AI Coding 零基础实战教程|第三部分:Claude Code 深度使用与进阶技巧(TaoToken 统一 Key 接入版)

1. 为什么你的 Claude Code 用着用着就“变笨”了

很多人装完 Claude Code,敲几个命令生成个函数,觉得挺新鲜,然后就没有然后了。真正把它放进日常项目里跑上两周,问题就冒出来了:它怎么把我三个文件改坏了?聊到后面它怎么忘了我前面说过的规范?为什么它对同事的项目那么懂,对我的项目像个陌生人?

这三个问题,本质上不是模型不行,而是配置没做。Claude Code 的能力其实分好几层,最底下是模型本身,往上是 CLAUDE.md 项目记忆、Plan Mode 任务拆解、MCP 工具扩展这些“外挂”。模型能力是地板,配置质量才是天花板。你花时间把这几层搭好,比追着换最新模型版本收益大得多。

这篇是零基础实战教程的第三部分,聚焦三件事:用 Plan Mode 把复杂任务拆开、用 CLAUDE.md 让 AI 记住你的项目、用 MCP 给它接上外部工具。同时我会把 endpoint 切到 TaoToken 统一 Key 通道,给你一套可复制的 settings 和 CLAUDE.md 模板,最后跑通一个多步任务验证连通性。适合刚把 Claude Code 装起来、想真正用顺手的新手开发者。

2. TaoToken 统一 Key 接入 Claude Code 的前置准备

在讲进阶用法之前,得先把通道打通。Claude Code 默认走的是 Anthropic 官方接口,但很多国内开发者会遇到网络和计费上的麻烦。TaoToken 提供统一 Key 通道,把 endpoint 指过去之后,Claude Code 的请求就走 TaoToken 转发,你只需要维护一个 Key。

先说清楚它是什么:TaoToken 是一个大模型 API 聚合通道,官网在 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ,API 入口是 https://taotoken.net/api 。它的作用是让你用一套 Key 访问多个模型,Claude Code 这种工具只要改 Base URL 就能接上。

前置准备有三样。第一,Node.js 18 以上,Claude Code 是 npm 包,装之前先确认 node -v 能正常输出。第二,一个 TaoToken 账号和 API Key,去控制台 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite 里创建,Key 只在创建时显示一次,记得复制存好。第三,一个能跑的项目目录,随便建个空文件夹都行,我们后面用它来验证。

安装 Claude Code 本身很简单:

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

装完先别急着配,我们下一步直接改 settings。这里有个关键点:Claude Code 读的是环境变量 ANTHROPIC_BASE_URL 和 ANTHROPIC_API_KEY,你把这两个指到 TaoToken,它就走统一通道了。Base URL 填 https://taotoken.net/api,注意不要带末尾斜杠,Key 填你在控制台创建的那串。

如果你还没创建 Key,先去 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 建一个。创建时给它起个能认出来的名字,比如 claude-code-dev,方便后面区分用途。

3. 可复制的 settings.json 与 CLAUDE.md 配置模板

这一节是重点,给你两份能直接抄的配置。先讲 settings.json,再讲 CLAUDE.md,最后讲怎么把 endpoint 改到 TaoToken。

Claude Code 的配置文件分全局和项目级。全局在 ~/.claude/settings.json,对所有项目生效;项目级在项目根目录的 .claude/settings.json,只对当前项目生效。优先级是项目级高于全局。下面这份是全局 settings 模板,路径就是 ~/.claude/settings.json:

{
  "env": {
    "ANTHROPIC_BASE_URL": "https://taotoken.net/api",
    "ANTHROPIC_API_KEY": "sk-你的TaoToken密钥",
    "ANTHROPIC_MODEL": "claude-sonnet-4-5-20250929"
  },
  "permissions": {
    "allow": [
      "Read",
      "Glob",
      "Grep",
      "Edit",
      "Write(src/**)",
      "Write(tests/**)",
      "Bash(npm *)",
      "Bash(pnpm *)",
      "Bash(git status)",
      "Bash(git diff *)",
      "Bash(git log *)"
    ],
    "deny": [
      "Read(**/.env*)",
      "Read(**/*.pem)",
      "Read(**/*.key)",
      "Write(**/.env*)",
      "Bash(rm -rf *)",
      "Bash(sudo *)",
      "Bash(git push *)"
    ],
    "defaultMode": "acceptEdits"
  }
}

这里三件套要写全:Base URL 是 https://taotoken.net/api,Key 是你的 TaoToken 密钥,Model ID 填你要用的模型名。Model ID 这块要注意,不同通道支持的模型名可能不一样,以你控制台里显示的为准。我上面填的是 Sonnet 系列的一个常见 ID,你换成自己账号里能用的即可。

如果你用的是 Claude Code 的 OAuth 登录方式,那它读的是另一套凭证,跟这里的 API Key 通道是两条路。走 TaoToken 统一 Key 的话,就用上面这种环境变量方式,别去点 OAuth 登录,否则会互相覆盖。

再讲 CLAUDE.md。这是项目记忆的核心,放在项目根目录,Claude Code 每次会话启动都会自动加载。给你一份可直接改的模板:

# 项目名称

## 项目概述
一句话描述这个项目做什么。

## 技术栈
- 前端:Next.js 14 + TypeScript + Tailwind CSS
- 后端:Next.js API Routes
- 数据库:Prisma + SQLite

## 项目结构
src/
├── app/          # 页面与 API 路由
├── components/   # React 组件
├── lib/          # 工具函数
└── types/        # 类型定义

## 编码规范
- 使用函数式组件 + React Hooks
- 组件文件用 PascalCase 命名
- API 返回统一格式:{ success, data, error }

## 当前开发状态
- 项目初始化完成
- 书签 CRUD API 开发中
- 前端页面待开发

## 注意事项
- 不要修改 prisma/migrations/ 目录
- 所有数据库操作通过 Prisma Client 执行

CLAUDE.md 有三个层级:全局级 ~/.claude/CLAUDE.md 写个人习惯,项目级放项目根目录写技术栈和规范,文件夹级放子目录写模块专属约定。三层叠加生效,优先级是文件夹级 > 项目级 > 全局级。新手先用好项目级这一层就够了。

4. 验证请求:跑通首个多步任务

配置写完,得验证通道是不是真的通了。这一步别跳过,很多人配完以为好了,结果一跑就报错。

先做最简单的连通性测试。在终端里直接 curl 一下 TaoToken 的接口:

curl https://taotoken.net/api/v1/messages \
  -H "x-api-key: sk-你的TaoToken密钥" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-sonnet-4-5-20250929",
    "max_tokens": 64,
    "messages": [{"role": "user", "content": "说一句你好"}]
  }'

如果返回里能看到 content 字段和一段文本,说明 Key 和通道都没问题。如果报 401,往下看第 5 节的排查。

curl 通了之后,进项目目录启动 Claude Code:

cd ~/your-project
claude

进去之后先看状态,输入 /status,确认当前模型和 Base URL 是不是你配的那个。然后我们跑一个多步任务,验证 Plan Mode 和 CLAUDE.md 是否生效。

第一步,让它先规划。输入:

我要给这个项目加一个 /api/health 健康检查接口,
返回 { status: "ok", timestamp: 当前时间 }。
请先分析需要改哪些文件,列出计划,等我确认后再动手。

这时候按 Shift+Tab 两次,切到 Plan Mode,状态栏会显示 plan mode on。Claude Code 会去读你的项目结构、找路由文件、给出一个改动计划。它只能读不能写,所以不会动你的代码。

第二步,审核计划。如果它说要新建 src/app/api/health/route.ts,符合你的预期,就按 Shift+Tab 切回 Normal 或 Auto-Accept 模式,然后说“按计划执行”。

第三步,看结果。它应该会创建文件、写入代码。完成后你手动验证:

npm run dev
curl http://localhost:3000/api/health

看到 {"status":"ok","timestamp":"..."} 就说明整个链路跑通了:TaoToken 通道正常、Plan Mode 正常、CLAUDE.md 被加载、多步任务执行成功。

这里有个细节值得说:如果你在 CLAUDE.md 里写了“API 返回统一格式 { success, data, error }”,那 Claude Code 生成 health 接口时可能会自动套这个格式。这就是项目记忆在起作用——它不用你每次重复交代。

5. 本篇常见报错排查

配置和验证过程中,最容易撞上几个报错,我按真实遇到的顺序列一下。

401 Unauthorized / invalid api key

最常见。原因通常是 Key 复制时带了空格,或者 Key 已经失效。先检查 ~/.claude/settings.json 里 ANTHROPIC_API_KEY 的值,确认没有多余空格和换行。然后去控制台重新生成一个 Key 试。还有一种情况是你把 Key 写进了项目级 settings,但项目级没配 env 字段,Claude Code 读不到,这时候要么补上,要么统一放全局。

local proxy failed / connection refused

这个报错说明 Claude Code 连不上你配的 Base URL。先确认 ANTHROPIC_BASE_URL 写的是 https://taotoken.net/api,没有多余路径,也没有末尾斜杠。然后用第 4 节的 curl 命令单独测一下,如果 curl 也连不上,那就是网络或通道问题,不是 Claude Code 的锅。如果 curl 通但 Claude Code 不通,检查是不是有旧的 ANTHROPIC_BASE_URL 环境变量在 shell 里覆盖了配置文件,用 echo $ANTHROPIC_BASE_URL 看一眼。

Error reading choices / 返回结构解析失败

这个通常出现在通道返回的 JSON 结构和 Claude Code 预期不一致时。先确认你用的 Model ID 在 TaoToken 通道里是支持的,有些模型名在聚合通道里会做映射,填错了就会返回非预期结构。去控制台看一下可用模型列表,换成明确支持的那个。另外确认 anthropic-version 头是 2023-06-01,版本不对也可能导致解析问题。

OAuth 相关报错 / 登录态冲突

如果你之前用 OAuth 登录过 Claude Code,现在又配了 API Key,两者可能打架。表现是它一会儿用登录态一会儿用 Key,行为不稳定。解决办法是明确走一条路:走 TaoToken 统一 Key 的话,就别再执行 OAuth 登录流程,把登录态清掉,只保留 settings 里的环境变量配置。

Plan Mode 下它还是改了文件

检查状态栏是不是真的显示 plan mode on。Windows 某些终端 Shift+Tab 只能在 Normal 和 Auto-Accept 之间切,跳过了 Plan Mode,这时候用 Alt+M 或者直接输入 /plan。另外确认你的 Claude Code 版本支持 /plan 命令,太老的版本没有。

排查有个通用思路:先 curl 测通道,再 /status 看配置,最后看具体报错。三层定位,基本能覆盖九成问题。

6. 把统一 Key 通道用进日常编码

通道打通之后,接下来就是把它用进真实项目。这里给你几个我实测下来比较顺手的做法。

第一,把 settings 和 CLAUDE.md 做成模板。每开一个新项目,复制一份 CLAUDE.md 进去,填上技术栈和目录结构,第一次 commit 就带着完整配置。settings 放全局,权限和 Key 不用每个项目配一遍。这样新项目打开 Claude Code 就能直接干活,不用从零教起。

第二,复杂任务永远从 Plan Mode 起手。判断标准很简单:如果你能用一句话说清期望的改动,就直接做;说不清,就先规划。Plan Mode 里多花五分钟讨论方案,能省下执行阶段半小时的返工。尤其是改认证、改数据库这类一动动一片的任务,先规划几乎不会亏。

第三,CLAUDE.md 要当活文档维护。每被 Claude Code 坑一次,就往里加一条规则。三个月下来,这个文件就是你项目里 AI 犯过的所有错误的预防清单。最有生产力的一句话是:“更新 CLAUDE.md,让这件事不再发生。”

第四,MCP 按需接。MCP 是给 Claude Code 接外部工具的能力,比如接 GitHub 读 PR、接数据库查数据。新手不用一上来就配一堆,先把手头的项目跑顺,遇到“它要是能查一下线上数据就好了”这种场景,再去配对应的 MCP。配置入口在 settings 的 mcpServers 字段,或者用 claude mcp add 命令。

如果你打算长期用 Claude Code 做编码和 Agent 任务,可以了解一下 Coding Plan,它比按量计费更适合高频使用场景:https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。想先试试模型对话效果的,可以去 https://taotoken.net/models?utm_source=taotoken_aicg_blog_end&utm_content=models&utm_campaign=rewrite 直接体验。接入过程中遇到配置问题,文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 里能查到详细说明。

最后说个我踩过的坑:别把 Key 硬编码进项目文件然后提交到 Git。settings 里的 Key 要么放全局配置,要么放被 gitignore 的本地文件。项目级的 .claude/settings.json 是团队共享的,里面不该有个人 Key。这个习惯养成了,后面能省很多麻烦。

相关推荐

sap外币重估流程图_SAP 外币评估方法(Valuation Method,评估方法)

在FI-GL模块评估外币时(T-code:F.05),需要输入ValuationMethod。下面分解一下评估方法是如何定义的。IMG -> FI -> General LedgerAccounting ->Business Transactions ->Closing ->Valuating -> ForeignCurrency Valuation ->...

weixin_39640543的博客 2355

AI Coding工具实战指南:Claude Code & Cursor 接入 TaoToken 统一 Key 的深度实践

同时使用 Claude Code 与 Cursor 时,统一 Key 可让配置收敛、用量集中。本文给出两套可复制配置:Claude Code 走 Anthropic 协议填 https://taotoken.net/api,Cursor 走 OpenAI 协议需带 /v1,并附 curl 验证与 401、reading choices 等报错排查。TaoToken 官网:https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_34413326的博客 177

AI智能体项目管理框架agent-pm:从原理到实战的多智能体协作指南

在人工智能和自动化技术快速发展的今天,多智能体系统已成为实现复杂任务自动化的重要技术路径。其核心原理在于通过任务分解、角色分配和状态管理,让多个AI智能体像人类团队一样协同工作,从而突破单个模型的性能边界。这种架构的技术价值在于将软件工程中成熟的项目管理方法论引入AI领域,显著提升了自动化流程的可预测性、可观测性和可复用性。在实际应用场景中,多智能体协作框架能够高效处理从代码开发、文档撰写到数据分析等一系列任务,尤其适合需要多步骤、多专业协同的复杂项目。本文聚焦的agent-pm框架,正是这一领域的典型实践

weixin_42533910的博客 714

Claude Code提效:四个技巧让开发快一倍,TaoToken统一Key接入实战

Claude Code提效实战:用CLAUDE.md固化项目规则、Prompt模板先出方案、/compact压缩上下文、Git操作自动化,四个技巧减少反复沟通。再通过TaoToken统一Key接入,配置ANTHROPIC_BASE_URL即可跑通,官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 查看接入文档与验证步骤。

ThunderstormLynx23的博客 195

分享一下如何使用labelimg制作自己的YOLO数据集

首先准备一下自己的下准备一个空文件夹用于保存标签文件,如下图所示。

skywalkerxhx的博客 830

[华为]华为无线控制器AC6508简单配置实例

用户需求:3个地址段,分别是领导、员工、访客,访问控制策略是只允许访客上网,不允许访客访问内网。 vlan173为设备的管理地址和AP获取的地址,领导、员工、访客的vlan分别是vlan131/vlan132/vlan133 首先是许可的下载,使用华为的账号登陆http://app.huawei.com/isdp ,然后按照说明输入许可,下载许可,将许可导入到设备。 web界面访问后,直接按照配置向导配置就可以了。 1.基本配置里主要配置license、设备名称、设备时间 2.端口配置:连接上

日子_很简单 2万+

Claude Code 与 OpenCode 深度对比及使用指南:TaoToken 统一 Key 接入配置实战

用 TaoToken 统一 Key 接入 Claude Code 与 OpenCode,只需改 settings.json 和 config.toml 两处 apiBase 为 https://taotoken.net/api 即可跑通。本文给出可复制配置骨架、curl 连通性验证与 401/404 报错排查,助你在终端 AI 编程中一步完成多工具 Key 复用。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_35752122的博客 82

Agent本地部署教程详细步骤

在开始之前,你需要明确你要部署的Agent是什么。如果你需要部署其他Agent,请参考其官方文档调整步骤。

weixin_39673931的博客 2493

Vibe Coding 深度实践:用 TaoToken 统一 Key 打通 Claude Code 与 Cursor 全链路

Vibe Coding 落地时,Claude Code 与 Cursor 各配一套 Key 容易额度分散、排障耗时。本文用 TaoToken 统一 API Key,分别写入 settings.json 与 config.toml,两端共享同一模型通道,并给出端到端验证与常见报错排查步骤。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

Ceshi01的博客 12

高通平台开发系列讲解(系统篇)系统关机流程

📢本篇章主要图解高通平台系统关机流程。

内核笔记 3210

STM32 cubeMX配置串口重定向

这篇文章主要讲解什么是串口重定向,为什么要串口串口重定向。使用printf函数和上位机通信是非常的方便的。希望大家都能够掌握。

m0_49476241的博客 4570

AI Coding 零基础实战教程(3)Claude Code 深度使用与进阶技巧:把 settings 改到 TaoToken

Claude Code 进阶配置实战:把 settings.json 权限白名单与三层记忆体系改到 TaoToken,附可复制片段与七步验证动作,从启动到请求成功返回,并排查 401、local proxy failed 等常见报错。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42576186的博客 6

使用Simulink对氢燃料电池与锂电池的混合储能系统进行建模

本文介绍了基于Simulink的氢燃料电池与锂电池混合储能系统建模与协同控制方法。系统通过氢燃料电池提供稳定能源,锂电池实现快速响应,结合DC-DC变换器和负载管理器实现动态调控。详细阐述了从模型创建、关键模块配置到控制器设计的完整流程,重点说明了功率分配算法和充放电控制策略的实现。通过仿真分析验证了系统在不同负载条件下的性能表现,包括响应速度、工作效率和稳定性等指标。该方案为新能源混合储能系统的设计与优化提供了实用指导,有助于提升系统可靠性和延长电池寿命。

amy_mhd的博客 314

AI Coding工具实战指南:Claude Code & Cursor深度实践与TaoToken统一接入

Spring Boot 团队用 TaoToken 统一 Key 打通 Claude Code 与 Cursor:先配 Base URL 与模型 ID,再按项目级 settings.json 和 Cursor 自定义通道接入,最后用 mvn test 验证 Agent 重构。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42509513的博客 180

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Claude Code 安装与配置完整指南(Windows):TaoToken 统一 Key 接入 settings.json 实战

Windows 装 Claude Code 总卡在引导和登录?本文给出可复制的 settings.json 骨架,把 TaoToken 统一 Key 与 API 地址写入配置,跳过首次引导,在 VS Code 终端跑通第一次对话。含 Git、Node 安装链路与五类常见报错排查,官网见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 。

BloodstoneHawk77的博客 161

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

2026深度实测|TaoToken统一Key下Vibe Coding迭代能力对比:Claude Code与TRAE配置实战

用TaoToken统一Key接入Claude Code与TRAE,实测NestJS权限模块的Vibe Coding迭代能力。本文给出settings.json与config.toml可复制骨架,并整理401、local proxy failed等报错排查顺序,帮你固定模型出口、公平对比工具迭代轮数。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_35756624的博客 8

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

用claude-code-router让Claude Code接入DeepSeek:TaoToken统一Key配置实战

用 claude-code-router 把 Claude Code 接入 DeepSeek,只需在 config.json 里配置 TaoToken 统一 Key 与 deepseek transformer,即可用 /model 命令自由切换模型。本文提供可复制配置骨架与六类常见报错排查,助你低成本完成多模型路由。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

Ceshi01的博客 18

2026年4月最新:AI编程模型终极配置指南——TaoToken统一Key接入Claude Code与OpenCode

用一份 settings.json 和 config.toml 骨架,把 Claude Code 与 OpenCode 的模型接入统一到 TaoToken 一把 Key。本文给出可复制配置、逐项验证命令与 401/404 排查清单,覆盖 AI编程模型 多工具场景,改模型只动一处。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

Ceshi01的博客 197

尚硅谷AI Coding教程:用TaoToken统一Key打通Claude Code与Codex Desktop

尚硅谷AI Coding学员常遇Claude Code与Codex Desktop各管一套Key的困扰。本文提供可复制配置,用TaoToken统一Key与Base URL打通两款工具,含settings.json、auth.json、config.toml片段及401、local proxy failed等报错排查。访问TaoToken官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 获取Key。

MorganiteEagle55的博客 152

Windows版Claude Code环境部署:TaoToken统一Key接入与settings.json配置骨架

Windows版Claude Code环境部署卡在接入环节?本文提供TaoToken统一Key接入方案,含可复制的settings.json配置骨架与PowerShell环境变量设置,一步完成API通道配置。通过官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 获取Key,解决国家不支持与鉴权报错,实现请求经统一通道发出。

weixin_42583683的博客 11

【vibe coding 第三部分】Claude Code 深度使用与进阶技巧:Plan Mode 与 settings.json 配置到 TaoToken

Claude Code 进阶工作流:用 settings.json 把 defaultMode 设为 plan,配合 CLAUDE.md 与 Slash Command 固化团队规范,再统一接入 TaoToken 通道。文中给出可复制配置与 401、local proxy failed 等报错排查,官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 。

weixin_35755640的博客 11

深度解析 Claude Code 最佳实践:用 TaoToken 统一 Key 打通 agentic coding 配置链路

用 settings.json 与 config.toml 双配置骨架,把 Claude Code 的 agentic coding 请求统一指向 TaoToken,Key 只维护一份。文中给出可复制配置、curl 连通性验证与 401/404/超时等报错排查清单,换工具无需重配凭证。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42601608的博客 13

AI Coding 零基础实战教程(4)AI技能系统(Skills)深度实践:用 TaoToken 统一 Key 打通 Claude Code 的 SKILL.md 配置

零基础也能上手:在 .claude/skills/ 建 SKILL.md 并配好 settings.json,用 TaoToken 统一 Key 打通 Claude Code 技能系统。本文给出可复制配置与验证请求,确认技能被加载与触发。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42584758的博客 11

2026最新5款AI编程工具vibe coding深度实测:基础版免费也能打,TaoToken统一Key接入实测

实测TRAE、Cursor、Windsurf、Claude Code、GitHub Copilot五款AI编程工具在vibe coding场景的真实差距,并给出TaoToken统一Key接入的可复制配置与401、local proxy failed等报错排查。基础版免费能否撑住完整闭环,一文看清。官网:https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_36431145的博客 77

Claude Code 智能代码审查实战:TaoToken 统一 Key 接入与 settings.json 配置指南

用 TaoToken 统一 Key 接入 Claude Code 智能代码审查,复制 settings.json 配置骨架即可跑通。本文提供完整配置示例、审查验证命令与 401/404 等常见报错排查,帮团队统一模型入口、集中管理额度。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42602726的博客 131

【Claude Code】Claude Code 高效开发实战:16 个技巧 + TaoToken 统一 Key 配置指南

Claude Code 高效开发实战:先建 CLAUDE.md 写清技术栈与常用命令,再按 settings.json 骨架把 ANTHROPIC_BASE_URL 指向 TaoToken 统一 Key 通道,用 claude -p 一句话验证连通。16 个技巧覆盖需求具体化、任务分步、记忆管理与自定义命令,附报错排查清单。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42576186的博客 14
上一篇: Qwen3 详解:从模型结构到本地部署的完整实践指南
下一篇: 记录idea中关于Debug各个按钮的功能和使用:从断点步进到变量观察的完整操作手册
IndigoNight21
博客等级 码龄2年 552粉丝 4094原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

IndigoNight21

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值