【超详细教程】Claude Code 在 Linux(Ubuntu) 上的完整安装部署指南|一步步跑通云端/本地开发环境

【超详细教程】Claude Code 在 Linux(Ubuntu) 上的完整安装部署指南|一步步跑通云端/本地开发环境

目录

✅ 逐步安装命令(复制即用)

步骤 1:更新系统环境(强烈建议先执行)

步骤 2:安装 Node.js

步骤 3:安装 Git

步骤 4:安装 Claude Code CLI

步骤 5:配置 Claude Code 的环境变量(核心步骤)

步骤 6:首次运行 Claude Code(本地模式)

✅ 写到最后


之前的文章( Win11 下从零部署 Claude Code )里,我们已经带大家在 Win11 环境下完整跑通了 Claude Code 的本地开发环境,不少朋友后台留言说:

“能不能写一个 Linux 版本的?我服务器是 Ubuntu 的。” “生产环境都是 Linux,Win 版跑通了,但想在 Ubuntu 上部署一套更稳定的。”

确实,在实际开发场景中,无论你是做后端、DevOps、AI 研发还是自建云端环境,Linux(Ubuntu) 才是最主流、最可靠、最干净的部署系统。相比 Windows,Linux 的优势非常明显:

  • 环境更纯净,依赖冲突更少
  • 更适合长时间运行 Claude Code 的编程服务
  • 云服务器中 90% 都是 Ubuntu / Debian 系列
  • 更利于自动化脚本、Docker、Pipeline 等协作

我会用最通俗的方式,从零开始带你完成整个流程,无论你是在云服务器(腾讯云/阿里云/华为云)部署,还是在本地 Ubuntu 桌面版安装,这一篇你都能照着一步步完成。

准备好了吗?我们开始在 Linux 上“解锁” Claude Code 的全部能力吧。

✅ 逐步安装命令(复制即用)

以下步骤适用于 Ubuntu 20.04 / 22.04 / 24.04(云服务器、本地桌面版均可)。


步骤 1:更新系统环境(强烈建议先执行)

sudo apt update && sudo apt upgrade -y

步骤 2:安装 Node.js

推荐使用 NodeSource 官方源安装最新 LTS。

curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash - sudo apt install -y nodejs

检查版本:

node -v npm -v

步骤 3:安装 Git

sudo apt install -y git git --version

步骤 4:安装 Claude Code CLI

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

检查是否安装成功:

claude --version

步骤 5:配置 Claude Code 的环境变量(核心步骤)

① 打开配置文件

mkdir -p ~/.claude nano ~/.claude/settings.json

② 填写 Claude Code 配置(复制即可)

请将 API Key 替换成自己的。

{ "env": { "ANTHROPIC_AUTH_TOKEN": "sk-xxx", "ANTHROPIC_BASE_URL": "https://linoapi.com.cn", "API_TIMEOUT_MS": "3000000", "ANTHROPIC_MODEL": "claude-haiku-4-5-20251001" } }

保存:Ctrl + O → 回车,退出:Ctrl + X

③ 注册API平台并获取APIKey

首先进入到API平台:https://linoapi.com.cn/register?aff=sJ68,点击右上角的登录/注册按钮。

刚开始注册会送0.4元的,如果不够可以去【钱包】那边适当充值。

接下来点击【API令牌】,点击【添加令牌】

填写好名称和选择好分组,这里分组一定要选择【Claude Code专属】

额度这边可以适当调整,其它的参数都默认即可,然后点击【提交】

点击复制那个秘钥就可以了。

然后在【模型广场】中搜索“Claude”,就会有很多不一样的模型,可以选择一个复制到上面配置的"ANTHROPIC_MODEL",这里我填写了"claude-haiku-4-5-20251001"。

步骤 6:首次运行 Claude Code(本地模式)

在任意项目目录执行:

claude

第一次运行会自动加载模型配置,看到命令行提示符即可开始使用。

✅ 写到最后

至此,Claude Code 在 Ubuntu 环境下的完整部署流程已经全部结束。从系统更新、依赖安装、CLI 部署到配置 settings.json,你已经具备在 Linux 系统中独立运行 Claude Code 的全部能力,无论是在云服务器进行长期后台运行,还是在本地桌面版执行即时开发,都能获得稳定可靠的体验。如果你后续还想进一步实践 VSCode Remote、Docker 化部署、自动化脚本、远程协作开发等进阶玩法,欢迎继续关注,我会持续更新更专业的 Linux + Claude Code 教程,帮助你构建更高效、更适合生产环境的 AI 开发体系。

Read more

打造你的专属 AI 旅行管家:基于 OpenAgents 的多智能体旅游助手实战

打造你的专属 AI 旅行管家:基于 OpenAgents 的多智能体旅游助手实战

基于 OpenAgents 的多智能体旅游助手实战 在大模型与智能体(Agent)技术快速发展的今天,构建一个能理解需求、协调任务、调用工具的 AI 助手已不再是遥不可及的梦想。传统的聊天机器人往往只能被动回答问题,而现代智能体系统则具备“主动性”——它能拆解复杂目标、调用多个子模块、甚至与外部服务交互,从而完成端到端的任务。本文将带你从零开始,利用 OpenAgents 这一开源框架,搭建一个由多个专业智能体协同工作的本地旅游小助手。这个系统不仅能根据用户一句话生成完整的旅行计划、推荐个性化景点,还能逐步扩展至查询实时天气、预订酒店、规划交通等实用功能,真正实现“一句话开启智能旅行”。 一、本地启动智能体 要运行基于 OpenAgents 的智能体系统,首先需要启动其核心网络服务。该服务负责管理所有 Agent 的注册、通信和协作,是整个多智能体生态的“中枢神经系统”。 在终端中执行以下命令: openagents network start 首次运行时,OpenAgents 会自动打开浏览器,引导你完成初始化配置(

By Ne0inhk
【OpenClaw从入门到精通】第01篇:保姆级教程——从零开始搭建你的第一个本地AI助理(2026实测版)

【OpenClaw从入门到精通】第01篇:保姆级教程——从零开始搭建你的第一个本地AI助理(2026实测版)

摘要:本文聚焦2026年开源AI代理工具OpenClaw的本地部署与实操,从核心概念拆解入手,先厘清OpenClaw、Gateway、Skills、ClawHub的关联,再明确硬件系统要求与大模型API-Key准备要点,通过官方一键安装脚本完成本地部署,并配置阿里云百炼API实现大模型对接。以“让AI助理抓取开源中国热门项目”的虚拟实战案例,详细演示Skills调用流程,同时梳理部署中“命令找不到”“API-Key配置失败”等高频问题的解决方法。内容兼顾新手友好性与实操参考性,所有步骤均基于公开技术文档验证,案例为虚拟构建,代码仅作示例未上传GitHub,可指导读者快速搭建本地AI助理并验证核心功能。 优质专栏欢迎订阅! 【DeepSeek深度应用】【Python高阶开发:AI自动化与数据工程实战】【YOLOv11工业级实战】 【机器视觉:C# + HALCON】【大模型微调实战:平民级微调技术全解】 【人工智能之深度学习】【AI 赋能:Python 人工智能应用实战】【数字孪生与仿真技术实战指南】 【AI工程化落地与YOLOv8/v9实战】【C#工业上位机高级应用:高并发通信+性

By Ne0inhk
人工智能:多模态大模型原理与跨模态应用实战

人工智能:多模态大模型原理与跨模态应用实战

人工智能:多模态大模型原理与跨模态应用实战 1.1 本章学习目标与重点 💡 学习目标:掌握多模态大模型的核心原理、跨模态特征融合方法,以及基于多模态模型的图文生成与理解任务实战流程。 💡 学习重点:理解多模态模型的架构设计,学会使用 Hugging Face 生态工具调用 CLIP 与 BLIP-2 模型,完成图文检索与图像描述生成任务。 1.2 多模态大模型的核心概念与发展背景 1.2.1 什么是多模态大模型 💡 多模态大模型是指能够同时处理文本、图像、音频、视频等多种不同类型数据的人工智能模型。它打破了传统单模态模型的信息壁垒,实现了跨模态的理解与生成。 多模态大模型的核心能力体现在两个方面: * 跨模态理解:实现不同模态数据之间的关联分析,例如根据文本描述查找对应图像、根据图像内容生成文字摘要。 * 跨模态生成:以一种模态数据为输入,生成另一种模态的数据,例如文本生成图像、图像生成文本、语音生成视频等。 与单模态大模型相比,多模态大模型更贴近人类的认知方式。人类在认识世界的过程中,本身就是通过视觉、听觉、语言等多种感官渠道接收和处理信息的。

By Ne0inhk
通义灵码 AI 程序员 实操全指南:从 IDE 安装到全栈需求落地(多文件批量修改 + 报错自动修复 + 跨语言开发)

通义灵码 AI 程序员 实操全指南:从 IDE 安装到全栈需求落地(多文件批量修改 + 报错自动修复 + 跨语言开发)

1. 背景与趋势 随着软件系统复杂度提升,传统开发模式面临代码重复率高、调试周期长、跨语言协作难等挑战。AI辅助编程已从单文件代码补全,演进为项目级代码理解、全流程开发辅助的核心生产力工具。通义灵码作为AI程序员,整合代码生成、重构、调试、多语言协作等能力,可覆盖从需求分析到部署上线的完整开发链路。 2. 核心技术原理 2.1 代码预训练与多语言理解 基于大规模代码语料(覆盖100+编程语言、10TB+开源代码),采用Transformer架构的代码大模型,学习语法规则、语义逻辑、设计模式及最佳实践,支持Java、Python、Go、Rust、TypeScript等主流语言的深度理解。 2.2 上下文感知与长序列处理 支持100K+ Token上下文窗口,可解析项目级代码结构(包括多文件依赖、类继承关系、API调用链),实现跨文件的逻辑一致性校验与修改。 2.3 多模态交互与工具链集成 支持自然语言、代码片段、错误日志、

By Ne0inhk