Claude 快速接入 MiniMax AI大模型

文章目录

1 前言

最近AI是一个大时代的进步,下班的地铁路上,都能听到路人聊天在谈论AI Agent,之前是查询AI,然后人工再去执行,现在随着AI Agent成熟,可以自己搜寻解决方案,并且自己执行,这里笔者也把 如何在 Claude 快速接入 MiniMax AI大模型,做一个总结吧!

2 Claude环境准备

2.1 安装 Claude

Windows CMD:

curl-fsSL https://claude.ai/install.cmd -o install.cmd && install.cmd && del install.cmd 

Windows PowerShell:

irm https://claude.ai/install.ps1 | iex 或者 winget install Anthropic.ClaudeCode 

macOS, Linux, WSL:

curl-fsSL https://claude.ai/install.sh |bash

检查是否按照完成:
claude --version

在这里插入图片描述

参考资料:https://code.claude.com/docs/en/setup

2.2 常用命令

命令功能说明示例
claude启动交互模式claude
claude "task"执行一次性任务claude "fix the build error"
claude -p "query"执行单次查询后退出claude -p "explain this function"
claude -c继续当前目录下最近的对话claude -c
claude -r恢复之前的对话claude -r
claude commit创建 Git 提交claude commit
claude --version查看当前版本claude --version
/clear清除对话历史/clear
/help显示可用命令/help
exitCtrl+C退出 Claude Codeexit

3 安装cc-switch

3.1 CC Switch 是什么?

cc-switch 是一个开源的跨平台桌面工具,专门用来统一管理 AI 编程工具的 API 配置。

CC Switch = AI 编程工具的“遥控器”

你不需要记住 API Key 在哪、配置文件在哪个目录,也不用每次换模型都去手动改 JSON 文件。打开 CC Switch 点一下,所有配置自动生效。

3.2 核心功能

功能说明
供应商管理一键添加/切换 API 供应商(支持 MiniMax、智谱、DeepSeek 等 50+ 内置预设)
模型切换不同场景用不同模型,点一下就能换
MCP 管理统一管理 MCP 服务器配置,一次配置所有 CLI 工具共用
Skills 管理从 GitHub 一键安装 Claude Skills
系统托盘常驻右下角,右键菜单秒切,不用打开主窗口
多工具支持同时管理 Claude Code、Codex CLI、Gemini CLI、OpenClaw 等 5 种 AI 工具

3.3 工作原理

CC Switch 的本质是替你去修改配置文件,只是把它做成了可视化界面。

它把配置保存在 ~/.cc-switch/ 目录下,当你点击“切换”时,它会:

  1. 读取你保存的配置(API Key、Base URL、模型等)
  2. 自动写入到各工具的配置文件中(如 Claude Code 的 ~/.claude/settings.json
  3. 下次启动工具时自动生效

为什么 IDEA 插件也能用?

因为 IDEA 里的 CC GUI 插件会读取同一份配置文件~/.claude/settings.json)。所以你在 CC Switch 里配置好 MiniMax,插件那边自动就能用,根本不需要重复配置

3.4 CC Switch vs 其他工具

对比项CC SwitchClaude Code Router
定位配置管理器流量路由器
作用存储/切换 API Key 和模型在多个 API 之间做负载均衡
使用场景换账号、换供应商高并发、多 Key 轮询

简单说:Router = 代理/分流,Switch = 配置管理。如果你只是个人开发、偶尔切换模型,CC Switch 完全够用。

3.5 快速上手CC Switch

3.5.1 安装 CC Switch

平台安装方式
Windows前往 cc-switch GitHub Releases 页面下载最新版本的安装包
macOSbrew tap farion1231/ccswitch && brew install --cask cc-switch && brew upgrade --cask cc-switch
Linux下载 .deb.AppImage 文件

安装好之后,是这样的:

在这里插入图片描述

3.5.2 添加 MiniMax 配置

打开 CC Switch,点击右上角 「+」 添加供应商,搜索或选择 MiniMax(v3.8.0 已加入官方预设),填入你的 API Key(通过这个链接的接口秘钥获取:https://platform.minimaxi.com/user-center/payment/token-plan

在这里插入图片描述

3.5.3 选择要使用的模型

将模型名称全部改为 MiniMax-M2.7

在这里插入图片描述

3.5.4 启用模型

回到首页,点击 “启用”,点击 「Enable」 激活

在这里插入图片描述


在这里插入图片描述

3.5.5 跳过Claude验证login

编辑或新增 .claude.json 文件,MacOS & Linux 为 ~/.claude.json,Windows 为用户目录 /.claude.json
新增 hasCompletedOnboarding 参数

{"hasCompletedOnboarding":true}

3.6 验证生效

打开终端,运行 claude,随便问一个问题能回答就说明配置成功了。之后在 IDEA 里用 CC GUI 插件,或者用Claude Code插件,也会自动走这个配置。

在这里插入图片描述
在这里插入图片描述

3.7 常见问题

为什么 IDEA 插件读不到配置?

原因:IDEA 自身在启动时缓存了当时的环境变量,Terminal 作为子进程只能继承这份"过时的缓存"。所以在配置完cc-switch或者Claude MiniMax模型的配置后,需要退出Claude窗口,重新启动Claude,退出Idea,重新加载AI相关配置(比如MCP)

4 在 Claude Code 中使用 MiniMax-M2.7 模型进行 AI 编程

在上一步,配置完cc-swich之后,这里就比较简单了,直接在终端,使用 claude启动就行,然后就可以愉快的玩耍了。
Open your terminal in any project directory and start Claude Code:

cd /path/to/your/project claude 
在这里插入图片描述

参考资料:https://platform.minimaxi.com/docs/token-plan/claude-code

5 配置MCP

因为你不配置MCP,它只会读取训练好的模型数据,如果网上的最新信息,他不一定及时获取到。

5.1 安装uvx

macOS / Linux

curl-LsSf https://astral.sh/uv/install.sh |sh

Windows

powershell -ExecutionPolicy ByPass -c"irm https://astral.sh/uv/install.ps1 | iex"

其他安装方式可参考 uv 仓库:https://github.com/astral-sh/uv

5.3 验证安装

macOS / Linux

which uvx 

Windows

(Get-Command uvx).source 

比如mac系统:

在这里插入图片描述

5.4 MCP 配置文件位置

在 Claude Code 中使用MCP,在终端运行以下命令,将api_key替换为您的 API Key:

claude mcp add-s user MiniMax --envMINIMAX_API_KEY=api_key --envMINIMAX_API_HOST=https://api.minimaxi.com -- uvx minimax-coding-plan-mcp -y

注意,查看配置是否正确,正确的MCP 配置在 ~/.claude.json 里,格式类似:

{"mcpServers":{"your-server-name":{"command":"node","args":["/path/to/mcp-server.js"],"env":{"API_KEY":"your-key"}}}}

5.5 必须完全重启 Claude 才能生效

MCP 服务器是在 Claude 启动时加载的,热重载不支持。即使你修改了配置文件,也必须完全退出 Claude 进程(不是只是关闭窗口),注意,修改配置后需要重启Idea(如果你有用这个)

5.5.1 如果你是在 IDEA Terminal 里运行的 Claude Code

#找到正在运行的 Claude 进程

ps aux |grep claude 

#强制结束进程(用上面查到的 PID)

kill-9[PID]

5.5.2 如果你是在系统终端(Terminal/iTerm2)里运行的

按 Ctrl+C 终止当前 Claude 会话
如果配置有更新,最好清一下缓存(可选)

rm-rf ~/.claude/sessions/* 

重新启动 Claude

claude 

或者更简单,直接按 Ctrl+C 终止当前运行的 Claude
然后重新运行 claude 命令

5.6 验证MCP

进入 Claude Code 后输入 /mcp,能看到 web_search 和 understand_image,说明配置成功

在这里插入图片描述

使用MCP:

在这里插入图片描述

6 Idea使用AI大模型

安装插件:

在这里插入图片描述

如果是Claude Code 这个插件,就比较简单了,cc-switch配置后,Idea重启后,配置可以拿到,不用做任何配置,直接用就可以

如果使用的CC GUI这个插件,需要做一下配置,输入模型名称和对应的Api Key(如果没有对应的 MiniMax AI Provider):

在这里插入图片描述

Read more

【GitHub开源AI精选】WhisperX:70倍实时语音转录、革命性词级时间戳与多说话人分离技术

【GitHub开源AI精选】WhisperX:70倍实时语音转录、革命性词级时间戳与多说话人分离技术

系列篇章💥 No.文章1【GitHub开源AI精选】LLM 驱动的影视解说工具:Narrato AI 一站式高效创作实践2【GitHub开源AI精选】德国比勒费尔德大学TryOffDiff——高保真服装重建的虚拟试穿技术新突破3【GitHub开源AI精选】哈工大(深圳)& 清华力作 FilmAgent:剧本自动生成 + 镜头智能规划,开启 AI 电影制作新时代4【GitHub开源AI精选】Lumina - Image 2.0 文生图模型,以小参数量实现高分辨率多图生成新突破5【GitHub开源AI精选】探索 Mobile-Agent:X-PLUG 推出的创新型移动智能操作代理6【GitHub开源AI精选】吴恩达团队开源VisionAgent:用自然语言开启计算机视觉新时代7【GitHub开源AI精选】Oumi:一站式AI开发平台,涵盖训练、评估与部署全流程8【GitHub开源AI精选】深入剖析RealtimeSTT:开源实时语音转文本库的强大功能与应用9【GitHub开源AI精选】PodAgent:多智能体协作播客生成框架,

从点不亮LED到做出图像系统:我的 FPGA 学习路径复盘

从点不亮LED到做出图像系统:我的 FPGA 学习路径复盘

一年前,我还在为一个简单的流水灯上板失败而焦头烂额。 仿真波形完美,开发板毫无反应——查了三天,最后发现是约束文件里漏了一个引脚定义。 如今回头看,FPGA 学习最难的从来不是 Verilog 语法,而是如何把零散的知识拼成一个能跑起来的系统。 这篇文章,是我对自己两年学习过程的一次梳理,希望能给正在路上的你一点参考。 新手最容易卡住的三个地方 1. 硬件环境搭建成本高、试错周期长 买板子只是开始,驱动、电源、外设兼容性……很多时间花在了非核心问题上。 2. 学了一堆知识点,却做不出完整功能 看得懂状态机,也写过 UART,但一整合就出问题——因为没人教你怎么“搭系统”。 3. 调试无从下手 “仿真对,上板错”是常态。跨时钟域、时序违例、信号完整性……这些概念只有在真实项目中踩过坑,才真正理解。 我的四阶段进阶思路 阶段一:先理解“硬件是怎么工作的” 别急着写复杂逻辑。用最简单的例子建立直觉: * 用计数器控制

App Inventor语音交互机器人实战:从零构建高效语音控制系统

快速体验 在开始今天关于 App Inventor语音交互机器人实战:从零构建高效语音控制系统 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 App Inventor语音交互机器人实战:从零构建高效语音控制系统 语音交互正在成为移动应用的重要入口,但很多App Inventor开发者在实现语音控制功能时,常常遇到识别延迟高、环境噪声干扰、多指令混淆等问题。本文将分享一套经过实战验证的优化方案,帮助开发者构建响应迅速的语音交互机器人。

IEEE TRO 南方科大张明明和北工大董明杰联合在康复机器人领域取得系列研究成果

IEEE TRO 南方科大张明明和北工大董明杰联合在康复机器人领域取得系列研究成果

近期,南方科技大学生物医学工程系张明明副教授和北京工业大学董明杰副教授联合,在康复机器人领域取得系列研究进展,相关成果接连发表在机器人领域国际学术期刊IEEE Transactions on Robotics。 创建多人协作交互方法与创新康复系统 为相关领域发展奠定理论基础 图1. 多用户协作创新康复系统 当前的多用户人机交互研究主要关注机器人控制系统自身的稳定性,往往忽视了真实协作情境中“人与人”之间的相互影响。与此不同的是,本研究并未将操作者视为独立的无源终端,而是在系统设计核心层面纳入并建模这一事实:在多人触觉交互中,每位操作者本身就是彼此交互环境的一部分,其行为会直接并持续地影响他人的感知与系统稳定性。然而,随着交互用户数量的增加,尤其在操作者具有主动行为时,传统控制方法难以有效应对人际间的交互耦合与系统规模的扩大引起的稳定性条件复杂化,导致系统扩展能力受到制约。因此,如何在承认并融入操作者主动交互行为的前提下,维持系统稳定性并实现控制架构的可扩展性,成为一项关键挑战。 为应对这一挑战,研究人员创新性地提出了“个人交互环境”(Individual Interact