对话式编程助手

Llm Coding系列文章链接：

对话式编程助手 (Nov 18, 2025)

liteLLM

用于将 openai chat/completions API 转成 Anthropic Messages API

步骤：

claude code

修改.claude.json，实现跳过登陆

找到配置文件位置：
- windows: %USERPROFILE%\.claude.json
- macOS/linux: ~/.claude.json
添加配置字段：
```
{
  "hasCompletedOnboarding": true
}
```

~/.claude/setting.json的常用配置：

{
    "env": {
        "ANTHROPIC_API_KEY": "API密钥环境变量名",
        "ANTHROPIC_AUTH_TOKEN": "认证令牌",
        "ANTHROPIC_BASE_URL": "API基础地址",
        "ANTHROPIC_DEFAULT_SONNET_MODEL": "Sonnet模型槽位映射",
        "ANTHROPIC_DEFAULT_OPUS_MODEL": "Opus模型槽位映射",
        "ANTHROPIC_DEFAULT_HAIKU_MODEL": "Haiku模型槽位映射",
        "API_TIMEOUT_MS": "3000000",
        "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": "1"
    },
    "permissions": {
        "allow": [
            "允许工具使用的规则数组",
            "Bash(npm run lint)",
            "Bash(npm run test:*)",
            "Read(~/.zshrc)"
        ],
        "deny": [
            "拒绝工具使用的规则数组",
            "Bash(curl:*)",
            "Read(./.env)",
            "Read(./secrets/**)"
        ],
        "ask": ["在工具使用时请求确认的规则数组"],
        "additionalDirectories": "Claude可以访问的其他工作目录",
        "defaultMode": "默认权限模式"
    },
    "mcpServers": {
        "amap-maps-streamableHTTP": {
            "url": "https://mcp.amap.com/mcp?key=${AMAP_KEY}"
        }
    },
    "hooks": {
        "PreCompact": [
            {
                "type": "command",
                "command": "git diff --stat"
            }
        ],
        "Notification": [
            {
                "type": "command",
                "command": "echo '对话已结束' | growlnotify"
            }
        ]
    },
    "enabledPlugins": {
        "superpowers@claude-plugins-official": true,
        "gopls-lsp@claude-plugins-official": true,
        "frontend-design@claude-plugins-official": true,
        "code-simplifier@claude-plugins-official": true,
        "code-review@claude-plugins-official": true,
        "context7@claude-plugins-official": true,
        "pr-review-toolkit@claude-plugins-official": true,
        "security-guidance@claude-plugins-official": true,
        "skill-creator@claude-plugins-official": true,
        "feature-dev@claude-plugins-official": true
    },
    "model": "默认模型名称",
    "theme": "dark-daltonized",
    "autoMemoryEnabled": true,
    "verbose": true,
    "language": "响应语言",
    "preferredNotifChannel": "auto"
}

MCP和skill

MCP（Model Context Protocol）和Agent Skills都是由Anthropic公司提出的，但两者的提出时间和定位有所不同。

MCP（模型上下文协议）

提出时间：2024年11月25日
提出公司：Anthropic
核心定位：解决大模型与外部工具、数据源的连接标准化问题，类似于AI时代的"USB接口"
仓库地址：https://github.com/modelcontextprotocol

Agent Skills

首次推出：2025年10月在Claude Code中推出
开放标准发布：2025年12月18日正式发布为跨平台开放标准
提出公司：Anthropic
核心定位：解决AI模型的领域专业知识加载问题，类似于AI时代的"通用驱动程序"
仓库地址：https://github.com/anthropics/skills
存放位置：个人级：~/.claude/skills/ ；项目级：.claude/skills/

MCP是"连接层"：定义了AI模型如何安全、标准化地接入外部工具和数据源（如GitHub、Google Drive、Slack等）。

Skills是"能力层"：定义了AI模型如何使用这些连接来完成具体的业务流程和任务，通过SKILL.md文件封装专业知识和工作流程。

这种分层架构让AI开发从"手搓Prompt"的草莽时代进入了"标准化封装"的工业时代，开发者编写一套Skill就可以在所有支持该标准的AI平台上无缝运行。

大模型的token是怎么算的，问一次算一次token么？

大模型的“Token”通常可以理解为语言模型处理文本的基本单位，它不仅指一个汉字或英文单词，也可能是更小的片段（如子词）。

关于计费，通常不是“问一次”算一次Token，而是按输入和输出的总Token数来计算的：

输入Token：你提交的问题/提示文本会被转换成Token。
输出Token：模型生成的回答也会被转换成Token。
总费用一般按“输入+输出”的Token总数，结合不同模型的单价来计算。

不要浪费deepseek的算力了，DeepSeek提示词库指南

官方地址： https://api-docs.deepseek.com/zh-cn/prompt-library/

避坑指南：

复杂度陷阱：提示词≠越长越好（实测20字提示＞200字小作文）
迭代误区：3次追问未果→立即重构提示词
新手公式：需求场景+示例样本+输出格式

DISC原则是LLM时代的交互协议：本质是把LLM当实习生，指令越像操作手册，结果越靠谱

说人话（Definitive）：别让LLM猜，直接下明确指令（如“递归改循环，以让代码速度提升10倍”）。
给例子（Illustrative）：像老师教学生：甩个参考答案，LLM秒懂你要啥。
分步骤（Structured）：把复杂任务拆成任务清单，LLM按顺序干活不跑偏。
定格式（Controlled）：让LLM交作业时自带标准答题卡，方便你直接复制粘贴。

常用提示词：

代码改写提示词：下面这段代码的效率很低，且没有处理边界情况，请先解释这段代码的问题与解决方法，然后进行优化
代码生成：请帮我用HTML生成一个五子棋游戏，所有代码都保存在一个HTML中。
结构化输出：我将提供给你一段新闻内容，请你分析新闻内容，并提取其中的关键信息，以JSON的形式输出，输出的JSON需遵守以下的格式：
```
{
    "entity": <新闻实体>,
    "time": <新闻时间，格式为 YYYY-mm-dd HH:MM:SS，没有请填 null>,
    "summary": <新闻内容总结>
}
```

几个重要的点：

如何和AI交流时先尽量把需求聊透彻，然后再进入写代码的阶段。
如何进行上下文管理，在合适的checkpoint重新开一个agent。
skill和MCP，不是越多越好。
千万不要选择更差的模型处理更简单的事情：好的模型，最终肯定是更省钱的，因为办事效率高。

安全案例: AI云端同步和开源漏洞导致的境外窃密

某军工研发所的结构工程师，负责设计军机起重架零件图纸（机密级），为了提高绘图效率，他使用一款开源的工业AI绘图辅助工具，用来优化图纸的尺寸标注内核细节修改。

这款工具默认开启“云端同步”功能，工程师在上传图纸时未关闭该功能，也未检查工具的安全资质，导致图纸被自动同步到工具的云端服务器。

而这款开源AI工具的服务器存在明显安全漏洞，未设置严格的访问权限，不久后就被境外IP非法访问，部分图纸片段被下载窃取。

后续调查发现，这款工具的后台未进行涉密加密处理，甚至有境外势力人员参与工具的开源代码维护，相当于“开门揖盗”，把涉密图纸主动送到了境外势力手中。

虽未泄露完整图纸，但已对国防安全造成潜在威胁，该工程师被判处有期徒刑，研究所也承担了相应的管理责任。

专题: llm+coding

本文发表于 2025-11-18，最后修改于 2025-11-18。

本站永久域名「 jiavvc.top 」，也可搜索「极客油画」找到我。

上一篇 « C程序设计语言-第1章导言下一篇 » markdown-typst