Claude Code应用指南

Created2026-02-12|Updated2026-02-12

|Post Views:

参考视频：https://www.bilibili.com/video/BV1zqeMzfEiQ

环境配置

npm 安装（需要 Node.js 18+）

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

3. 验证安装

1	claude --version

4. 配置 API Key

Windows (CMD)：

1	set ANTHROPIC_API_KEY=sk-xxxx-xxxxxx

macOS/Linux (Bash/Zsh)：

1 2	echo "export ANTHROPIC_API_KEY='sk-xxxx-xxxxxx'" >> ~/.bashrc source ~/.bashrc

二、替换/切换模型

Claude Code 支持三种模型，你可以根据任务需求随时切换：

模型	特点	适用场景	价格
Opus 4.6	最强推理能力，支持 1M 上下文	复杂架构、深度调试、多步骤推理	$5/$25 每百万 token
Sonnet 4.5	平衡速度与质量（默认）	日常开发、大多数编码任务	$3/$15 每百万 token
Haiku 4.5	最快响应，成本最低	简单查询、批量操作、快速查找	$1/$5 每百万 token

切换模型的 4 种方法

方法 1：会话中切换（最常用）

在 Claude Code 交互界面中输入：

1
2
3

/model opus      # 切换到 Opus（最强模型）
/model sonnet    # 切换到 Sonnet（默认平衡）
/model haiku     # 切换到 Haiku（最快最便宜）

或使用简写：

1
2
3

/mode opus
/mode sonnet  
/mode haiku

方法 2：启动时指定

1
2
3

claude --model opus
claude --model sonnet
claude --model haiku

方法 3：设置默认模型（永久生效）

添加到 shell 配置文件（~/.bashrc 或 ~/.zshrc）：

1	export ANTHROPIC_MODEL=claude-opus-4-6

或使用具体版本号：

1
2
3

export ANTHROPIC_DEFAULT_OPUS_MODEL="claude-opus-4-6"
export ANTHROPIC_DEFAULT_SONNET_MODEL="claude-sonnet-4-5-20250929"
export ANTHROPIC_DEFAULT_HAIKU_MODEL="claude-haiku-4-5-20251001"

三、国内用户使用建议

如果需要使用国内模型作为替代，可以通过修改 API Base URL 和模型映射来实现

export ANTHROPIC_BASE_URL=https://your-proxy-url.com
export ANTHROPIC_DEFAULT_OPUS_MODEL="glm-4.7"
export ANTHROPIC_DEFAULT_SONNET_MODEL="glm-4.7"
export ANTHROPIC_DEFAULT_HAIKU_MODEL="glm-4.5-air"

Author: 神火不知灭

Link: http://blog.sunlingzhang.com/2026/02/12/Python/Claude_Code/

Copyright Notice: All articles on this blog are licensed under CC BY-NC-SA 4.0 unless otherwise stated.

Python AI工具

Related Articles

pytorch-常用激活函数

激活函数的原则：单调函数（或有极小一部分不单调）非线性函数具有良好的梯度 1. Sigmoid 函数 Sigmoid 是早期神经网络中常用的激活函数，其数学表达式为： f(x)=11+e−xf(x) = \frac{1}{1 + e^{-x}} f(x)=1+e−x1 优点：输出值在 (0, 1) 区间内，适合用于二分类问题的概率预测。缺点：容易出现梯度消失问题，计算量相对较大。 2. Tanh（双曲正切）函数 Tanh 的数学表达式如下： f(x)=tanh⁡(x)=ex−e−xex+e−x f(x) = \tanh(x) = \frac{e^x - e^{-x}}{e^x + e^{-x}} f(x)=tanh(x)=ex+e−xex−e−x 优点：将输入值压缩到 (-1, 1)，对于后续的优化过程较为友好。缺点：与 Sigmoid 类似，两端的导数接近于零，可能导致梯度消失问题。 3. ReLU（修正线性单元） ReLU 是当前深度学习中最常用的激活函数之一，定义为： f(x)=max⁡(0,x) f(x) = \max(0, x) f(x...

1、环境配置 python作为脚本语言，只需要一个python解释器就可以直接编写代码和运行。但是为了方便我们通常会使用IDE(集成开发环境)或轻量级的文本编辑器进行开发。这里首先介绍使用最简单的python编辑器编写代码，以及使用VS Code、Jupyter开发。 1.1 安装python解释器这里推荐安装Conda,Conda是极其方便且强大的包管理器，安装后自带python解释器，同时为以后开发带来极大的便利。如果只想安装python解释器可以从下方地址下载：官网Windows下载：https://www.python.org/downloads/windows/ 1.2、安装Conda conda分为anaconda和miniconda。anaconda是包含一些常用包的版本，miniconda则是精简版，需要什么装什么，这里介绍miniconda的安装。官网地址：https://docs.conda.io/en/latest/miniconda.html 1.2.1、安装进入官网：https://docs.conda.io/en/latest/minic...

损失函数-Label Smoothing Cross Entropy

Label Smoothing Cross Entropy介绍 Label Smoothing 是一种正则化技术，用于改进分类任务中的交叉熵损失函数。传统的交叉熵损失函数假设目标标签是硬性（hard）的，即每个样本只有一个正确的类别标签，并且该类别的概率为 1，其他类别的概率为 0。然而，这种硬性标签可能会导致模型过拟合训练数据，尤其是在训练数据有限或标签可能存在噪声的情况下。 Label Smoothing 的基本思想是对目标标签进行“平滑”处理，将原本硬性的标签分布替换为一个更柔和的分布。这样可以减少模型对单一类别的过度自信，从而提高模型的泛化能力。提出论文: Rethinking the Inception Architecture for Computer Vision 会议: CVPR 2016 Label Smoothing（标签平滑）的工作原理 1. 传统交叉熵损失在分类问题中，交叉熵损失函数定义如下： Cross Entropy Loss=−∑i=1Cyilog(pi)Cross\ Entropy\ Loss = -\sum_{i=1}^{C} y_i...

pytorch 常用的学习率调整策略

[TOC] 参考地址：https://zhuanlan.zhihu.com/p/538447997 官方文档：https://pytorch.org/docs/stable/optim.html#how-to-adjust-learning-rate 0. 基础导入 1from torch.optim import lr_scheduler 常用的学习率策略 StepLR LambdaLR 基础代码 12345678910import torchimport numpy as npfrom torch.optim import SGDfrom torch.optim import lr_schedulerfrom torch.nn.parameter import Parameter# 随机创建一组模型参数model = [Parameter(torch.randn(2, 2, requires_grad=True))]# 使用SGD优化器，学习率设为0.1optimizer = SGD(model, lr=0.1) 1. StepLR 最简单且最常用的学习率调整方法，每...

低秩近似的方法：伪逆矩阵：https://kexue.fm/archives/10366 SVD分解：https://kexue.fm/archives/10407 CR分解：https://kexue.fm/archives/10427 插值分解（ID）：https://kexue.fm/archives/10501 CUR分解：https://kexue.fm/archives/10662 Monarch矩阵：https://kexue.fm/archives/10249 Lora: 梯度视角下的Lora：https://kexue.fm/archives/9590 学习率对Lora的影响：https://kexue.fm/archives/10001 核心结论：对于Lora AB，B的学习率 ηBη_BηB 要大于A的学习率 ηAη_AηA : ηB/ηA≈n/mn/rη_B/η_A ≈ n/m \sqrt{n/r}ηB/ηA≈n/mn/r Lora改进1：https://kexue.fm/archives/10226 ...

pytorch-常用优化器

[TOC] 0. 基础 1. 导入 1import torch.optim as optim 2. 常用的优化器 SGD/Momentum SGD Adam/AdamW AdaGrad RMS prop 3. 使用框架生成优化器 1234import torch.optim as optimoptimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)optimizer = optim.Adam([var1, var2], lr=0.0001) 同一个模型定义不同的优化器 1234567891011121314import torchimport torch.optim as optim# params可以用字典传参，给不同的参数赋值不同的学习率optim.SGD([{'params': model.base.parameters(), 'lr': 1e-2}, {'params': mo...