克劳德API什么意思

宇宙最强 ai 编程工具破！最近克劳德镜像站总是没空闲的吃，对，用拍粉自己写了一个本地高仿克劳德网页版， 有需要的回复评论免费提供。下面简单介绍一下，软件可以对接第三方 ipi， 第三方 api 优点就是便宜稳定， 填写 a p i 后可以设置本地网页端口，进到网页中可以用网页模式调用 a p i 的 扣子，和镜像站一样效果，下面看下演示效果吧。 对话记录可以按天保存，永久不丢失。 ai 代码之神的克劳德是目前我用过这么多编程最强大的，没有之一。

朋友们，你们别老怪我说什么嗯喂，嗯，你要知道，央央彩最新一批的融资名单里头，他不是九千六百五十亿美元估值融了六百多亿吗？所有人给的都是钱。但是他在他的公告里特意提了一句， 他说央央彩将合作首批三个 strategic partners， 战略合作者不是 vendors， 也就是付钱者。 那么他合作了三个战略合作是谁呢？没错，存储三神，也就是星辰大海加美光，也就是说克劳德，人家那算是最一线了吧？这帮人知道，如果存储的公司跟我合作， 哥，我不需要你的钱，对吧？因为你能生产的东西比什么 money 更值 money， 对 吧？你再把这几个点和另外一些新闻连起来，现在 hbm 和 dram 共用产物，然后 hbm 把 dram 的 产物给挤压到还剩多少？ 那现在就说明谁缺啊？也没有存储缺，那大家都知道，资本已经是最珍贵的资本之一了，也就是钱本身。结果克劳德说，只要你存储三神愿意跟我合作，那么你们就是我唯一的三个 strategic partner， 不 用掏钱，肯定是想用它的定价权去和三大存储商 商量一点儿产能抬七的优势，那不就是这事儿吗？所以说，嗯为嗯不知道。

很多人觉得我们 ap 中网站就是这道贩子，拿官方的东西加价卖，赚个差价，这有什么好说的？大家都知道，只要你接触了中网站，不管是写东西，搞代码还是翻译， 最后走的其实都转转的线路。而中转站干的事，说白了就是帮你接通你自己在国内使用不了的模型，你付个服务费，他帮你照个魔法和每刀充值门槛，有那么简单吗？市面上说这里是满血关转的中转站一堆，当你真的以为便宜，那些走的也是官方渠道吗？有些站成本几乎为零，共享耗磁批量注册的免费额度，甚至是逆向接口 小站折成本几乎为零，前端写着克劳德四点七，后端接的什么你根本看不到，你觉得回答质量差，还以为是自己的日期没写好， 其实就是模型被换了，你自己都不知道，那怎么识别？我教你两招，第一，看我微信官方渠道，响应速度有底线的，三天两头断线，高峰期卡和 ppt 不 可能是关转。 再就是你直接找自己的使用自制靠谱的站是不怕你查的，你查掉用错等的记费明细，心虚的站，你根本就找不到使用自制的入口，这一行我干了够久，什么套路我没见过，便宜的代价从来不是站在层楼，而是你在层楼做网站这行我进来比你早，他们还没踩完。关注我，下期继续学习。

ai 中的 api 究竟是什么意思？说白了，它就是给程序预留的对话接口，它不是我们普通人用鼠标点的 app， 而是一个程序直接命令另一个程序干活的暗号。你可以把它想象成餐厅的后厨窗口， 我们点菜看的是菜单，而服务员对着窗口喊的那句一份牛排七分熟才是真正的干活指令。我们看不懂那个窗口里传出来的黑话，太正常了，因为压根就不是说给我们听的。 所以再看到 a p i 觉得自己像个文盲。别慌，记住喽， a p i 等于机器的暗号，你学会了吗？更多知识关注我，我们下期见！

不知道你是不是也这样啊，你刷到很多 ai 视频，刚开始还能跟得上，但是听到一半是不是就乱了？其实不是说英文太多，而是很多教程把不同层的词汇混着去讲。 今天是 fred 三十天，带你学懂 ai 和 web coding 的 第五天，这一期呢， fred 给你分享五十个常用的专业词汇，但是不用担心听不懂，我会用最小白的语言把这些内容分成讲给你听，听完之后，我相信后续你在看任何的 ai 视频，都能够得一身应手。 很多小白刚看到一个词啊，就会去查一个词，比如说 prompt 是 什么意思？ token 是 什么意思？ agent 是 什么意思？ 叉文好像懂了，可下一条教程换一组词儿，你还是会乱。原因很简单啊，就是 ai 解释的是这个词讲的是什么，但它不会告诉你说这个词在使用的过程中到底负责哪一段。所以说我把这些词汇分成以上的五层啊。 第一层呢，就是看懂一次对话，你给他什么，他回复你什么。第二层就是你怎么问清楚他的需求，为什么别人一句话就能声称结果，你问半天呢，还觉得结果还不是很好，对吧？第三层就是用上工具， 你的文件、命令、接口、报错和整体的部署。第四层呢，就是搭好流程， ai 可以 开始查资料，用工具推进一些多步的任务。第五层呢，很重要，辨判断边界，哪些能力现在能用哪些，只是听起来会比较厉害。 我们先看第一层啊，也就是他一次的 ai 对 话到底怎么发生的，把它想象成对吧。我们进餐厅去点餐，你说需求厨师做菜，然后端出来 prompt， 模型，输出就是这三个位置，在这个餐厅里面， prompt 就是 点餐的话，模型就像厨师一样 哎，负责去理解需求，然后再把结果做出来，输出就是把它端到你的面前来。在 ai 里面可能是文字，是图片，是代码 或者文件多模态也可以这样去理解。以前只能跟文字的菜单，但是现在可以给图片、语音甚至与视频的材料， ai 不 只是会读字也能够看，也能够听。所以说我们来看啊。 第一个 ai 是 什么意思？就是 ai 就是 一个总称，指的这些所有能深层内容理解材料，执行任务的工具的集合。而 chatbox 就是 对话框，比如说 chatty 豆包或者 kimi 你 丢进去的这种问题资料，图片叫做输入， ai 给到你的回答， 图片、代码，文件就叫做输出。而 prompt 也不是一个什么神秘的咒语啊，它其实就是一个任务的说明，你要让它做什么， 给他什么材料，希望结果能够长什么样子，都写在里面，连起来看，它就是一次普通对话，你把需求说清楚， ai 按当前的理解给到你一个结果， ok。 而对话背后真正干活的是模型，模型可以理解成 ai 的 大脑，而模型的版本就是同一个模型，不同带刺的能力，档位多模太子的就刚刚也讲过，他不只是能够读文字，还能够处理图片、音频、视频， 而联网的搜索是他临时去网上去查一些最新的资料，再回答给你更准确的一些结果。 而这里面最容易，比如让人大家会不太好理解的就是幻觉，幻觉不是说 ai 完全没用，而是他有些时候会把一些不确定的东西说的像很确定的答案一样，尤其是像一些事实、数据、代码或者一些重要判断， 不能因为他的语气自信就直接去相信。 ok？ 我 们第二层的问那个专业查，我们来讲问法， 就为什么同一个 ai， 别人一句话就能够出出结果，你问半天他还是结果很差呢？多数时候啊，不是模型不行，而是他的你的背景、目标，格式限制和查的这种标准没有说清楚， 你跟 ai 说帮我写一下，他当然也能写，但是他可能答案会很容易飘，更好的说法是我在做什么，内容给谁看，对吧？你希望是什么样的格式，有哪些限制？写完以后怎么去检查？ 比如你让 ai 去写一些销售的话术，你可以告诉他产品、客户场景、语气以及要不要给，比如说多个版本，你的信息越完整，它的结果就会越能够，质量会更高。 那我们来了解一下具体的一些专业词汇，比如上下文，其实就是 ai 当前能够看到的资料和一些前文，你跟他前面聊过什么东西，贴过什么文档，都会影响他现在怎么回答。 而 token 可以 理解成文字的长度和成本的单位。 context window 呢，就是他一次能够放下多少的内容，像一张桌子，桌面越大就能够同时铺开的材料就会越多。 而 system prompt 就是 说这个 agent 或者跟你聊天的这个模型，它的底层的角色和一些规矩 对话的历史，就是你跟 agent 和模型前面聊过的一些结路，所以这几个词连起来说的是同一件事情，就是 ai 在 他当前看到的材料里面怎么去回答？材料不够他会拆，材料太长呢？太乱呢？他也会抓错一些重点，如果你的旧对话太长，也可能会把一些关键的需求或者信息给漏掉。 那我们下面去讲的是更怎么容易让回答像一个真实的高质量交付物啊？ 温度决定的是就 temperature 决定的是它的回答是更稳定还是会更发散。 你要标准答案呢，就会低一些，你要创意发挥呢，你就可以高一些。预设的角色就是让 ai 按照某个身份去处理一些问题，比如销售顾问、课程助教或者代码的审查员。 结构化输出就是要求他按照表格清单， jason 或者一些固定的模板去回答，这样结果不是一大段散文字，而是能够直径放进表格文档、代码或者下一步流程里面的最终的结果。追问就是指在现有的一些答案上面去补充你的需求 评估啊，是最终去检查到底他做的对不对，完不完整，能不能用。所以说我们刚刚聊的所有的第二层内容，就是让 ai 怎么回答的质量更好。 那我们第三层就要去进入到一些真实的项目里面，比如说做网页、做代码或者整理文件，跑脚本，上线一些小工具， ai 就 会碰到文件路径、命令接口和报错，你可以把它想象成一个后台的操作台，对吧？在后厨里面，文件呢就是原料，路径就是它的货架的一个位置， terminal 就是 厨师操作的操作台，而命令就是让电脑执行动作的一些口令， 当某一步出错的时候啊，像一些 echo 啊， bug 啊这些东西就会出现，所以说这一层的变化就是 ai 开始从会说变成了开始能够帮你去执行一些任务。 所以说我们可以先理解一些这些词汇，就比如 api 是 什么意思？ api 就是 工具之间有互相调用的一些接口， 可以理解成这个后厨的窗口，对吧？比如一个应用想要调用天气表格支付或者模型的服务，都要通过对应的这种 api 的 接口去调用。 而 api key 呢，你可以理解为就是一个权限的凭证，就像门禁卡或者你的公卡，用来证明你有资格调用这个接口，它不能够泄露，也不能够放到一些公开的代码里面 啊。环境的变量就指的是把这类配置放到系统的环境里面，让程序能够读到，但不直接写到页面上面去。 terminal 是 什么呢？就是文字命令，操作电脑的窗口，而命令就是让电脑执行某个动作的一个这种短句，所以说你可以先记住他们的关系，就是接口可以负责连接，凭证呢负责权限， terminal 和命令行就负责具体的执行的动作。 而我们经常真正动手的时候，最常遇到的不是说你想不到，而是报错，对吧？ 所以说路径是什么意思？路径就是告诉你文件在哪里，很多报错不是代码复杂，只是文件的位置可能有问题，那一路呢，就是错误，不是说他他，他告诉你哪里失败，而是说他告诉你一些线索啊，哪里有问题？ debug 就是 需要顺着这种线索去查路径，查命令，查依赖和版本啊， gitup 啊，其实我之前有讲过，它其实就是一个项项目的仓库，可以放代码，放看板，以及找一些项目部署，就是把你已经做好的一些东西发布出去，让别人能够访问， 虽说报错不等于失败。真正用 ai 做项目的时候，不是从不报错，而是当你看到错误之后，能够问清楚是哪一个步骤，哪一个文件有问题，或者缺什么依赖，要怎么样才能够去修好。 我们第四步骤，在刚刚第三步已经完成执行之后，第四步就是一些多步的任务。很多时候 ai 不 只是回答一句话，而是需要读材料，拆步骤，调用工具，整理结果，然后再检查有没有完成。 所以说在这样一个小团队里面， agent 就 像是一个值班的店长，他不只是做一道菜，而是要看目标，拆任务，安排工具或推进步骤 啊。然后呃 a skill， 就 像一些掌这种岗位的说明书，把一些常用的方法记下来， m c p， 就 像是一些啊工具的插座，能够让 ai 能够使用的外部的工具啊，就刚刚讲过了。 所以说我们这里再继续去聊这些专业场。刚聊过 a j， 不是 一个更会聊天的机器人头像，而是能够真正的围绕你的目标去推进你的任务的 ai 的 助手。 比如说帮我去整理一些材料，并生成一个 deck， 它不应该只是回复一段建议，而是要先读材料，再拆结构，再生成页面，再检查有没有漏掉一些东西啊。 work flow 呢？工作流就是固定的步骤去组成的一些流程， 会呃，尤其是那些会反复重复做的事情啊，然后你就可以用工作流来帮你去执行和持续稳定的输出。 m c p 呢，就是让 ai 去连接外部工具的一些标准的协议，你你可以理解为它就是一个工具，比如说你要砍树，你要需要带上它的斧头。 skill 呢，就是把一些常用的方法沉淀成说明书，下次不用重复的去解释。 r a g 呢，就是让 ai 先查你的资料库，再基于你的真实的资料去回答，避免一些幻觉。所以说这几个词解释就是不要每次都从零去聊天，而是让 ai 有 工具，有方法，有流程。 多部任务呢，再往前走，就会遇到一些查资料和一些方法的附用。编辑是能够把文字变成机器可以比较的一些数字，它不是让 ai 去背一下一整篇的文章，而是让机器知道哪些内容更接近。 项链的数据库呢，就是相当于存放这些坐标的一些资料的缩影库，方便 ai 找到一些相关的材料。自动化，就是让重复的动作能够按照规则自己去跑。 那 web coding 也是我们一直在讲到的，就是用自然语言和 ai 一 起去做执行工作。做软件，你讲清楚目标和判断结果， ai 帮你去写改或跑或去查询。 harness 呢，你可以理解成就是一套执行的环境，把输入流程和工具和验收都装在一起。这一层真正要解决的就是复用的问题，重复解释过几次，它就应该变成资料库，流程或者 skill 最后一层，第五层啊，我们其实要讲的东西就是能力和边界啊。 嗯，很多时候呢，呃，还是以餐厅来举例子嘛，对吧？我们训练就是餐厅厨师上岗前要去学习菜谱和一些做法 啊。微调就是要去练习，专门去做一些训练，那同时呢，也需要做通过一些顾客点单之后现场去使用，然后深度思考，然后去做一些判断，所以说能力的边界也要一起去看， 一个厨师再强也可能会看错菜单，用错材料。模型也是一样，能力越强，你越要知道它适合什么，不适合什么。 所以说我们再来聊最后的十个词，专业词啊，就是 l m， m， 就是 呃 large language。 model 就是 把一些擅长处理语言的一些大模型，大模型就是大量数据训练出来的通用的能力的模型。参数呢 啊，你可以理解为就是呃模型内部的一些训练的数量或者量级，但是不要简单理解成参数越多可能越而越适合你。就选模型，还是要看你仔细的任务速度、价格和稳定性，以及能不能附用的一些工具。 训练呢，就指的是通过大量的数据让模型学会一些基础的能力啊。然后微调呢，就是在已有模型上面去对某内的任务在进行进一步的训练，比如说客服代码， 法律的文档，或者企业自己的场景。所以说听到这些词呢，先知道他们都在讲能力是怎么来的，我觉得就完全够用，至于具体的算法，我觉得不是小白一天第一天要学习的东西啊。 然后最后五个词真牛，我相信大家很多人都听到过，对吧？就是把大模型的一部分的能力压缩给到一些小模型，让他更轻更便宜。 推理是模型根据你的输入生成答案，而深度思考就是让模型花更多的步骤去处理一些复杂的问题，也可能更慢，或者也可能会更贵。 ai 呢，就是更接近通用智能的远期的目标，不要把它当成今天做项目的一个操作的一个要求。而 ai native 最后一个茬就是产品从一开始就按照 ai 的 工作方式重新去设计，而不是在旧产品上面去加一个聊天框。 所以说我们最后一层的作用是帮你去不要被这种大词所带跑，听到的这种宣传词，先问他一句，他到底能不能解决我手上的具体问题，如果不能的话，那你不用理解也 ok。 所以 说我们回头再去看这五十个词语是不是就清楚的非常多啊？第一层就是 问清楚你能不能，你问他去答对吧？第二层就是你怎么讲清楚你的背景和要求，然后在这些上下文和头肯里面去执行。 第三层就是真实的执行，要通过读取文件或去调用一些命令，然后去完成真真实的任务去处理。 第四层就是多部的任务，当你完成了第三层之后，你需要调用一些 agent 或 sub agent 去做一些多部的任务的执行。 第五层你就需要知道一些能力的边界，不管是单元模型还是训练、蒸馏等等等等。这些我觉得对于小白而言不需要那么的理解，只需要知道这些词汇我觉得就 ok 了。 所以说以后如果你再遇到一些新的名词出现，不用慌张，就只需要了解三步。第一步，先去归程，他是在讲对话、需求、工具、流程，还是一些能力的边界？ 第二步呢，就是换成人话，就不要着急去背他的英文的缩写或者理解，而是把它翻译成一个动作或者一个场景。第三步呢，就是放回你真实的项目里面，等你真正要用到它的时候，再去补一些具体的操作限制和安全的边界。 所以说你不懂一个词呢，不代表你学不会 ai， 你 只是需要先知道他在哪一层，知道他要解决什么问题，再在项目里面慢慢去用到，我觉得就完全够了。 学习 web 扣顶的目标永远不是背术语，而是把你的需求说清楚。用 ai 做出工具，遇到报酬能够查，遇到新词你能够归类。 ok， 我是 fred。 这就是本期的所有内容，我们下期再见。

什么是 token、 agent、 api？ 我 今天就用一笔贷款，把这几个词儿给你讲明白。文末最后我会放对应的专业术语，一个 token 是 啥？ 你发一个指令，就向企业提一笔提款申请？ ai 收到指令就向系统开始理解思考。生成每一步都在消耗资源，这些资源怎么算？按笔算，按量算，实时扣，你用多少，用完即止，车单不退手续费。 什么意思？就是企业提了申请，你已经既提了拨备，占用了收信突然说我不提了，对不起，已经占用的头寸，已经发生的成本退不了， ai 也一样，你指令发出去了，他已经开始计算了，你突然说算了，不弄了，已经消耗的 toc 照扣不误。第二个 agent， agent 是 啥？你想，以前批一笔贷款，得有人看报表，查征信，算额度，写意见， 现在呢？系统自己调数据，自己跑模型，自己出结果，钱出去之后，系统自己盯着账户抓流水，抓报警异动，真的也是这个意思。你给他一个指令，比如说帮我定下周去上海的机票， 他自己打开浏览器，自己登录网站，自己填信息下单，干完了还告诉你票订好了，已截图。只不过他批的不是贷款，是任务，盯的不是账户，是操作。第三个 api， api 是 啥？你想想 又不是人，怎么说话呢？不靠人传话，靠接口。你发一个报文过去，他回一个数据过来， 格式固定，自断，标准自动对账。 api 也是这样，两个软件之间怎么说话呢？不靠人点来点去靠 api， 你 调一下它的接口，它给你返回的数据，标准化、自动化、可追溯。 就像咱们报征信，你发个查询报文，征信中心就回个报告，报文中间没有人传话，全是接口自动走。 所以你看什么是 token agent api， 翻译成金融银行的话就是以上这些。行了，今天这笔贷款我放出去了，你们听懂了吗？

你好，朋友，今天想跟你聊一个很多人经常听到但没有完全理解的概念，就是开源和闭源。很多人在听 ai 新闻的时候，听到了一句话，比如某某某模型开源了，或者某某某模型闭源，但是到底什么是开源，什么是闭源，其实并不复杂。 先说最简单的理解，开源就是把技术内部结构公开出来，别人可以看到他是怎么做的，甚至可以自己下载下来运行修改，或者是在他的基础上继续开发。 b 原则相反， b 源的意思就是核心代码和模型权重都不公开，你只能使用他提供的接口，但你看， 但你看不到里面到底是怎么样工作的。举个最简单的比喻，开完就像一家餐厅，把完整的菜谱公开了，但所有的食材、步骤、火候都告诉你，你可以自己在家里面做，也可以用这个菜谱改进成自己的版本。一般就像是一家只卖成品的餐厅， 你可以点这里的菜吃，但厨房是完全封闭的，你不知道你们的配方是什么，也不能自己复制它， 放到 a a i 领域也是一样的。如果一个模型是开源的，通常意味着它的模型权重、代码结构都会被发到像 github 或者是 hackinface 这样的社区里，开发者可以下载到自己的电脑或者是 服务器上运行。比如说很多开源模型，你甚至可以在本地电脑直接跑，不需要依赖某一家公司的服务器。 如果一个模型是闭源的，那它通常只通过 api 提供服务，你只能通过网络调用它。比如说发送一段文字，让它生成回答，但模型本身是看不到也拿不到的，为什么有的公司选择开源，有的公司选择闭源呢？ 其实背后是两种不同的策略。开源模型。开源最大的好处就是生态会生长得非常快，因为全球的开发者都可以参与进来，帮你发现问题， 改进代码，开发新的应用。所以说很多技术一旦开源，就会在很短的时间内形成一个庞大的社群，很多互联网技术，比如 linux、 python 语言，像这些框架结构，其实开源生态发展起来是最好的。闭源的好处呢，是公司可以更好的保护自己的知识产权、核心技术。 因为模型训练往往花费了大量的人力、物力、财力和算力还有资金，如果完全开放，很有可能被竞争对手直接复制。所以说很多商业公司会选择 避远。模型只提供服务，而不公开内部细节。在 ai 领域，你会看到两种路线同时存在， 比如有一些模型是开源的，任何人都可以下载运行，而有的顶尖模型只能闭源的，只能通过 apf， 是 客户端调用。所以普通用户来说，开源和闭源最大的区别其实在于控制权。开源意味着你拥有更多的自由，你可以自己部署，自己修改，自己决定数据在哪里运行， 不需要完全依赖某一家公司的服务。而避远则意味着你更像是在使用一个云服务器，就像你的客户端，他通常更稳定、更简单，但你必须要依赖这个提供的服务平台。所以说很多开发者可以去根据自己的需求来选择。 有的场景更适合避远，比如说你只需要一个稳定的服务接口，比如说手机上、电脑上有些场景呢，更适合开远，比如说你完全控制自己的系统，或者是做一个深度定制。 理解了这一点，你再去看 ai 新闻就会更容易懂了。比如说某个模型开源了，其实的意思就是这个技术内部 被公开出来，社区可以参与进来一起发展。但如果有个人说某个模型是闭源的，其实意思就是说你只能使用它的能力和服务，但看不见它的内部的。呃，实现好了，朋友，今天就聊到这里，我们下次再见。

兄弟们，没用过克劳德的千万别去尝试，上瘾你就麻烦了，到时你生活离不开它，工作离不开它，干什么事都想着用它优化一下代替一下，养成那种万事求 ai 的 坏习惯。你不再是你啊，你成了一条 ai 的 舔狗。 关键你稍微停一下呢，你就被限额了。 pro 你 还很好搞到 max 呢，你就麻烦了。所以呢，新手我不建议尝试。那么已经掉坑，那没办法了啊，那没办法了， id 加礼品卡自助老司机都知道啊。谷歌机 p t c j w 不 管是 pro 还是 max， 四五还是二零，只要你足够投铁，尽管去试试。

现在大家每天都能刷到 ai 帖子，什么 llm、 token agent， 一 堆新名称，不知道什么意思。 今天十个最常用的 ai 词快速给你讲一遍。 llm 大 语言模型， chat gpt 豆包的核心想成他把全网的书都读了一遍，问啥都能接两句。 但有个坑，他有时一本正经胡说，行内叫幻觉，用他的时候得自己核实，别他说啥你就信。 token 不是 闭圈那个啊，他是 ai 处理文字的最小单位，一个汉字大概一个 token， ai 就 按 token 收钱，跟发短信按条计费一样，问的越长花的越多。还有个词叫上下文窗口，就是 ai 一 次能记住多少 token， 抄了就忘。 prompt 提示词就是你跟 ai 说话的方式，随口问和认真写出来的东西天差地别。就像点菜说随便做和说少油不放香菜七分熟菜能一样吗？现在还有人专门研究怎么写好提示词，叫提示词工程 agent， 最近特别火，普通 chat ppt， 你 问他答不动手， agent 不 一样，你说帮我订明天的机票，他自己搜航班，比价格填信息，全程不用你管，一个动嘴一个动手，区别就在这。 skill 技能包 agent 不是 啥都会对吧？ 装上 ppt 技能他就会做 ppt， 装上炒股技能就能帮你看盘，哪个好用换哪个，跟给工人换工具箱一样。 api， 让两个软件互相通信的接口，你用 ppt 底层走的就是 api， 要用来得先弄个密钥，这是通行证，没他人家不让你用。跟去山姆先办会员卡一个道理。 c o i 命令行，程序员对着黑底白字敲代码，那个窗口看着头疼，但很多 ai 工具都在这跑，别看丑，熟练的人用它比鼠标快多了，就像直接跟后厨喊菜比在机器上按半天快。 get 代码的存档功能改崩了，随时回退到之前的版本，不怕搞坏？ github 跟 git 不是 一回事啊，别搞混。 github 是 全球最大代码开源社区， ai 新工具发布第一站通常就在这。 git 是 工具， github 是 平台 最后一个 mcp， 给 ai 接外部服务定的统一标准。以前接飞书开发一个插件，接 no 选又开发一个，现在有了 mcp， 就 像手机充电，统一 type c， 一个标准走天下，省了一堆重复活。 学完这些常用 ai 词汇，我相信你已经能看懂百分之九十以上的 ai 文章了。觉得有用点赞收藏一下，关注我，获取更多 ai 知识！

中国的工程师实在是太聪明了啊，然后大家知道 cologne 是 非常智能的，但是大家研究出来，其实 cologne 它的智能体现在我之前说过一个叫 hollis 啊，就是那个驾驭的意思啊，就是那种约束工程 主要体现在这里，而不是在于它的大模型，它大模型确实也智能，但是太贵了呀，于是中国工程师就会用 deepsea 的 api 接入 clod code 啊，这样一个 a 键词里面去，就相当于把 clod code 当做小龙虾一样，当做是本地的脚手架一样啊，把它当一个智能体来用，因为就是要用它的 harness。 但是呢，这个呃， api 接入，这个比如说 deepsea 或者 g l m 这种国产的 ai 大 模型，所以呢，就是 用一下就很爽啊，因为很便宜。同时呢，你的感觉和你实际的程度效果又又确实是 clod 的 那种效果， 我觉得真的是很聪明的。就是当时为什么 cole 的 扣子会开放这个 api 接口呢？就是因为它算力不足呃，但是后面他把那个 spacex 的 colossus one 就是 巨象一的数据中心全部包下来之后呢，它现在算力又开始有点恢复，有点充足了啊。 这也是因为有很多人开始从 cloud code 转移到 codex 里面去了，所以呢，这个 cloud code 以后还会不会成为一个可以开放其他 a p i 的？ 不知道，但是我觉得现在至少值得你去试一试，把国产的 ai 大 模型用起来。

哇，这克劳德刚刚拿下一笔实际规模超两百亿美元的融资，按照超三千五百亿美元估的值，下个礼拜就签字。最关键的是什么？是 anspec， 它本来只想要一百亿， 就是说好了就只要一百亿，按三千亿估，但是投资人太疯狂了，说 double or nothing 啊，你要不然就给我翻倍，拿我的钱，要不然你就别拿。 那你说那算了，你非要给我钱，那就是咱勉为其难就拿点对不对？领头的这回是新加坡主权基金 g i c， 还有美国的 call two， 各掏十五万。更劲爆的是红山 sky 也来了啊。这个公司那你就不说了，互联网时代那算是投资的极大成者了，关键他还同时投了 open ai 和 x ai， 也就是说一家 vc 投三个 ai， 那 真的在硅谷我感觉也没咋见过。 说回克劳德，咳，哎，这公司对咱们啊，我真的是不服不行。你说去年 订阅费加 tob 定制营收四十五亿美金，同比增长浅浅增长了百分之一千一。他的那个编程工具 cloud code 从被打造出来几乎就是 ai 自己编程打造的，然后年化收入现在也是破十亿美金，二零二七年要实现完全现金流转证，甚至提前开始盈利。 而反观 open a i 呢，现在他们内部自己预估二零二八年可能还在巨额亏损，要继续亏七百四到七百五十亿美金，二零三零年才能开始赚钱。所以这俩现在区别是什么啊？就是，嗯， sirpik， 它是实打实的快速赚钱型 a i， 那 么就可以快速的怎么样 形成正向现金流，扩大自己的优势。而 open a i 只能靠融资。雪上加霜的是它从最开始的百分之九十的 ai dominance 降到五十四，所以这非常危险啊。后边那两个你都不能说是追兵了，一个是 klo 的， 一个是 gemina， 那就快把他给掀了。我去，咱们这边也必须加速弄他们啊，你家一千万杯奶茶就直接啊让这个千万的这个越火，超过 jamaican chiffa bravo。

继设计师之后，律师行业可能也要睡不着了。 antropic 今天一口气发了十六个法律专业插件，全部在 get up 开源。这不是简单的效率工具，是对法律行业工作方式的一次重构。以前律师最值钱的是经验和对条款的熟悉度。现在一个 nda 审查插件能自动把合同按绿黄红分级，绿灯直接放行。 一个接一个的插件把律所最耗时的工作全部自动化了。预测一下，未来，第一，律所的初级律师岗位会大幅减少，最磨人的文档审查工作被 ai 替代。第二，法律服务的价格会下降，因为效率提升了十倍。第三，会出现新的法律科技公司，基于这些开源工具构建垂直服务。 第四，也是最重要的，法律服务的受众会从企业扩展到普通个人。 ai 替代的不是律师，是律师手里的脏活累活，谁先拥抱，谁先受益。

很多人用克劳德代码助手，看到项目里那个配置文件夹，也许点进去看过一眼，但没真正意识到它的分量。它不是边角料，更像这个代码助手在项目里的控制中心。你写代码时，它会影响助手听谁的、记什么、执行什么，以及到底按什么方式和团队合作。 你可以把它理解成项目行为层。没有这一层，助手更像一个临时聊天窗口。有了这一层，他才会慢慢变成一个懂规则、懂团队、懂流程的工程协助系统。真正的区别，不是他会不会回答，而是他会不会按你的项目方式做事。 第一件事是先分清两个地方，项目跟目录里的那份，管的是这个项目里的规则。用户主目录里的那份，管的是你个人的偏好和权职习惯。一个偏个人，这个边界不清，后面越配越乱。 项目里的这份配置通常应该跟着仓库一起提交，因为他放的是团队共享的规则、项目级命令、共享技能和共享代理。他的目标不是让你一个人用的顺手，而是让每个团队成员在同一个仓库里得到相对一致的助手。行为 局目录更适合放你自己的命令、你的输出偏好、你的局、工作习惯以及只属于这台机器的状态。团队规则和个人习惯最好分开，不然最后就会变成一锅粥。谁也说不清哪些是项目约定，哪些只是某个人的习惯。 如果只看一个文件，最值得先看的是项目说明文件，他是助手进入项目后最先读的内容之一，会直接影响默认行为。你可以在里面告诉他项目怎么启动，测试怎么跑，什么地方能动，什么地方不能随便碰。目录结构怎么组织，哪些规则最重要？ 适合写进去的不是大段背景介绍，而是高频关键会持续影响结果的信息。比如目录结构、接口格式错误处理、日制测试和构建命令，还有那些一踩就出事的地方。一个短而准的说明文件，往往比一本大百科更有用， 不适合塞进去的是很长的理论说明、完整业务背景、仓库文档里已经有的内容，以及本来该交给格式化工具、检查工具和自动化流程的事情。上下文不是越多越好。这个文件越长，真正重要的规则反而越容易被稀释。 当项目复杂以后，不要继续把所有东西堆在一个文件里，更好的做法是把规则拆到规则目录里。比如代码风格、测试、接口规范、安全规范分开维护，谁负责哪类规则，谁就维护哪份文件，边界清楚，维护也更稳。 规则目录更强的地方是可以按路径生效，它不只是写的好看，而是可以只在某些文件路径下被重点加载，这样可以避免无关规则污染。当前上下文也让不同代码区域拥有不同的约束。它是规则分层，不是规则堆砌。 命令目录的价值不止是省几个字，每一个命令说明文件都可以变成一个项目命令，比如代码审阅、修一个问题生成发布说明。更关键的是，它可以把当前改动文件列表和问题描述自动带进去，这样命令就不只是快捷短语，而是一个带上下文的任务入口。 如果说命令是手动触发某个动作，那技能更像一类任务的能力包。它通常是一个目录，里面至少有一个说明文件。 好的技能会定义什么时候该用它，它要做什么，需要读取哪些模板，最后输出应该长什么样。安全审查、部署流程、文档生成、固定格式、代码审阅都很适合沉淀成技能。任务一复杂，只靠主规划做所有事很容易乱。 代理目录可以定义代码审阅员、安全审计员、文档整理员这种专职角色。每个代理可以有自己的说明工具、权限甚至模型偏好。它的价值是职责隔离、上下文隔离和权限隔离，让复杂任务不互相打架。 团队协助里，最怕的就是配置边界不清。适合放项目里的是团队约定、项目规范、目录结构、共享命令、共享技能和共享代理。适合放局目录里的是你自己的命令、你的使用偏好、你的局工作习惯和本级状态。这个边界守住了配置，才不会越用越脏。 如果没有这一层，你每次都要重新解释项目，重复补充规范、手动提醒边界从头组织任务。而有了这一层，默认规则、分层规则、固定命令、可附用技能和专职代理，就会慢慢沉淀下来。这个代码助手也就不再只是会写代码，而更像一个知道项目怎么运转的协助系统。 最后，你只要记住五件事，第一，把项目规则前置给助手。第二，把高频动作做成命令。第三，把固定能力沉淀成技能。 第四，把复杂任务拆给专职代理。第五，把团队配置和个人配置分开，理解了这些，这个配置目录就不是边角料，而是克劳德代码助手最值得认真配置的一层。