如果你是调 a p i 的， 用云端模型的 mac 是 目前最好的选择。原因非常简单， mac os 的 终端生态对开发者最友好， cloud code， 各种 ai 工具在 mac 上的体验是最流畅的，没有之一。功耗低，风扇几乎不转，二十四小时挂机电费忽略不计，做一些具体的推荐吧。如果大家做内容跑业务的，搞自动化， mac mini m 四三十二 g 或者六十四 g 的 内存价格六千到一万四左右，二十四小时你都可以全开，电费一个月就几十块。 你用 windows 的 台式机做同样的事呢，光电费一个月就得好几百了。好，如果你需要经常出差，需要移动办公呢？那 macbook air m 四 二十四 g 或三十二 g 的 内存优势是清，续航长，如果你的预算比较紧的话，五毛上二手的 mac mini m 二十二 g 内存两千出头吧，跑个 c c， 挂几个自动化的脚本完全够用。 windows 的 用户呢，如果你不想换系统，选一台三十二 g 的 内存， i 七 r 七以上的机器都行。 重点是内存的大，硬盘快，显卡。只要你做的不是视觉相关的，吃渲染的，对你来说这个事不重要，省下来的钱去买 api 的 额度更划算。再说第二种吧，跑本地模型的你们是少数，但你们的需求完全不同。 你要做的事是把一个几十 g 的 模型加载到你的硬件里，用你自己的算力去做推理。这种用法呢，吃的是三个东西啊。第一，显存就是你显卡上的内存，把它理解成 ai 的 智力上限，模型越大，需要的显存越多。二零二六年十六 gb 的 显存是生存线。 十二 g 以下的显卡啊，不管新旧，跑本地模型都是不够用的，像 deepsea v 三啊，随便一开就能吃掉你显存几个 g。 第二个事呢，就是内存的内存啊，就是数据搬运的速度，决定了 ai 说话的快慢。模型加载了也能用，但回答一个问题要等多久？ 这个不是模型的问题，是你内存的内存够不够，数据搬不搬得动， ai 卡呢，就会卡在这儿。第三个事儿，硬盘的速度决定了模型加载快不快。一个几十个 g 的 模型啊，机械硬盘加载要好几分钟，但 ssd 几秒钟的事儿， 把这个事给大家猜清楚了。显存决定你能不能跑，贷款决定你跑不跑得快，硬盘决定你打开快不快。搞懂这三个事呢，就知道钱该往哪里花了，必要的花费。显存没有捷径，十六 g 是 门槛啊，越高越好。但有技巧的地方呢，是内存， 内存的频率越高，推理就越快， ddr 五八千比 ddr 五四千八推理速度能快上百分之十五以上。很多人只看内存不看频率，这就跟你雇了一个非常聪明但跑得很慢的人一样。 好可以省的地方呢是 cpu， 跑模型主要是靠显卡， cpu 不是 瓶颈。还可以省的地方就是外观和品牌，因为你买的算力不是 logo 啊。我现在根据大家使用的场景给大家提供一个配置单吧，每一套我都告诉你选什么，怎么选，哪里可以省钱。 场景一，你做 ai 视频， ai 漫画，数字人，电商素材生成了这个场景是没有办法省的，也别想着移动办公，你就是定点作战，一张桌子，一台主机，老老实实的坐着干活。两条路，第一条， windows 的 台式机 r t s 五零九零， 这是目前本地跑视频生成最强的方案。配置单呢， r t s 五零九零三十二的显存 blackware 的 架构好， cpu 选 i 七就够了。内存呢，六十四 g d r 五八千兆赫兹 硬盘的两 t 的 ssd。 一 手的价格，整体预算四万到五万五之间啊，嫌贵的话，显卡选二手的，两万八到三万二就能搞定。 四 k 视频渲染速度比上一代的四零九零快上了两倍。第二条， max studio m 四 ultra， 苹果这边能打的只有，而且只有这一台，统一内存最高一百九十二 g， 全部可以拿来跑模型，优势是 cuda 生态不支持 部分的视频生成工具，只能跑在 n 卡上啊。如果你的工作流主要用的是 comfy， ui 啊， stable， diffusion 这些东西，选 windows， 如果你更偏向于用苹果的生态， 用 m l x 的 架构 max studio， 你 可以考虑定制版的预算在三万到五万。场景二，做自媒体，主要跑文案，模型啊，处理素材，偶尔出图， 十六 g 的 显存就够用了。这个场景呢，有三个选择。第一个选择， mac mini m 四内存去选三十二 g 或六十四 g 的 定制硬盘的无能选最小的，因为我推荐大家去用 nars， 不要在内置硬盘上多花钱，价格六千到一万四啊，二十四小时你都可以挂着跑模型，电费忽略不计， 安静稳定，放桌角不占位置。第二个选择， macbook pro m 四 pro 内存要选四十八 g， 如果你需要移动办公啊，又想本地去跑模型， 这是目前最好的笔记本方案啊，统一内存，四十八 g， 全部可用，续航构成一整天，然后价格是一万六到两万。第三， windows 的 台式机，二手的 rtx， 三零九零，二十四 g 的 显存， 二零二六年依然是性价比最高的 ai 两室啊，整机六千五到八千五之间，三零九零呢，是老卡了，但二十四 g 的 显存能跑的模型比很多新卡还要多。 选这一条路的好处呢，是 c u d a 的 生态全兼容啊， comfy u i s d 奥莱玛，全部开箱即可用。 好。场景三，你是一个开发者，然后想本地的去调试和微调一些模型， mac 是 最省心的选择啊。 m 系列芯片的统一内存，显存和内存是通的。买了六十四 g， 这六十四 g 呢，全部可以拿来跑模型，不用折腾驱动， 不用配 c u d a 的 那个环境。推荐的 mac mini m 四内存定制，六十四 g 硬盘五百一十二 g， 一 万二到一万四啊，能跑大份的主流开源模型，如果预算还能再拔高一点， mac studio m 四 max， 内存一百二十八 g， 跑七十 b 以上的大模型也能完全扛得住。最后给大家总结一下选购的逻辑啊，千万不要买十二 g 以下的，现存的新卡入场就已经被淘汰了。 windows 呢，去选 n 卡， 新卡只看五零系列，旧卡只看三零九零。 mac 呢？苦恼选 m 四以上的芯片啊，内存拉满硬盘的，选最小 内存频率啊，要高 ddr 八千赫兹往上选。最后来说一下，给大家一个白嫖的方案，一个不花钱的方案。如果你手里有一台老电脑啊，不要扔两招，让它继续替你战斗。第一招，你手里是一个 windows 老机器啊， 赶紧去刷上 linux 系统啊， windows 本身就能吃掉你两个 g 的 显存， 还有一堆后台程序要抢资源。换了 linux 系统啊，省下来的显存和内存全部拿给 ai 用，推理的性能呢，直接能提升到百分之三十到百分之五十， 同样的硬件，换了一个系统，性能涨了一半，不花一分钱。第二招，如果大家拥有的是英特尔版的那种老 mac 啊，大家可以用 o c l p 去强升系统，不要着急卖啊，现在有一个工具叫 o c l p 啊，它能让老 mac 强行升级到现在最适配它的 mac os 新系统。 跑大模型那肯定是带不动了，但当一台静态的服务器跑一些自动化的脚本，挂一些 agent 啊，抓数据，改文案，还是完全够用的，不就相当于你不花钱多了一个二十四小时在线的助手吗？最后呢，大家有什么问题可以在评论区给我留言啊，你们需要什么样的配置，什么样的场景来使用？

cloud 目前出来了一个最新的模型 o p 四点七啊，他在处理长文本以及做报告数据分析啊， 非常的不错啊，大家看这个数据分析啊，不管是在代码编程领域啊，都是超越了各大 ai 模型，我们来测试一下，我把这个自己的数据报告直接上传给他，然后让他根据我的报告生成多种多样的图形，并且给出优化的建议啊，大概花了两分钟的时间啊， 来看一下它这深层的效果，不知道大家觉得怎么样？这有作品数据分析报告以及上传的数量啊，作品数是幺三幺，然后播放量等等之类的和平均播放量，都会有各种各样的数据啊，而且呢有播放结构，并且给我们做了详细的数据分析和这个排版布局啊， 也是非常的 ok。 而且呢，给出来详细的优化建议啊，我们就可以根据这个优化建议去进行调整修改。罗大力也想使用打 call 用来写作科研，做数据分析等等，都可以点击我主页的置顶作品找到我。

cloud code 真的 一定要每个月付费吗？如果你的目标是学习离线实验或者做日常代码辅助，其实可以用本地模型搭一个免费方案。 关键点是 cloud code 是 编程助手，真正产生费用的是背后的大模型服务。 我们可以把模型端点换成本地运行的 oled， 让请求留在自己的电脑里。开始前先检查硬件，推荐至少十六 gb 内存， 如果有五大显卡，六 gb 显存，可以跑清了模型，十二 gb 以上体验更好。访问欧拉玛 com 下载桌面版 windows 用户按安装向导，完成后在 power shell 里运行 olama version， 看到版本号就说明安装成功。 模型按用键选择现存充足选快二点五 co 的 资源，一般选 jimmy 二老机器可以用 fly 做轻量体验。 模型下载完成后，启动饿了么服务，看到 local host 一 万一千四百三十四端口正在监听，就说明本地模型服务已经准备好。接下来设置两个环境变量， andropic 下划线， base 下划线 u r l 指向本地，欧拉玛 andropic 下划线 p i 下划线，替填一个占位置，然后启动 cloud code。 现在你就可以让 cloud code 独取项目 分析代码，给出修改建议。整个过程在本地完成，不需要把代码上传到云端模型，本地模型不一定比云端最强模型更聪明，但他免费可离线，隐私更好。 对于学习和日常辅助，这个方案很值得尝试。先跑通清亮模型，再根据硬件升级， 后面可以继续做故障排除和性能优化。

今天我用 curl code 帮我做一个中等以上需求的一个需求说明书，考虑到 curl 的 像大模型都是一个注意力机制的这么一个大模型，那我可能我的第一步就是在 tst 里边先把整个需求的背景，包括需求的功能点，包括让它呃要设计的一个注意注意要点，然后包括我对这个需求的整体的一个理解，把它呃列举成一二三。然后我在 tst 文档里边 梳理一下整个需求，然后就让 clark called 帮我做做一个详细的设设计说明书，然后他做完做完出来之后，他给我设计的相关的表结构，然后接口说明文档，包括还有时序图，包括还有那个注意事项，甚至还有一些测试的案例。 那设计完了之后，我就会对整个文档做了一个呃快速的呃浏览之后发现它里边其实还有一些设计的点比比较粗，比如说有一些定时任务，它可能是就默认了就每五分钟执行一次，但是它和实际的那个 呃时间是有冲突的。比如说我定时计划是一个随机的九点十三分来执行一个任务，如果他每五分钟来执行一次的话，他在极端情况之下，他可能会在九点十七分才会执行到我九点十三分的一个任务，那在这种情况之下就会造成那个任务的延时， 所以我就让他，我说，我就让他呃做任务的一个前置，然后再呃单独再做一个派发的任务，那就显显著的降低了这个任务的 呃时效性。然后在关于这个 clock code 帮我设计的需求说明书，他也是不断地在从事啊，不断地在迭代，然后最终把这个设设计说明书呃给出出来 啊，最终呢，有一点就是因为它设计说说明书里边本来我已经配置了很多的呃本，本来我已经配置了基本的 clock code 点 m d， 包括 enigma 点 m d。 在 这个不断的对话的过程中，因为这个需求的文档在不断的迭代，也触发了它好几次的那个压缩机制。 所以我觉得就是有一个技巧，就是当你把那个设计说明书如果说多次绘画呃到一定程度的时候，可以执行一下杠 clear 来，嗯，把那个上下文给清空一下，然后再基于它现在生成的那个文档来继续来生对文档进行处理，这样可能 呃让这个自然理更聪明，不会让它产生幻觉。呃，我从这个计划说明书的这个实践过程中，我觉得 clockcode 呃做设计说明，然后再让 呃，比如说 ctrl 或者是去来编编辑代码会更加的呃快速和有效。你们觉得呢？欢迎评论留言。

不会就学，有想法就干，要么成功，要么成长，我的人生没有失败。我一名 emc 工程师，不会写代码，但我用 ai 做出了专业的电磁仿真软件，全程零编程只用了几个小时。这条视频 告诉你我是怎么做到的。一密滤波器设计是电磁兼容工程师的日常，以前一个仿真加一篇文章 至少要两周。然后我发现了 qadog， 一个能理解专业需求，直接写代码的 ai 编程助手。我只需要用中文描述需求，它自动完成物理建模。 g u i 界面图标生成， 还能生成公众号文章和学术论文，最后打包成独立的安装包，我只要说做什么，不用管怎么做。第一个项目， emi 滤波器插入损耗仿扑采用 abcd 矩阵法 准确处理任意原负在阻抗，符合 c i s p 二一七标准既生参数模型，真实还原实测曲线的非理想特性。桌面 g u i 实时调餐， 及时出图。更让我震惊的是， ai 不 只是写了代码，它同时生成了可直接发布的公众号技术文章、高清对比图表、 i e e 格式的英文刊论文 和 windows 独立安装包，写代码、画图、写文章、写论文，一条龙全搞定，这对我们做技术内容的人来说， 简直是核武器。第二个项目，电缆串扰计算器，同样只用了几个小时，基于多导体传输线理论，准确计算近端和远端串扰五种电缆预设，一键切换 排线、双角线、散线数 p c b 微带队、宽间距、频域加时域全面分析。同样的交付标准，桌面软件加公众号文章，而且这次文章直接导出 word 文档，复制粘贴就能发。很多人问我怎么跟 ai 对 话的， 其实就是这样。我说中文需求他理解专业术语和物理原理，我指出问题，比如 nex 的 峰值频率不对，他会自己递 bug， 定位到本征向量的数学问题，然后修正。全程就是一个有问有答， 逐步迭代的写作过程。不是魔法，是工具，这是最终交付的图标。四张高清对比图，每一张对应一个技术要点，自动标注关键特征，理解成本降低至少百分之八十。放到公众号文章里，读者秒懂，而且全部三百 dpi 可以直接拿去印刷发表传统方式两周，还需要编程能力， cut code 几小时，零编程基础。这不是我变厉害了，是工具的杠杆效应。 ai 让我把全部精力放在专业判断上，而不是浪费时间学怎么画 g u i。 我 们工程师的护城河 从来不是会写代码，而是懂物理，懂产品，懂用户需要什么，这只是个开始。我的 emc 仿真工具箱计划做七个滤波器，串扰传导、发射、屏蔽效能 p d n 去偶顺太脉冲辐射发射，每做一个就发一期视频。一个人加一个 ai， 等于一个产品团队，这件事意味着什么？第一，专业知识的价值被 ai 放大了， 你不需要学编程，直接发挥领域深度。第二，内容的生产流水线成立了，从仿真到图表到文章，一气呵成。第三， 一个人可以经营一个技术品牌，持续输出高质量内容，持续积累行业影响力。在这个时代，最稀缺的从来不是写代码的人，而是真正懂一个领域的人。关注我，看一个 emc 工程师如何用 ai 改变工作方式。评论区聊聊，你觉得 ai 会让工程师失业吗？

你想用 cloud code， 但是没有 cloud 账号，也没有梯子，各种条件都不具备是吧？没关系的， a 夏最近终于干了件正经事， cloud account desktop 现在可以配置第三方模型了。也就是说，你可以把 meemow， deepseek 这些国产大模型，甚至是本地模型直接接到 cloud code 里用。今天我就带你走一遍整个配置流程，三分钟搞定它。 up 主这边用的是 windows 系统来做演示，先装好 cloud code， 打开之后注意啊，不要登录，直接看左上角点那个三道杠的菜单，下拉之后选 hop， 然后找到 troubleshooting， 此菜单里面有一个 enable java， 点它确认 enable， 然后重启一下 c c。 我 这边已经起用了开发者模式，所以界面看起来可能跟你的不太一样， 但是操作路径是一样的，跟着走就行。重启之后， c c 还是会弹出登录界面，不要管它。继续点左上角的三道杠，你会发现下拉菜单里已经多了一个 java 选项。 点进去自菜单里选 comforst party inference。 好， 现在我们就来到了第三方模型的配置页面了。先看 connection 这一块，这里默认选的是 d k 网关模式，不用动，我们需要填的是 base u o l， 一个是你的 e p i k。 我这里拿小米的 mini 来举个例子，你先去 mini 的 控制台，在技术文档或者控制台的快速声明里面找到 int 接口协议对应的 base u o l， 复制一下，回到 c c 里粘贴进去，然后把你的 api key 也填上，再往下看，有一个 model list 在 里面，填上你要用的模型名称，都填好了，这类 注意填写的模型名称必须正确，基本都是小写的，你要在官方文档里找到准确的模型名称。 如果你选择使用的模型支持一百万上下文，就可以选择打开百万上下文开关，如果不支持就不要开了， 点一下下面的啊，快应用，这时候 c c 客户端会自动重启，重启之后你会发现不需要登录，直接就进到了 c c 的 主界面。看一下对话框的右下角，你配置的模型已经出现在那里了，可以看到 c c 已经回复是使用的咪某模型了， 没问题对吧？已经接上了，所以想用 cloud code 但是没有 cloud 账号的朋友现在就可以动手了。不过 windows 用户要注意一下， 配好模型不代表就万事待急了，因为 windows 下面的 cloud code 其实是跑在一个 linux 箱盒里面的，很多功能会受到限制，怎么解锁这些限制？下期我来教你。我是 eric， 关注我，给你带来不一样的精彩！

给大家分享一下我实测的 code graph 以及 jibble， 我 们可以看一下它的这两个插件，它是属于 graph rag 领域的知识库。我们首先看一下它的 主页，它们完全是开源的，然后我们可以看一下怎么使用，我们首先介绍一下它是做什么的，它可以使用在 cloud， code， cursor 等等的编码工具以及 open cloud harmless agent。 然后它可以使用什么呢？我们可以看到它可以进行一个减少我们 查询时候的一个工具的调用，比如说我们在运行一个代码，需要了解这个代码的架构的时候，我们需要执行，比如说反复的执行 grab read find， 然后进行了解这个代码的结构，我们这个库可以进行一个 减少这个时间以及它的一个我们模型的消耗，降本增效。然后接下来我们看一下它的 jibri， jibri， jibri 是 什么？我们看一下它的一个界面，它是为了 openclaw 以及 harms agent 进行打造的一个数据库，进行记录它的一个对话等信息。我们首先看一下它的一个 刚才实测的一个数据，我们介绍一下这个实验是怎么做的，比如说我们看一下左侧，左侧这个是没有安装这个插件，我们让他分析一下，分析一下这个 j b r 的 项目的完整架构，然后 这是他的一个分别的要求，我们通过这个提示词，然后进行一个执行，我们可以看到他有很多的工具调用，比如说读写等等等，他会消耗很多的 token， 然后我们进行获取他最后的一个时间以及他的一个 token 的 消耗量，然后我们 看一下右侧，右侧的话我们进行第二个实验，就是把它的一个缓存给删掉，然后进行安装，首先安装下这个命令，然后我们进行一个构建它的一个锁影，我们构建这个 jb 的 一个锁影，可以看到已经导航到这里面，然后进行一个 index， 然后我们可以看到这个项目花了二十五秒，还是非常快的。然后我们继续运行 color code， 然后使用同一款模型，然后进行一个测试，同一个提示词，发现它最终 达到了现在我们展示的这个效果，从原来的六分钟到现在的不到两分钟， 然后实际的消耗，我们可以看到这个表现还是非常的亮眼的。对于我们在重复的一个工程，比如说很多的代码中需要很多很多词读取，这也就是一个 red 的 流程，通过这个库可以很明显地减少这个损耗。然后接下来我们介绍一下为什么 george 是 可以进行一个 减少的，看一看它的原理。通过我们对于它的源码的一个分析，我们可以看到它们构建的是一个数据库，并且使用的是一个算法的构建。我们看一下为什么可以不用 ai 就 可以构建， 因为我们代码本来就是结构化的，我们通过这个直接建图就行。我们看一下它的一个图解，比如说 这个就是我们的一个图解，然后我们通过自动解析，然后通过 a、 s、 d 的 语法术进行自动生成的一个知识读谱，这是完全不需要 ai 进行参与的，非常的高效。然后我们进行解释一下为什么不需要 模型就可以见图，因为我们使用的是代码，是结构化的，我们使用 a s t， 这就是一个抽象化的语法术。在我们运行代码的时候，比如说变异器，解释器这些东西都是可以一个很成熟的一个流程，因此我们可以直接进行复印它就可以了。然后接下来我们看一下 code graph 的 一个构建流程，我们首先进行一个源代码，然后进行一个解析，然后进行引映，它的这个解析最后储存在 circle light 里面，然后构建一个全局的缩影，这就是提供的一个工具自动进行， 它是一个基于 graphreg 的 一个知识图谱的知识库，它是一个知识库，我们由此可见这个基本的知识库是 ai 的 一个基础见识。然后我们看一下 openclaw 以及 harms 的 这些记忆，也就是之前的一个记忆体。我们首先看一下它的一个 开源的作者，它是在互联网上有很多的一个 start， 来到它们的界面可以看一下， 然后回到这里，我们看一下它是怎么监图的。我们可以看到用户进行提出问题，然后进行一个毁调，用了这个 skills， 然后进行把它格式化出来，格式化成 markdown， 然后通过 markdown 之后，然后通过一个正则化的进行提取一个知识库的建立， 我们可以看到虽然说它宣称的是零调用，但是在我们的一个格式化 markdown 的 时候，就是需要一个 ai 的 调用的， 然后进行一个向量化，以及我们图的一个增量更新，这就建立完了。然后接下来来到这个 核心的 skills， 这个就是他暴露的一个 m c p， 他的一个解锁的一个特征。首先是关键词的解锁，然后是一个混合解锁，混合解锁的是什么？比如比如说向量处理不好的编号等等的东西，交给我们全体的缩影，以及他的一个 r f 一个融合。什么是 r f？ r f 就是 进行的一个召回的一个算法，比如说这里面就是一个余弦的一打分零点七的权重，再加上它的一个余弦相似度，这是它的一个特权。 然后接下来进行的是一个图的便利，我们可以看到它提升了百分之三十一个哦。 然后接下来我们分析一下 jeffrey 和他的一个 r m 的 viki 的 一个区别。可以看到 openai 的 创始人进行 一个想法，这是维护的是一个个人的知识库，而这个是进行的一个比较成熟的一个解锁了。然后接下来这就是他的一个独立使用，然后这是他的一个安装。

没想到这么容易可以当老板，靠什么 cloud 怎么做呢？先说一下我这个宏大的商业计划，就是通过淡化策略模型，在袋里面掏金币。那我要怎么招人帮我干活呢？就是通过 cloud， 首先招的第一个是超古专家， 他呢得对整个大 a 非常的熟悉，而且有实战经验。第二个呢就是量化分析，他就是需要把这个专家的经验数据化，搭建成一个量化策略模型， 然后一直丝丝叠带，丝丝叠带。最后呢就是这个模型可以在牛熊市都可以赚钱。第三呢就是工程师，我需要他把这个模型搭建成一个自动化的交易系统。是不是做老板很简单，但是 我需要喂金币，也就是偷啃给到他们他们才愿意给我干活。也就是在这个项目利润打正之前，我需要打工赚钱养他们，但是我现在连自己都养不活，我怎么养他们？

这期视频打工人必看 ai 做数据分析，这是我们在企业 ai 培训过程中遇到的最高频的需求之一，本期干货非常多，建议你来点赞收藏。 你有没有一张 excel 表格扔给 ai， 然后它生成了一份看起来非常专业的分析报告，图表漂亮，结论清晰，洞察深入。但是你有没有想过，这份报告里面的数字是真的算出来的，还是编出来的？ 可能是 ai 应用领域我觉得最难肯，但也是企业最高频的痛点之一。我呢，干了十三年的商业分析，在咨询公司干了五年，在三六零做了两年，字节做了六年多，整个数据分析和洞察是我的老本行。那过去的一年呢？我测试了市面上绝大多数的 ai 的 工具和分析的方法， 论是 ai 做数据分析可用，但是坑更多。那这一期视频呢？我不会给你演示 ai 有 多么的厉害，相反，我会把 ai 做数据分析的真实的问题一条一条的摆在你面前，然后告诉你这些问题真实存在的情况下，怎么样做出靠谱的分析。 以上都是一些实打实的学类的教训，建议你来点赞收藏。首先哈， ai 做数据分析到底有哪些根本性的问题？ 我们先从第一性原理来想这个问题哈， ai 是 什么？它是一个语言预测的系统，它的本质是预测下一个 token， 它不是计算的引擎，也不是一个数据库，也不是一个审计的工具，理解这一点，你就能理解它所有的问题的 来源。那我来给大家展示一个真实的案例，是我们的客户给我的一份用户调研的数据，四百二十六行十五列，那我策划了整个分析的逻辑，需要 ai 做五个补， 对数据进行描述性统计，进行基本的数据处理，进行相关性的分析，做数据的洞察挖掘，最后出可可化的报告。我呢，也用 deepsea、 kimmy cloud、 coat、 pycharm 的 各种工具来尝试。我们来看一下这些工具进行到整个分析的哪一步。 你可能不会想到 deepsea 在 第一步就已经挂了，这是 ai 做数据分析最主要的问题之一。数据阶段他根本就没有看完你的整 个表，大多数 ai 的 平台有上下文的窗口限制，你上传了一个十万行的销售数据表，他只看了前几千行，基于局 部的样本给你生成了一个整体的趋势分析，他不会告诉你他没有看完，他只会给你一个直接的结论。问题二，计算幻觉。他可能第一步对，但是第二步就开始 边了。一些常规的统计描述出错率是比较低的，因为这类任务相对来说简单，但是一旦涉及到多步骤的运算，比如说同比增长或者环比， ai 在 中间步骤就是有可能悄悄出错的。然后他会用一个非常流畅的语言，把错误的结论包装得非常自信，越复杂的运算越容易在中间某一步 产生幻觉，这是大家需要注意的地方。问题三，结果不稳定。也就是我们会发现 ai 做数据分析的时候，同一个问题，他可能明天的答案就是不一样的，他整个输出是有随机性的，今天你问他哪个产品线的利润最高，他给你 a， 但可能明天同样的数据，他会给你一个 b， 或者是说同一份数据，他给到的分析的结论每次都是不一样的。比如说他今天认为我们的核心人群是年轻人，明天会认为整个核心人群是一线城市的人群。 那第四个问题，不理解业务逻辑，也不理解数据的含义。如果你不告诉他你的表格中的字段之间的关系和关联，他会自己去做出一些假设，而且通常也不会说他自己做了什么样的假设，那他在分析的时候就在分析一堆他自己并不理解的符号。 所以这也是为什么我们通常要告诉他我们的业务逻辑，或者是数据之间的关联关系。问题五，基础算数也会错，加减乘除出错的概率是比较低的，但也不等于零。当数据量大，嵌套复杂的时候， ai 的 计算可能远不如一个 excel 公式。问题六，编造不存在的数据。 当数据缺失的时候，有些 a i 号会自动去填出一个合理的数字，而不是告诉你数据缺失。这是最危险的情况，因为你的报告里面混入了凭空捏造的一些数据点， 而你完全是不知情的。问题七，他缺乏对统计意义的常识。比如说我们让他做一些相关性的分析，或者是做一些分组的分析，剧烈的分析，哪怕某个分组的样本量非常低，根本不具备代表总量的代表性， 他也会一本正经的给你输出结论。这种时候我们就必须靠懂业务的人在提示词里面强行做一些限制，他才会规矩。还有问题八，安全问题。 因为我们上传到 ai 平台的数据有可能涉及到企业的敏感数据，比如说销售数据、用户的数据、财务的数据， 它是不允许上传到第三方平台的。这种情况下，我们怎么样去做数据分析呢？以上这八个点都是实际操作 ai 做数据分析过程之中遇到的问题点，你会发现这些问题它有一个共同的根源，就是 ai 是 一个语言生成的系统， 它的目标是生成听起来很合理的输出，而不是保证计算正确。这两个目标之间其实是存在着根本性的冲突的，那我们到底要怎么办呢？三个目标、三种解法理解了以上根本性的问题之后，我们就知道 ai 做数据分析存在着天然的局限，这也帮我们更明确用 ai 做数据分析的三个目标，准确、深度、安全。目前其实还没有一个方案能够完美去实现这三个目标，但是我们可以根据场景来选择。解法一、 优先保证准确我会推荐大家用 cloud for excel， 如果你需要对数据进行计算，而且你必须确保数据是对的，那我们最佳的实践实际上就是 excel 表格。 那为什么是 excel 呢？因为 excel 的 计算是非常透明的， ai 可以 帮你写公式，公式写在每一个 excel 的 单元格里，你能够看见它，能够检查它，能够追溯每一个数字的来源。这和把数据扔给 ai， 让它给你一个答案是有本质区别的， 因为 ai 给你答案是黑盒的，你不知道它是怎么算的，但是 ai 给你公式，公式在 excel 表格里运行，它是一个白盒的，每一步都是可以审计的， 所以我们要确保准确， excel 是 最佳的时间的场景。那这里我们还是用刚才的案例来给大家演示一下同样一个用户洞察的表，我们放在 excel 表格里面，这个 excel 表格里面是嵌入了 cloud 的， 让它先做。第一步，做描述性的统计，它直接会新建一个 sheet， 然后去做每一个题目的统计的结果， 并且你能够看到统计结果的公式，这意味着计算过程是足够透明，你可以回溯，能够审查。在准确性上， cloud 给你的确定性是绝对的。接下来我们要让它进行第二步，也就是数据的预处理， 这里让他对所有的题目进行交叉的分析，其实是一个特别大的计算量。我之前在市场研究公司的时候，我们是需要有专门的 d p 来做数据处理的，耗时至少是花一天的，但是 cloud 几分钟就做好了，而且能够准确地执行，并且帮助你重新生成一个 sheet， 这个是很厉害的，而且我检查了数据是完全没问题了。再进一步到第三步，我们让他做相关性的分析，这里面他会自己把计算相关性的维度和方法都尝试了， 并且主动进行显著性的检验。到这里基本的数据分析的工作其实已经进行了差不多的，接下来我们就是要去做数据的洞察和呈现的过程。 那这里我是直接让他基于所有的分析做总结的报告，他自己主动新增了一个 sheet， 然后把跨表格的结论进行了整体的分析和总结， 这是我认为保证数据分析的准确性、深度最有效的方法。 cloud code for excel 目前直接对表格进行操作的 ai 有 cloud 和 kimi， 最近千万也上了表格的 agent， 但是我自己认为嵌套在 excel 中的 cloud 做得更原生、更彻底、更透明，也意味着更可控。 那它与普通的 agent 的 最大的区别在哪里呢？我觉得，第一，它不让大模型直接来算数，可靠的，不会悄悄地去改文件。你让它去修复公式或者调整逻辑的时候， 它会优先地去展示计划修改的部分，并且解释原因，展示修改前后的公式，然后由你来审核决定是否来应用它。 所以大模型在这里只是负责去生成 excel 的 公式，而 excel 引擎去负责执行这个运算，这样是直接把数值计算的责任交给了 excel 本身。那大模型只负责写正确的公式，规避了直接让模型做算数的风险。 那 cloud for excel 的 架构的本质啊，我自己认为就是 a l m as formula generator， 然后 excel 就 as computer engine， 而人类就作为 final 的 reviewer， 而不是说让大模型端到端的去做整个数据的分析，这是我认为它控制数据分析不准确或者是控制风险的方法，这既是它的护城河，也是它能力的上限。第二点呢，我认为它是拥有跨表格的 联合分析的能力的。普通的数据分析的 excel 和工作模式就是，呃，我把数据给到模型，模型来生成结果，对吧？整个过程是在一个外部的沙箱的环境里面去运行的，跟原始的文件是脱节的。 而 cloud for excel 它的核心差异是 whatbook native。 这是什么意思呢？就是说把它的整个文件作为一个关联的系统来推理，而不是单个的单元格或者是单个的 sheet。 它直接在你的原始数据表格中做操作，做增加 sheet， 然后做跨 sheet 的 联合分析，那它能够去理解嵌套的公式以及跨多个 sheet 的 单元格的依赖的结构。那它在理解整个数据关系的时候，也考虑的是左 所有 sheet 的 上下文，这也给他提供了真正去思考逻辑关系的空间。所以简单说，普通的 ai 是 拿数据去外面分析， 而 cloud for excel 是 在数据里面思考。那第三个点，我认为它还有一个优点，就是它的边缘问题的处理机制。 cloud 能够去追踪一些无效的、空值的或循环引用等错误，并解释出了什么问题，应该怎么样去修复 且不破坏模型。其他的部分，甚至是我看到它的官方文档里面会对于一些报错有很严格的限制，它的官方文档里面写，当它的审核 agent 认为报错为零的时候，它才会输出结果。如 果不文明的时候，它会持续地去在底层做预算。我认为这些机制也能够去保证 cloud 做数据分析的时候的相对的准确性。那可能有人会说自己没有办法使用 cloud for excel， 有 没有什么替代的方案呢？有的，那我们这里给大家第二个解法，优先保证深度用 pmi。 国内目前通用平台做数据分析相对可靠的是 kimi， 为什么 kimi 相对可靠呢？相比其他的平台来说， kimi 在 处理长文本和大表格时截断率是更低的，而且它理解上下文的能力更强，上下文的窗口也更大， 意味着它能看到更多的数据并做分析。而且我们知道 kimi 有 两种模式，一种是 kimi 的 表格模式， cloud 一 样也可以在 excel 的 表格里面去做操作，并且也能够按照你的要求在表格中做预算做分析。但是它是直接在表格中输出结果的，而不是像 cloud 一 样输出的是公式。这也意味着你的整个结论都是在黑盒中的， 你需要去人工叫验它所有的数据分析的过程和结果。 timi 呢？还有一个 agent 的 模式是在沙箱的环境之中，后台有各种数据 agent 学童来操作，我直接来给大家演示一下哈。 我们还是刚才这样一个用户调研的数据的案例，我们给到 kimi， 让他来进行我们预设的五个分析步骤，那非常惊喜哈， kimi 在 这两个模式下， 整个数据的准确度是全部过关的，五个复杂的步骤跑下来完全没有失忆。最终我们能够看到他输出的报告 和可适化的分析的看法，也都达到了可以交付给客户的标准。所以我们其实想说， kimi 用来去做一些常规的数据分析肯定是没有问题的。但其实 kimi 过程中也有一些小的问题，或者是说我给到大家一些使用的建议吧。 第一是不要直接让他给你结论，要让他先描述他看到了什么数据，确认他没有截断，没有基于一些不准确的数据去做分析。 第二呢，是对一些关键的数据进行人工的抽查，把它定位为一个思考助手，而不是说计算的工具，因为它现在目前还是没有办法保证百分之百的准确的。第三个点就是它缺乏统计学意义的一些常识，所以你需要写专门的提示词进行限制，才能让它整体的输出准确而可靠。第四个点， timmy 的 表格模式，我觉得它更适合很纯粹的做数据的处理，但是偶尔会有一些格式上的 bug， 那 它的 a 整数模式更侧重于深度的洞察的挖掘， 我个人是更看重商业洞察的，所以我会建议大家首选 a 整数模式，因为它的整个思考的逻辑会严谨的多。那我们再看一下 timmy 的 整个的分析的步骤，第一步，让它做描述性的统计，完全没有问题，整体是非常准确的。 那第二步，让它进行数据的预处理，这个预处理就是做数据的交叉分析，让它对所有的题目基于特定的一些维度做交叉的数据表格，它能够帮助我们生成一个 sheet， 虽然需要花一定时间， 整个系统你下载下来整体也是没有问题的。接下来我们让他进一步做。第三步就是我们提到的做相关性的分析，这里面我们会给到他提示词，整个相关性应该怎么样去做，哎，他自己已经理解到了，所以他自己也会基于他的理解去做了整个相关性的分析，并且也给到了一些显著性检验的指标。 那接着第四步就开始让他帮我去做洞察的分析的结果，以及第五步，我进一步让他基于他整体的洞察分析的结果做出一个可适化的网页，整个分析非常的完整，还是很符合预期的。 那以上的两个方案我们其实探索了如何准确深度的用 ai 做数据分析，那么我们怎么样保证第三个点安全的做数据分析呢？那在我们做企业的 ai 培训的时候，会发现企业的管理层普 片都卡在一个死胡同，既极度渴望用 ai 挖掘数据的价值，又死死守着数据安全的红线，不敢越雷池一步。那企业其实也探索了很多的方法，但是都有一些致命的缺陷。比如说第一，把数据进行一些脱敏的处理，比如说哈，把一些列名改成指标 a， 指标 b， 但这样的脱敏处理会让他剥离了一些业务的含义， ai 只能做很低级的加减乘除，但没有任何洞察可言。 那第二个点呢，就是花重金在本地部署开源的小模型来做数据分析，那实际落地下来也会发现速度很慢，而且 ai 并不够聪明。所以这一章节我们给大家讲第三个解法，就是保证安全的情况下，怎么样去做数据分析。我们推荐的方案是本地的 python 加 ai 的 辅助， 那当我们在处理一些敏感的数据，最好的方式是数据不离开你的本地环境。你用 ai， 不 管是用 cloud 的， 用 gpt 或用其他的工具辅助帮助你去写 python 代码。然后呢，让代码在你自己的本地机器上运行， 数据不上传到任何平台。这个方法其实也非常的简单，唯一的要求是用户需要有一个 python 的 编辑器安装在本地的电脑。那整个流程就是首先你需要去描述你的需求，给到 ai， 然后 ai 帮你生成 python 的 代码，那接着呢，你去把这个代码拿到你的本地去运行，而 而且整个结果都是在本地去生成的，生成完之后，其实你自己如果想有任何的修改啊，验证啊，审查啊，你其实都是可以去做的，整个全程数据也是不会离开你的电脑的。那为什么这是相对来说最可靠的方案呢？计算由 python 来执行，不是 ai 来执行，所以准确性是有保证的。 那整个代码呢，也是可以保存、复制和分享，你可以是重复性去使用的。也就是说未来你的原始数据有了更新，你直接重新再跑一遍这个代码就可以了。第三个点，数据也是保存在本地的，安全性是可以保证的， ai 只负责把它擅长的部分，也就是把你的需求翻译成代码。但是这个方法也有一定的局限，就是有一点学习门槛，需要你能够看懂基本的 python 的 代码， 但实际上你并不需要会写，你只需要能读懂就可以。好，那我还是给大家来实操演示一下，你就会知道它的难度到底有多大，既不会过于害怕，也不会过于乐观。首先我们要下载一个 python 的 编辑器，我这里是开站，当然你也可以用别的，比如说 vs code 或者 cross。 我 知道哈，屏幕前的你可能听到我刚才说的这些词，你就想打退堂鼓了。别害怕，我保证你看完我操作之后，你就会豁然开朗。不， 不过如此，面对恐惧唯一的方法就是直面他。那我们来想象一下这个任务我们到底是怎么样去处理？首先我们的目标是让 ai 帮我们写出能够分析这些表格的代码。那这里我们的第一步其实就需要告诉 ai， 哎，我有哪些数据表？每个数据表里面有什么？数据表里面的数据结构是什么？那 这一步我们直接用 python 的 编辑器来帮我们输出，我们不需要去自己手动的去写每个表格的信息。那我们打开 python， 进入到我的工作区，我已经把原始文件放进去了， 你的原始的表格可以是一个，也可以是多个数据表，它都可以同时来处理好。这一步输入帮我们输出表格的 info 信息，我给了这样一段代码， 然后我们运行，运行后我们能看到表的基本信息了，有多少行，多少列，具体是哪些字段，对吧？然后我们来到 deepsea， 我 们跟他介绍一下背景，越详细越好。所以我是比较偷懒的，我会把所有的信息都给了他，比如说我直接把我在编程上的刚才写到的这些语句发给他， 然后把我们拿到的所有表格的 info 信息也发给他，接着跟他说我们的要求，那这个要求是什么呢？就是这一段提示词，要求他帮你输出分析的 python 代码文件，然后他会直接就给你写好代码了。 那我们直接下载好代码之后，来到 page 里面去运行，你就会直接拿到结果，他直接会把你分析的结果格式化，并且你能够看到。哎，这里是有一个看板，然后左边是有筛选去看特定的结果。 这个方法啊，很有效的地方在于 ai， 它基本上帮你做成了一个自动化的看板，后续你的原始数据有任何的更新，你重新再运行一下这个脚本就可以了。 那 ai 做数据分析不是说不能用，而是说需要用对地方，它很适合帮你思考分析的框架，把你的需求翻译为代码，但是它确实不适合承担计算和审计的职责。那把 ai 用在它真正擅长的工具， python 的 代码等等， 这才是目前来说相对可行的路径。那今天呢，给大家介绍了这三种数据分析的方法，但大家也需要注意到，这里的分析更多还是让 ai 不要出错，让 ai 能懂数据的关系，让 ai 能够安全的执行。但更多的关于洞察的部分，其实我们今天并没有详细展开， 因为它的难度是更升级的，如果第一步的准确度没有办法完整保证的话，其实洞察也没有办法真正展开。 那洞察呢，是一个更复杂的过程，也更需要对业务的理解，也需要一些特定的场景，觉得未来我们可以做一些专题来做分享。好，以上是今天的分享，如果你觉得还不错的话，可以收藏和点赞哦！我是江江，带你看懂 ai 一 线！

分享，使用 cloud code gemini vs code deepsea 做量化交易软件。先跟 gemini 说我们要做什么？ 跟他说我想做一个量化交易软件。应用 ai 编程软件，怎么写提示词呢？关注的是美股 ai 赛道，可以是存储芯片、 cpu、 gpu 软件应用核电龙头股，它会提供给 ai 编程工具的提示词 调整，告诉他模型是 api 接入到工具中的， 将提示词粘贴给 code code， 让他写代码。 发送前右下角勾选 play mode， ok， 开始编码了。这里调整界面颜色为白色，视频加速，全程大约用了二十多分钟。 好了，写完了， 按照它的提示打开项目，是 python 程序， 让它给出格式化的应用界面， 又用了十多分钟完成了。这次来看一下这个程序 产业链导因子计算因伟达和美光科技的三日栋梁，偏离度因伟达突破而美光之后时生成美光不长信号， 这里看回测分析中的最新信号是做空， 这里是数据管理，刷新设置等， 你们看懂了吗？问他几个跟指标相关的问题， 问他回测分析中的最新信号，做空是量化软件给出的交易建议，目前是做空的意思吗？ 他的回答为什么显示做空？两个因子叠加导致？一、产业链传导因子，当前 n v d a 的 三日动量，木的动量。存储股近期涨得比算力龙头快，偏离度为负值，按照因子逻辑， 这表示母已经补涨完成甚至超涨，触发的是反转信号，而非作多信号。 二、核电避险因子 c e g 当前背特只有零点三四，极弱关联，避险评分仅一百分之二高风险区，说明核电股已算力板块严重脱节，两个因子叠加综合信号等于负零点七八九，跌破负零点三的做空裕值 不构成投资建议。 对了，本次软件编程共花费八毛钱，是 deep seek 的 模型 tokens 费用。 谢谢观看，拜拜。

想做 youtube 的 不出境频道，但卡在了画面质量上。如果你关注的是影视解说、游戏剧情与世界观展示、硬核知识讲解，或者是极具质感的视觉艺术和商业广告，你一定知道，现在的观众口味越来越刁， 普通的拼凑素材已经没人看了，你需要的是真正的大片感。程序员圈子里的 cloud code 彻底火了，但百分之九十九的人都只拿它写代码，简直是大材小用。 今天我要教你一个被低估的神级玩法，利用 cloud code 驱动目前顶级的 ai 视频模型 hixfield， 全自动制作导演级控制感的专业视频 核心神器 hixfield mcp。 为什么是 hixfield？ 因为在视觉要求极高的垂类赛道，它生成的视频极其细腻。 通过最新的 m c p 模型上下文协议，我们可以直接把 hixfield 的 ai 视频生成能力插进 clod 的 大脑里。这意味着 clod 不 再只是给你写个剧本， 它能直接调用后台的视频模型，按照你的要求一帧一帧地拍出大片。别担心，这不需要你懂编程，只需要三步连接。一、连接视频大脑在 hixfield 的 m c p 链接。这就像给 clod 装了一台超强的摄影机。 二、连接声音灵魂接入十一 laps 的 a p i， 这样你的视频不仅有画面，还能拥有目前最像真人的 ai 配音。三、安装渲染引擎，在终端运行一、行指令，安装 ffmpeg。 它的作用是让 cloud 在 生成完所有片段后，自动帮你把画面、配音和 b g m 缝合成一个完整的一零八零 p 视频。 现在你只需要一段终极指令， master prompt。 比如我今天想做一个酒店行业不为人知的秘密的科普视频。我告诉 cloud， 写一个八分钟的脚本，要有三目式结构，每六十秒设置一个悬念钩子。 视觉部分开头最重要的三十秒，全部调用 hix field 的 最强悍的 cds 二点零模型进行生成，确保画面达到影视级质感。中间部分利用 gpt 图片生成，配合动态平移效果。 最后帮我设计三张高点击率的缩略图。接下来的时间，你只需要喝杯咖啡， cloud 会在后台疯狂运转写脚本，裂分镜表生成配音调用 hixfield 拍摄视频。在影视解说和视觉艺术领域，它生成的视频逻辑更严密，画质更高级，完全没有那种廉价的 ai 感。 他甚至帮我处理了转场，自动添加了蛋入蛋出，连视频标题和标签都准备好了。你拿到的不是一堆零散素材，而是一个即发即用的发布全家桶。最后，我想给所有想做垂直赛道的朋友一个真心的建议， 当 ai 让视频制作变得有手就行时，大家的内容会变得越来越雷同。想要脱颖而出，你必须建立自己的视觉品牌。 比如，你可以利用 cloud 定制一个专属的虚拟角色或吉祥物，让它成为你频道的常驻主持人，无论别人怎么模仿你的文案，他们也偷不走你的 ip 形象。 ai 视频的时代已经不是未来式，而是现在进行时。如果你对这套流程感兴趣，在评论区告诉我，别忘了点赞订阅，我们下期带你解锁更猛的 ai 玩法！