Claude Opus 4.6 真的用不起了！我换成了国产 M2.5，实测真香！！

sdgdfbsdgdsfvbd

946人浏览 · 2026-02-28 16:27:54

sdgdfbsdgdsfvbd · 2026-02-28 16:27:54 发布

春节前后，大模型市场神仙打架：MiniMax M2.5、GPT-5.3-Codex、GLM-5、Opus 4.6、Qwen3.5-Plus 轮番登场。但作为每天跑 Agent 的重度用户，我的体感却很复杂——尤其是面对 Opus 4.6 的账单时。"

说实话，Opus 4.6 的能力确实强，但那个价格也真的是"贵到离谱"。对于我们这种每天深度依赖 AI 写代码、跑 Agent 的开发者来说，每次跑一个长上下文的重构任务，看着后台蹭蹭上涨的账单，心里都在滴血——真的用不起！

于是，我把目光投向了最近低调上线、主打“1 美元/小时”的 MiniMax M2.5。

我目前的策略是：日常 80-90% 的任务用 M2.5 就能搞定，剩下少数极难的任务再切换到 Opus 4.6。这样既能保证效果，又能大幅降低成本。

MiniMax 官方给出的 M2.5 数据很漂亮：SWE-Bench Verified 直接干到了 80.2% ，任务完成速度比上一代快了 37% ——这意味着原本 30 分钟的重构任务，现在 19 分钟就能跑完。

但作为一个 AI 编程老用户来说，我最开始是持怀疑态度的。毕竟国产模型在编程这块，以前总给我一种“写 Demo 挺顺，进生产环境就拉胯”的刻板印象。

于是，我专门花了一个深夜，用它做了两个极其有代表性的实测：

现有项目的深度重构：在我的AI 智能面试平台里，新增一个完整的"错题复盘"模块。
全栈项目开发：从 0 到 1 手搓一个带拖拽功能的 Web 任务看板。

实测下来的结果，只能用“杀疯了”来形容。

最让我惊艳的不是它比 Opus 快 3 倍的推理速度，而是那股“老架构师”的味道。它不仅帮我省下了 90% 的 Token 费用，最重要的是，它让我第一次感觉到：无限运行复杂 Agent，在经济上终于可行了。

Claude Code 中接入 MiniMax M2.5

Claude Code 强在它的工具链和执行力，但如果你觉得 Claude 官方模型太贵，或者受够了那挤牙膏一样的响应速度，完全可以把 M2.5 作为它的底层大模型。

M2.5 目前已经是 OpenRouter 调用量的榜一了：

Claude Code 强在它的工具链和执行力，但如果你觉得 Claude 官方模型太贵，或者受够了那挤牙膏一样的响应速度，完全可以把 M2.5 作为它的底层大模型。

由于 M2.5 采用了标准的 OpenAI 兼容接口，接入过程非常丝滑。

如果你本机没有安装 Claude Code 的话，只需要运行下面这行命令安装即可（Node.js 18+）：

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

1.获取 API Key

先去 MiniMax 开放平台获取 Key：https://platform.minimaxi.com/user-center/basic-information/interface-key

2. 神器推荐

强烈推荐安装 CC Switch，这是一个专门管理 Claude Code 模型切换的小工具，能让你在不同 Provider 之间一键横跳。并且，还支持管理 Skills、MCP 和提示词。

启动 CC Switch，点击右上角 ”+” ，选择预设的 MiniMax 供应商，并填写你的 MiniMax API Key。

将模型名称全部改为 MiniMax-M2.5，完成后点击右下角的 “添加”。

项目地址：https://github.com/farion1231/cc-switch 。

3.手动编辑配置文件

除了上面这种可视化配置方式之外，你也可以手动编辑配置文件。

# Stpe1: 编辑或创建 Claude Code 的配置文件
# MacOS & Linux 为 `~/.claude/settings.json`
# Windows 为`用户目录/.claude/settings.json`
# `MINIMAX_API_KEY` 需替换为你的 MiniMax API Key
{
  "env": {
    "ANTHROPIC_BASE_URL": "https://api.minimaxi.com/anthropic",
    "ANTHROPIC_AUTH_TOKEN": "MINIMAX_API_KEY",
    "API_TIMEOUT_MS": "3000000",
    "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": 1,
    "ANTHROPIC_MODEL": "MiniMax-M2.5",
    "ANTHROPIC_SMALL_FAST_MODEL": "MiniMax-M2.5",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "MiniMax-M2.5",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "MiniMax-M2.5",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "MiniMax-M2.5"
  }
}
# Step2: 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
}

4.测试是否生效

在任意目录下输入 claude 命令即可启动 Claude Code，选择信任此文件夹 (Trust This Folder)。

多场景实测

Case1：AI 智能面试平台新增错题本功能

春节后，我一直想为我的 AI 智能面试平台项目新增一个错题本的功能。

这个需求看似简单，实则涉及数据库 schema 变更、RESTful API 设计、前端状态管理、路由配置等多个环节，是检验 AI 编程能力的典型场景。

需求描述：

目前用户做完模拟面试后，只能看历史记录。用户无法标记自己回答得不好的题目进行重点复习。我想要实现一个"错题收藏与复习"模块。在面试详情页的每个 Q&A 旁增加一个"收藏/加入复盘"按钮；新增一个"复盘本"页面，列表展示收藏的题目。

第一阶段：需求拆解

输入需求后，M2.5 没有直接开始写代码，而是先进入分析模式，读取项目结构、技术栈和现有代码规范。

这就是原生 Spec 行为的魅力，在动手写代码前，先以架构师视角主动拆解功能、结构和 UI 设计，输出一份完整的实现计划。计划包含：

需求拆解：明确了需求边界，将"错题收藏与复习"拆分为两个核心用户场景。
数据模型设计：它没有简单粗暴地新建表，而是选择在现有的 InterviewAnswerEntity 中优雅地扩展字段。复用已有实体，避免过度设计，同时通过 favoritedAt 为后续的"按时间排序"预留了扩展空间。
RESTful API 设计：RESTful 接口路径、请求/响应参数、状态码规范。
前后端文件映射：不仅列出了要改哪些文件，还明确了操作类型（修改/新建）和职责分工。
验证方案：Plan 的最后，甚至给出了 5 步验证清单，从 API 可用性到前端交互，覆盖完整的功能路径。

第二阶段：丝滑的执行与容错

确认 Plan 后，我选择 Option 2：auto-accept edits（自动接受修改）。

💡 建议：执行复杂任务时，前期建议选择 Option 3：manually approve edits（手动接受修改）。通过手动 Review Diff，你可以清晰看到它的实现思路。等确认逻辑稳健后，再切换到 Option 2 提升效率。

执行过程中，M2.5 展现了极强的上下文感知能力：

后端：自动识别项目使用的 Spring Boot + JPA 技术栈，生成的 InterviewFavoriteService 正确使用 @Transactional 事务注解，并遵循贫血模型设计（业务逻辑在 Service，Entity 只负责数据）。
前端：检测到项目使用 React + TypeScript ，自动复用现有组件并和现有项目样式保持一致。

中途遇到一个小插曲：写到一半，突然主动给我道歉，特别有意思。