AI 小白逆袭!用 10 分钟学会 Claude Code 接入 DeepSeek-V3.2

AI 小白逆袭!用 10 分钟学会 Claude Code 接入 DeepSeek-V3.2

DeepSeek发布了最新的模型DeepSeek-V3.2,我们今天就让Claude Code 接入DeepSeek。为了让你也能快速掌握这套流程,我特地写下这篇“从零开始、一步到位”的完整实战教程。

大家好,我是写代码的中年人!

DeepSeek发布了最新的模型DeepSeek-V3.2,我们今天就让Claude Code 接入DeepSeek。为了让你也能快速掌握这套流程,我特地写下这篇“从零开始、一步到位”的完整实战教程。无论你是程序媛还是程序员,还是刚入坑 AI 的小白,都能在这篇文章中轻松完成!

Node.js 环境安装

Claude Code 是依赖于 Node.js 环境运行的,访问 Node.js 官方网站:https://nodejs.org,推荐下载 LTS(长期支持)版本,稳定且兼容性最好。

这里需要注意:

Claude Code 运行在Node.js 18以上版本。

Node.js下载页面

请根据你的电脑系统,下载适合你的软件版本!

Claude Code安装

打开cmd界面,输入:

npm install -g @anthropic-ai/claude-code

等程序执行完成,Claude Code 即安装完成。

就是这么简单!

cmd界面输入Claude,即可进入Claude Code界面

当前界面显示的是我登陆后的Claude官网模型,我们配置完后即可显示DeepSeek模型。

请注意,我们要选择一个文件夹运行cmd,再运行Claude!如我这里的文件夹是E:\Temp\test。

这里一定要运行一次命令claude,方便后边操作。如果显示无法连接网络,我们不用管它。

购买DeepSeek API Key

打开DeepSeek官网,https://www.deepseek.com,点击右上角 API开放平台,进入开放平台后,购买并创建你的 API Key!

创建API Key

这里需要注意:API Key只显示1次,请注意复制保存!

配置Claude Code

这个步骤很简单,这里我只演示Windows电脑,我们在电脑C:\Users\你当前登录的用户名\.claude

创建一个配置文件:settings.json。

文件配置信息如下:

{ "env": { "ANTHROPIC_AUTH_TOKEN": "这里填入你的DeepSeek API Key:sk-开头", "ANTHROPIC_BASE_URL": "https://api.deepseek.com/anthropic", "ANTHROPIC_MODEL": "deepseek-reasoner", "ANTHROPIC_DEFAULT_OPUS_MODEL": "deepseek-reasoner", "ANTHROPIC_DEFAULT_SONNET_MODEL": "deepseek-reasoner", "ANTHROPIC_DEFAULT_HAIKU_MODEL": "deepseek-reasoner", "CLAUDE_CODE_SUBAGENT_MODEL": "deepseek-reasoner", "CLAUDE_CODE_MAX_OUTPUT_TOKENS": "32000" }, "permissions": { "allow": [], "deny": [] }, "alwaysThinkingEnabled": false }

使用Claude Code

我们再次打开claude code,如下图,显示的是DeepSeek模型。

注意:这里已经显示为DeepSeek模型!

测试模型名称

询问你是什么模型

当前已正常输出是DeepSeek模型!以下信息为DeepSeek官网说明:

deepseek-chat 和 deepseek-reasoner 都已经升级为 DeepSeek-V3.2。deepseek-chat 对应 DeepSeek-V3.2 的非思考模式,deepseek-reasoner 对应 DeepSeek-V3.2 的思考模式。

测试模型生成能力

H5生成页面

我用最简单的提示,帮我生成一个H5页面,模型完成的不错。

请注意,DeepSeek在文档中提到:

DeepSeek-V3.2 的思考模式现已支持在 Claude Code 中使用。用户可以通过将模型名称切换为 deepseek-reasoner,或在 Claude Code CLI 中按下 Tab 键来启用思考模式。但需要提醒的是,思考模式目前尚未对 Cline、RooCode 等依赖非标准工具调用方式的组件做充分适配,因此在使用这些组件时,仍建议保持在非思考模式下运行。

 如果你想更深入地学习大模型,以下是一些非常有价值的学习资源,这些资源将帮助你从不同角度学习大模型,提升你的实践能力。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!​

因篇幅有限,仅展示部分资料,需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示

因篇幅有限,仅展示部分资料,需要点击文章最下方名片即可前往获取

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限,仅展示部分资料,需要点击文章最下方名片即可前往获取

四、AI大模型商业化落地方案

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量

Read more

Python + Selenium + AI 智能爬虫:自动识别反爬与数据提取

Python + Selenium + AI 智能爬虫:自动识别反爬与数据提取

结合 Selenium 浏览器自动化与 AI 大模型能力,构建能够自动识别反爬机制、智能解析页面的新一代爬虫系统。 1. 系统架构 验证码 登录墙 正常页面 种子 URL 队列 调度器 Selenium WebDriver 反检测模块 页面渲染 AI 反爬识别 AI 验证码破解 自动登录 AI 数据提取 数据清洗管道 存储 MongoDB / CSV 数据看板 2. 反爬机制分布 35%25%20%10%7%3%常见反爬机制占比(Top 500 网站统计)JS 动态渲染请求频率限制验证码(图形/滑块)User-Agent 检测IP

Flutter 三方库 huggingface_client 的鸿蒙化适配指南 - 连接全球最大 AI 开源社区、助力鸿蒙应用构建云端一体的大模型推理能力

Flutter 三方库 huggingface_client 的鸿蒙化适配指南 - 连接全球最大 AI 开源社区、助力鸿蒙应用构建云端一体的大模型推理能力

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 三方库 huggingface_client 的鸿蒙化适配指南 - 连接全球最大 AI 开源社区、助力鸿蒙应用构建云端一体的大模型推理能力 前言 在 OpenHarmony 鸿蒙应用全场景智能化的今天,AI 模型的获取与推理能力已成为应用的核心竞争力。如果你希望在鸿蒙应用中集成最前沿的文本生成、图像识别或语音转写功能,而又不想从零开始训练模型,那么 Hugging Face Hub 正是你不可或缺的“AI 军火库”。huggingface_client 作为一个专为 Dart/Flutter 设计的官方级客户端,提供了对 Hugging Face API 的深度封装。本文将指导你如何在鸿蒙端利用此库轻松调取全球顶尖的开源 AI 算力。 一、原原理分析 / 概念介绍 1.1

Android集成Whisper实战指南:从环境搭建到语音识别优化

快速体验 在开始今天关于 Android集成Whisper实战指南:从环境搭建到语音识别优化 的探讨之前,我想先分享一个最近让我觉得很有意思的全栈技术挑战。 我们常说 AI 是未来,但作为开发者,如何将大模型(LLM)真正落地为一个低延迟、可交互的实时系统,而不仅仅是调个 API? 这里有一个非常硬核的动手实验:基于火山引擎豆包大模型,从零搭建一个实时语音通话应用。它不是简单的问答,而是需要你亲手打通 ASR(语音识别)→ LLM(大脑思考)→ TTS(语音合成)的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说,这是个绝佳的练手项目。 从0到1构建生产级别应用,脱离Demo,点击打开 从0打造个人豆包实时通话AI动手实验 Android集成Whisper实战指南:从环境搭建到语音识别优化 最近在做一个需要语音交互的Android应用时,发现市面上开源的语音识别方案要么识别率不够理想,要么对网络依赖严重。直到遇到了OpenAI的Whisper模型,这个在语音识别领域表现出色的开源模型让我眼前一亮。不过在实际集成过程中,还是踩了不少坑,今天就把

从Copilot到Agentic:快手如何重构“人×AI×流程“研发铁三角

从Copilot到Agentic:快手如何重构“人×AI×流程“研发铁三角

编者按 一年前,行业热衷于追问“从Copilot到Coding Agent,我们离AI自主开发还有多远”;一年后,快手用万人研发组织的真实实践,给出了一个冷静而有力的回答:组织级提效的胜负手,从来不在AI是否“自主”,而在人、AI、流程三者能否完成范式级重构。 当AI代码生成率突破40%,需求交付周期却纹丝不动——这一反直觉现象戳破了“工具幻觉”的泡沫。快手的破局之道,并非等待Agent进化到完全自主,而是主动将AI从“嵌入流程的工具”升维为“重写流程的要素”,通过L1-L3分级交付体系与端到端效能度量,让个人提效真正传导至组织效能。53%的需求交付周期压缩、38%的人均交付需求增长,这些来自生产环境的数据,为行业提供了一份稀缺的规模化落地参照。 这不仅是一次技术演进,更是一场组织能力的“压力测试”:AI不会自动修复流程断点,它只会将隐性问题放大。真正的智能化转型,始于承认“人仍是流程的锚点”,终于实现“人×AI×流程”的乘数效应。 文章概要 本文基于快手技术团队首次系统披露的AI研发范式升级实践「快手万人组织AI研发范式