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

告别代码,迎接代理:Claude Code、OpenCode、OpenClaw等六大AI工具全面解析

如果你最近关注科技圈,一定会被一个词刷屏:AI代理(AI Agent)。从2024年底到2026年初,AI的发展已经不再局限于聊天窗口里的文字游戏,而是真正开始操控电脑、编写代码、甚至替我们“干活”。 Anthropic、OpenAI以及开源社区接连丢出一系列重磅产品:Claude Code、Cowork、OpenCode、OpenWork、OpenClaw、Codex……这些名字听起来既有重复又相互关联,它们到底有什么区别?哪个才是普通人也用得上的工具? 今天,我们就来一次性梳理这七大项目,看看它们分别是什么,以及它们如何共同指向一个“AI执行一切”的未来。 一、六大“工具”逐个看 在深入对比之前,我们先分别认识一下这六位主角。它们虽然都顶着“AI工具”的头衔,但出身、能力和使命却大相径庭。 1. Claude Code:披着编程外衣的通用Agent 出身:Anthropic(2024年底推出) 核心定位:终端里的自主AI助手。 Claude

【AI】谷歌TurboQuant算法:内存占用减少至少6倍

谷歌在2026年3月25日发布了一项名为 TurboQuant 的突破性压缩算法,它可以在不损失任何模型精度的前提下,将AI大模型运行时的关键内存占用(KV缓存)减少至少6倍,同时将推理速度提升最高8倍。 这一技术突破引发了硅谷和华尔街的广泛关注,甚至让美光、西部数据等存储芯片巨头的股价应声下跌。下面为你详细拆解这项技术: 🚀 TurboQuant核心技术速览 技术指标具体数据说明内存压缩比至少6倍将KV缓存压缩至3-bit精度,相比传统16/32-bit存储推理加速最高8倍在H100 GPU上4-bit TurboQuant vs 32-bit未量化基线精度影响零损失在"大海捞针"等长上下文测试中保持完美分数部署门槛无需训练无需预训练或微调,即插即用应用范围KV缓存压缩 + 向量搜索解决推理内存瓶颈,同时提升语义搜索引擎效率 🔧 核心技术原理:两步"绝杀" 要理解TurboQuant为什么重要,先要明白它解决的是什么问题。大模型推理时,会把历史信息临时存在 KV缓存 中以便快速调用。当上下文窗口从4K扩展到百万级时,KV缓存会迅速膨胀,成为AI推理最大的内存瓶颈

[2026年03月15日] AI 深度早报

[2026年03月15日] AI 深度早报

📅 [2026年03月15日] AI 深度早报:GTC 开幕日,AI Agent 平台与具身世界模型双线引爆 👋 晨间导读 今天是 NVIDIA GTC 2026 的开幕日,也是本周 AI 圈最密集的一个爆发点。三件事同时发生:NVIDIA 用 NemoClaw 宣示进入 Agent 基础设施赛道;微软开源 AgentRx,把 AI Agent 的调试工程化带上台面;与此同时,来自中国的大晓机器人悄悄开源了一个端侧运行的具身世界模型,推理速度比前代快 72 倍。AI Coding 走向"平台化",具身智能走向"可部署"——变化正在加速,今天的早报将带你抓住最关键的信号。 1. 🚀 NVIDIA GTC

【AI深究】卷积神经网络:CNN深度解析——全网最详细全流程详解与案例(附Python代码演示)|数学表达、主流变体与架构创新、优缺点与工程建议、调优技巧|经典变体:ResNet、DenseNet详解

【AI深究】卷积神经网络:CNN深度解析——全网最详细全流程详解与案例(附Python代码演示)|数学表达、主流变体与架构创新、优缺点与工程建议、调优技巧|经典变体:ResNet、DenseNet详解

大家好,我是爱酱。本篇将会系统梳理卷积神经网络(Convolutional Neural Network, CNN)的原理、结构、数学表达、典型应用、可视化代码示例与工程实践,帮助你全面理解这一深度学习的“感知基石”。 注:本文章含大量数学算式、详细例子说明及大量代码演示,大量干货,建议先收藏再慢慢观看理解。新频道发展不易,你们的每个赞、收藏跟转发都是我继续分享的动力! 注:本文章颇长超过8000字长、以及大量详细、完整的Python代码、非常耗时制作,建议先收藏再慢慢观看。新频道发展不易,你们的每个赞、收藏跟转发都是我继续分享的动力! 一、CNN的核心定义与结构 卷积神经网络(CNN)是一种专为处理具有类似网格结构的数据(如图像、音频、时序信号)而设计的深度神经网络。其核心思想是通过卷积操作自动提取局部特征,实现空间不变性和参数高效性。 * 英文专有名词:Convolutional Neural Network, CNN * 主要结构: * 卷积层(Convolutional