Claude Code 配置教程:如何通过修改 settings.json 优化 AI 编程体验

Claude Code 配置教程:如何通过修改 settings.json 优化 AI 编程体验

安装 Node.js:

https://nodejs.org/dist/v24.12.0/node-v24.12.0-x64.msi 

安装 Claude Code

打开 CMD,运行:

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

安装完成后验证:

claude --version 

安装成功会输出版本号,如果报错,请把错误信息发给deepseek,元宝这类AI工具。它们会告诉你解决方案的。

配置 settings.json

编辑配置文件:

C:\Users\你的用户名.claude\settings.json 

写入以下内容:

{ "env": { "ANTHROPIC_AUTH_TOKEN": "sk-xxx", "ANTHROPIC_BASE_URL": "url地址", "API_TIMEOUT_MS": "3000000", "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": "1", "ANTHROPIC_MODEL": "claude-sonnet-4-5-20250929" }, "alwaysThinkingEnabled": true } 

注意:文件路径把你的用户名替换成你Windows的实际用户名,把 url,API Key和模型成你使用的。比如GLM,豆包或者其中claude code中转方都可以。

Claude Code Router

如果有多个渠道要灵活切换模型使用,推荐安装Claude Code Router,

npm install -g @musistudio/claude-code-router 

然后在默认路径:

C:\Users\你的用户名.claude-code-router 

这里的你的用户名路径以你电脑默认路径为准。下面是我本地参考如下配置,示例都是国内模型,实际上你配置claude系列模型也都是可以用的。

{ "LOG": true, "LOG_LEVEL": "debug", "CLAUDE_PATH": "", "HOST": "127.0.0.1", "PORT": 3456, "APIKEY": "", "API_TIMEOUT_MS": "600000", "PROXY_URL": "", "transformers": [], "Providers": [ { "name": "new-api", "api_base_url": "http://192.168.77.235:3011/v1/chat/completions", "api_key": "sk-xx", "models": [ "MiniMax-M2.1", "ZhipuAI/GLM-4.7", "ZhipuAI/GLM-4.6", "gemini-2.5-flash", "gemini-2.5-pro" ] } ], "StatusLine": { "enabled": false, "currentStyle": "default", "default": { "modules": [] }, "powerline": { "modules": [] } }, "Router": { "default": "new-api,MiniMax-M2.1", "background": "new-api,ZhipuAI/GLM-4.6", "think": "new-api,ZhipuAI/GLM-4.7", "longContext": "new-api,ZhipuAI/GLM-4.7", "longContextThreshold": 60000, "webSearch": "new-api,gemini-2.5-flash", "image": "new-api,gemini-2.5-flash" }, "CUSTOM_ROUTER_PATH": "" } 

也可以通过可视化UI来进行配置。

ccr ui 

效果如下图:

在这里插入图片描述

配置之后要重启运行。使用的话很简单,在命令行里,执行

ccr restart ccr code 

一般我们都是用编辑器打开某个项目,在项目的根目录下执行ccr code命令。执行完之后,可以看到如下的页面效果。后面直接对话交流需求即可。

在这里插入图片描述

这里主要使用的是魔塔社区的GLM-4.7模型,目前每天每个账号可以使用100次。推荐注册Iflow,目前使用GLM4.6模型是免费的,地址: https://platform.iflow.cn/models

在ccr ui对填写iflow的地址和api就可以了,目前国产模型效果写产品原型和简单应用还是很不错的。参考下面配置

在这里插入图片描述

使用什么模型都在路由中这里配置,配置后记得点右上角的保存并重启。重启后,ccr code里运行的模型会自动更新。

在这里插入图片描述

内置提示词配置

使用cc或者ccr都可以配置内置提示词,在电脑的默认路径:

C:\Users\你的用户名.claude C:\Users\你的用户名.claude-code-router 

找到CLAUDE.md

## Development Partnership I'll help you build frontend code and prototypes. I'll handle implementation details while you guide the overall vision and requirements. ## Core Workflow: Research → Plan → Implement → Validate - **Research**: Understand existing patterns and frontend architecture - **Plan**: Propose frontend approach and get your approval - **Implement**: Build with proper component structure and error handling - **Validate**: Run formatters, linters, and test in browser compatibility ## Frontend Code Organization - Keep components small and focused - Use clear naming conventions for files and functions - Follow component composition patterns - Group related UI elements logically ## Frontend Architecture Principles - Prefer explicit over implicit: - Clear component names over clever abstractions - Obvious data flow over hidden state management - Direct props passing over deep context when possible - Delete old code completely - no need for deprecation in prototypes - Optimize for readability and maintainability ## JavaScript/TypeScript Development Standards - Use TypeScript types instead of `any` when possible - Early returns to reduce nesting - Proper error handling in user interactions and API calls - Consistent component structure - Clear comments for complex UI logic ## UI/UX Considerations - Focus on responsive design principles - Consider accessibility in component design - Implement consistent styling patterns - Optimize for performance on common devices ## Problem Solving When stuck: Stop and look for simpler solutions When uncertain: "Let me think about different UI approaches" When choosing: "I see approach A (simpler) vs B (more flexible). Which do you prefer?" ## Testing Strategy for Frontend - Test critical user flows - Ensure browser compatibility - Validate responsive behavior - Check performance on key interactions ## Progress Tracking - Use TodoWrite comments for tracking next steps - Maintain clear documentation of component usage 

在使用的时候,cc和ccr是独立的。也就是你可以在一个终端使用cc,另一个终端使用使用ccr。到这一步基本上你就能非常灵活的使用claude code了。至于后面的CMP,skills都是进阶,用起来之后再学不迟。


关于作者:石云升|AI博主 & AI企业落地师,专注企业AI落地与业务流程重构。

在这里插入图片描述

Read more

【AI大模型入门】02:豆包——字节出品,国内用户最顺手的AI助手

【AI大模型入门】02:豆包——字节出品,国内用户最顺手的AI助手

【AI大模型入门】02:豆包——字节出品,国内用户最顺手的AI助手 📖 阅读时长:约8分钟 🎯 适合人群:想找一个好用、免费、无障碍访问的AI工具的新手 💡 你将学到:豆包是什么、有哪些功能、和其他AI有什么区别、怎么快速上手 一、豆包是什么? 豆包(Doubao)是字节跳动(抖音、今日头条的母公司)推出的AI大模型产品,于2023年8月正式上线。 如果你用过抖音、今日头条,那你已经间接体验过字节AI技术的成果了。豆包就是字节把这些技术能力集中打包,做成了一个对话式AI助手。 字节跳动 AI 产品矩阵: ┌─────────────────────────────────┐ │ 豆包(对话助手) ←── 本篇主角 │ │ 即梦(图像/视频生成) │ │ 剪映AI(视频剪辑AI) │ │ 扣子(AI Agent搭建平台) │ └─────────────────────────────────┘ 二、为什么推荐新手先用豆包? 在所有AI产品里,我特别推荐国内新手从豆包开始,原因很简单: 优势说明✅

赋予 AI 大模型“联网”超能力:Serper (Google Search API) 深度解析与实战

赋予 AI 大模型“联网”超能力:Serper (Google Search API) 深度解析与实战

目录 赋予 AI 大模型“联网”超能力:Serper (Google Search API) 深度解析与实战 什么是 Serper? 为什么在众多 API 中选择 Serper? 核心应用场景 实战演练:使用 Python 快速接入 1. 获取 API Key 2. Python 代码实现 3. 解析 JSON 响应 总结 赋予 AI 大模型“联网”超能力:Serper (Google Search API) 深度解析与实战 在当今的 AI 开发和数据抓取领域,获取实时、准确的互联网信息是构建强大应用的核心环节。如果你曾尝试过自己编写爬虫去抓取

【AI深究】支持向量机(SVM, Support Vector Machine)全网最详细全流程详解与案例(附Python代码演示)|SVM、SVR|分类、回归任务流程|优、缺点|例子案例及数据演示

【AI深究】支持向量机(SVM, Support Vector Machine)全网最详细全流程详解与案例(附Python代码演示)|SVM、SVR|分类、回归任务流程|优、缺点|例子案例及数据演示

大家好,我是爱酱。继前几篇系统讲解了集成方法、GMM、DBSCAN等主流算法,这一篇我们来聊聊机器学习中极为经典且实用的模型——支持向量机(SVM)。SVM不仅能做分类,还能做回归、异常检测等任务。本文将围绕SVM的核心原理、数学公式、不同用途(分类/回归)、常见核函数、实际案例与代码实现等,详细分步骤讲解,便于你直接用于技术文档和学习。 注:本文章含大量数学算式、详细例子说明及代码演示,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! 一、SVM简介与应用场景 支持向量机(SVM)是一种基于统计学习理论的监督学习模型,最初用于二分类问题,但已广泛应用于多分类、回归、异常检测等场景。其核心思想是:在特征空间中寻找一个最优超平面,将不同类别的样本分开,并最大化类别间的间隔(margin)。 典型应用 * 文本/垃圾邮件分类 * 图像识别与人脸检测 * 基因/蛋白质分类、生物信息学 * 手写数字识别

为什么顶级团队开始重押 Harness Engineering?AI Agent 时代的底层答案来了

为什么顶级团队开始重押 Harness Engineering?AI Agent 时代的底层答案来了

一百万行代码,没有一行是人写的 2026 年 2 月,OpenAI 公开了一个令整个行业瞩目的内部实验:一个最初只有 3 名工程师的团队,在 5 个月内从零交付了一款拥有内部日活用户和外部测试者的软件产品。这款产品的代码量超过 100 万行,累计合并了约 1500 个 Pull Request,开发耗时仅为传统人类团队的十分之一。最关键的一点是 —— 从应用逻辑、测试代码、CI 配置到文档和监控工具,没有一行代码是人手写的,全部由 AI Agent 完成。 这不是魔法,也不是因为他们用了一个多么逆天的大模型。真正的秘密在于:他们为 AI 搭建了一个极其精良、完备的 “工作环境”。设计这种环境的工程,有一个正式的名字,叫做 Harness Engineering(驾驭工程)。这个概念正在重塑全球最优秀工程团队的工作方式,而大多数人甚至还没听说过它。 先打个比方: