Data4Fun

模型 API 地址配置管理

注册使用过的第三方中转站太多了，如何管理成了一个问题。 今天调研使用了一下 cc switch，感觉还可以。 下载地址：https://github.com/farion1231/cc-switch/tree/main 5万多个 star，应该还算靠谱 <h2 id="使用">使用</h2> 1/ 添加基本配置，主要是 API Key 和请求地址 <img src="https://article-1257095016.cos.ap-beijing.myqcloud.com/image-20260528111137805.png" alt="模型厂商配置页面"> 2/ 配置一下模型映射 <img src="https://article-1257095016.cos.ap-beijing.myqcloud.com/image-20260528112059135.png" alt="高级选项"> 3/ 点击一下"启用"按钮就可以正常使用了 <img src="https://article-1257095016.cos.ap-beijing.myqcloud.com/image-20260528112149891.png" alt="image-20260528112149891"> <img src="https://article-1257095016.cos.ap-beijing.myqcloud.com/image-20260528112206699.png" alt="image-20260528112206699"> <h2 id="效果">效果</h2> cc-switch 是实时热加载配置，即改即用。目前主要使用 anyrouter 的中转站，效果还不错，可以把以前在 <code> ~/.zshrc</code>中手动添加的配置注释掉了。 <img src="https://article-1257095016.cos.ap-beijing.myqcloud.com/CleanShot%202026-05-28%20at%2011.25.07@2x.png" alt="使用效果">

2026/5/28

Claude Code 完美接入 Ollama 指南

作为 Anthropic 官方推出的命令行编码助手（coding assistant），Claude Code 本质上是一个通过大模型（LLM）执行复杂任务的工具。通常情况下，它需要连接云端 API。但随着 Ollama 宣布兼容 Anthropic Messages API，我们现在可以轻松地将 Claude Code 与本地模型集成。 从工程角度看，使用本地的模型既可以作为断网情况下的一种保障方案，也可以在不改变工作流程的情况下，把本地模型作为一个测试开发环境，极大节省 Token 开销。 <h2 id="操作步骤">操作步骤</h2> 1.安装 Claude Code 和 Ollama <pre tabindex="0"><code>npm install -g @anthropic-ai/claude-code@latest </code></pre>Ollama 可以通过官网https://ollama.com/下载安装包安装。 <blockquote> 注意：Ollama 版本v0.14.0+，Claude Code版本v2.1.12+，可以通过下面命令验证 </blockquote> <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">claude --version ollama --version </code></pre></div>Ollama 安装后会自动作为后台服务运行。应该可以在 http://localhost:11434 上看到它运行。 2.下载大模型 可以通过 Ollama 的 WebUI 页面直接下载，如下图。 <img src="https://article-1257095016.cos.ap-beijing.myqcloud.com/CleanShot%202026-01-22%20at%2016.42.35@2x.png" alt="下载模型到本地"> 也可以通过命令行快速拉取适合编码的模型。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">#查看本地模型 ollama list #下载新模型 ollama pull qwen2.5-coder:7b #删除模型 ollama rm qwen2.5-coder:7b #查看模型基本参数 ollama show qwen2.5-coder:7b </code></pre></div>3.配置 Claude Code 连接本地 Ollama <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">export ANTHROPIC_AUTH_TOKEN=ollama export ANTHROPIC_BASE_URL=http://localhost:11434 # 启动 Claude Code 并指定本地模型 claude --model qwen2.5-coder:7b # 如果想使用云端模型，命令类似 claude --model glm-4.6:cloud </code></pre></div><img src="https://article-1257095016.cos.ap-beijing.myqcloud.com/CleanShot%202026-01-22%20at%2016.59.52.png" alt="使用本地模型"> <blockquote> 注意：如果你开启了系统代理，可能会遇到 <code>API Error: Connection error</code>。这是因为流量被转发到了代理服务器而找不到 localhost。请先在终端执行： </blockquote> <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">unset https_proxy unset http_proxy </code></pre></div>4.使用Anthropic SDK 如果我们想更精准的把控程序的执行流程，可以使用官方的 SDK。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-python" data-lang="python">import anthropic import httpx http_client = httpx.Client( proxy=None, trust_env=False, ) client = anthropic.Anthropic( base_url='http://localhost:11434', api_key='ollama', http_client=http_client, ) with client.messages.stream( model='qwen2.5-coder:7b', max_tokens=1024, messages=[{'role': 'user', 'content': 'Count from 1 to 10'}] ) as stream: for text in stream.text_stream: print(text, end='', flush=True) </code></pre></div><h2 id="调试秘籍如何与-ai-高效沟通报错">调试秘籍：如何与 AI 高效沟通报错？</h2> 这里再说一个调试的技巧：在配置过程中，不要死磕枯燥的错误堆栈信息。一个高效的调试技巧是：向 AI 描述你的完整环境和所做的工作，而不仅仅是报错代码。 此前我按照文档编写代码时，一直遇到 <code>InternalServerError (503)</code> 错误。我直接把错误代码粘贴给 chatgpt ，它尝试了很多方法但始终没有解决。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">Traceback (most recent call last): File "/Users/shaoyang/Project/stock_demo/day09/anthropic-demo.py", line 12, in <module> message = client.messages.create( File "/Users/shaoyang/Project/stock_demo/.venv/lib/python3.10/site-packages/anthropic/_utils/_utils.py", line 282, in wrapper return func(*args, **kwargs) File "/Users/shaoyang/Project/stock_demo/.venv/lib/python3.10/site-packages/anthropic/resources/messages/messages.py", line 932, in create return self._post( File "/Users/shaoyang/Project/stock_demo/.venv/lib/python3.10/site-packages/anthropic/_base_client.py", line 1361, in post return cast(ResponseT, self.request(cast_to, opts, stream=stream, stream_cls=stream_cls)) File "/Users/shaoyang/Project/stock_demo/.venv/lib/python3.10/site-packages/anthropic/_base_client.py", line 1134, in request raise self._make_status_error_from_response(err.response) from None anthropic.InternalServerError: Error code: 503 </code></pre></div>于是，我换了一种思路，不是直接粘贴错误代码，而是前置一步，客观地描述了一下当前的环境。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">import anthropic client = anthropic.Anthropic( base_url='http://localhost:11434', api_key='ollama', # required but ignored ) message = client.messages.create( model='qwen3-coder', max_tokens=1024, messages=[ {'role': 'user', 'content': 'Hello, how are you?'} ] ) print(message.content[0].text) 我是用的是mac电脑，本地配置了代理，我应该如何修改上面的代码保证可以运行。 js版本是可以执行的 import Anthropic from "@anthropic-ai/sdk"; const anthropic = new Anthropic({ baseURL: "http://localhost:11434", apiKey: "ollama", // required but ignored }); const message = await anthropic.messages.create({ model: "minimax-m2:cloud", max_tokens: 1024, messages: [ { role: "user", content: "写一个求和的 python 函数" } ], }); console.log(message.content[1].text); </code></pre></div>chatgpt立刻就发现了问题，并给到我正确的执行代码。 <img src="https://article-1257095016.cos.ap-beijing.myqcloud.com/CleanShot%202026-01-22%20at%2017.15.39@2x.png" alt="ChatGPT 的回复"> 根据这次调试过程，大模型也帮我总结一个更有效的提问模板： <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">1.贴出当前代码。 2.描述环境（如：Mac 系统、本地有代理）。 3.提供一个对比参照（如：JS 版本可以运行，Python 不行）。 </code></pre></div>

2026/1/22

开篇词

从 2008 年开始接触股票投资，到现在已经接近二十年了。 这段时间里，我经历过完整的市场周期：牛市的狂热、熊市的绝望，也经历过从"以为自己懂了"，到"承认自己其实什么都不懂"的反复过程。账户数字起起落落，但真正变化更大的，是我对投资这件事的理解方式。 很多年里，我一直有一个模糊的念头：应该把这些经历写下来。不是为了证明自己赚过多少钱，而是想留下些什么——一些关于决策、关于错误、关于长期面对不确定性的记录。 直到最近，这个念头才逐渐变得清晰起来。 我决定开设这个专栏。它会以投资为核心，但并不只谈"买什么、卖什么"。我更关心的是： <ul> <li> 投资背后的概念与逻辑 </li> <li> 普通人在真实世界中会遇到的情绪、误判与限制 </li> <li> 如何借助技术，让这些问题变得更可验证一些 </li> </ul> 在这个专栏里，我会一边讲自己的投资经历，一边引入相关的基础概念；同时，也会尝试使用 Python、数据分析、以及 AI 大模型，对一些直觉判断进行复盘、辅助和检验。 这并不是一套"成功方法论"。更多时候，它可能是一份带着不确定性的思考记录：哪些想法在长期中站得住脚，哪些只是事后看起来合理。 如果你也经历过市场的起伏，或者正在尝试把理性工具引入投资决策，希望这些文字能对你有所帮助；如果没有，那它至少是我给自己留的一份阶段性注脚。 专栏会慢慢写，不追热点，也不保证结论。唯一确定的，是我会用心。

2026/1/13