文章目录

1. 写在最前面

笔者最近使用 Cursor 的 「auto」模式开发代码 & fix bug，发现 Cursor 老是会胡乱的修改代码，而且回答的问题也非常没有逻辑性。好在 AI 编程工具处在百家争鸣的阶段，既然 Cursor 的体验感变差了，那是时候考虑一下其他的了。

注：给过 Cursor 机会了，但是只要 「claude-4-sonnet」被限流以后，就会自动切 auto 真的好难受……，果然由奢入俭难啊

透过现象看本质，既然 Cursor 最好用的模式是使用 「claude-4-sonnet」模型，只要笔者能够直接使用 「claude-4-*」相关的模型，那当前工具影响的问题，就应该可以得到缓解。

  • 坏消息：claude 模型不直接对中国区开放。

    在这里插入图片描述

  • 好消息：moonshot 发布了 Kimi K2，编程能力很强且 API 直接兼容了 Claude 的 API。

所以，绕过 claude 模型不能使用问题的方式，就是安装 claude 工具，但是 key 使用 Kimi K2 的。

2. 初体验

2.1 安装

2.1.1 安装 Claude

  • 安装 Claude Code

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

  • 检验安装

     $> claude --version
1.0.67 (Claude Code)
2.1.2 获取 Key

  • moonshot 平台申请 key

    在这里插入图片描述

    注：秘钥只会显示一次，这点需要注意

2.1.3 使用

  • 快速安装，会要求您输入 API Key，最终回车即可。

    bash -c "$(curl -fsSL https://raw.githubusercontent.com/LLM-Red-Team/kimi-cc/refs/heads/main/install.sh)"

  • 最终效果

    在这里插入图片描述

2.2 体验

经过一路坎坎坷坷终于能够在 terminal 愉快的使用 claude 了。因为之前已经习惯了在 IDE 中使用 AI 工具，切换到 terminal 还是有点不适应的，比如那些常见快捷键的功能。

2.2.1 快捷键

Claude 已经预判了笔者的预判，只要简单的输入「/」，就可以快速的浏览常用的快捷键。

在这里插入图片描述

2.2.2 体验

解决了快捷键的问题以后，可以正式的来体验一下「claude + Kimi K2」的能力了。刚好笔者最近在接手其他同学负责的模块， 那就顺便让 claude 帮我分析总结一下吧：

  • 问题 & 分析：

    在这里插入图片描述

  • 分析结果：

    在这里插入图片描述

    注：因为完整的分析说明中包含了太多的内部代码，本处只是截取了部分非关键性结论说明

  • 分析花费

    在这里插入图片描述

  • 结论：

    • 从分析效果上来看， claude 的分析时相对准确的，但是分析耗时比较长。

    • 从花费上来说，确实有点超过我的想象了……，其实 cursor 也似乎没有那么难用了

3. 碎碎念

AI 这如火如荼的发展趋势，让笔者越来越觉得，在 AI 的浪潮下如何更快速的适应和使用它们是当前的首要问题了。实名制感谢今天帮忙做咖啡的小哥……

  • 别人不喜欢你请不要责怪你自己。

  • 要好好努力然后多挣钱，才养得起自己这个爱吃的胃，爱玩儿的心，爱逛爱买的习惯就算是一个人往一个人来，也能生活得很好。

  • 世界太尖锐了，我有时候也不是很开心，但谢谢照顾我感受的那些人，让我被温柔对待着。

4. 参考资料

# 人工智能
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

java.sql.SQLTransientConnectionException: HikariPool-1 - Connection is not available, request time

avatar 2048 AI社区

传统项目AI改造：从用户提问到智能回答的全栈Demo

随着人工智能技术的不断发展，AI改造已经成为传统项目转型的重要手段。从用户提问到智能回答的全栈Demo，展示了AI如何在传统项目中发挥作用，提升工作效率和用户体验。尽管AI改造的过程充满挑战，但其带来的优势无疑能够为企业带来更强的竞争力。??通过合理的技术选型、精确的模型训练和完善的系统集成，AI改造将成为未来企业发展的关键一环。希望本文能够为正在进行AI改造的企业提供一些参考与启示。

avatar 2048 AI社区

langchain知识库配置模式- table + retriever

目前基于RAG系统构建知识库的通用过程是将所有文档上传、切片、向量库，导入RAG向量库。这种模式可以快速构建知识库，操作简单，并且在很多场合有效。然而，当用户的问题不是简单的内容查询，而是涉及一点统计逻辑时，比如“请列出库中架构相关的文档”，基于检索的RAG系统可能就不能准确有效的响应问题。这里通过"table+retriever"配置模式设计，基于langchain将数据库表和RAG向量库融合，

avatar 2048 AI社区