开发者在用“打折Claude”,IT 部门知道吗?AI 网关把模型接入管起来

ChatAnywhere聚合AI网关:国内开发者低成本调用GPT/Claude等大模型API实战指南 在人工智能应用开发领域,API网关作为统一接入点,通过标准化协议转换与代理转发机制,解决了多厂商模型服务接入的碎片化问题。其核心价值在于降低技术集成门槛、优化网络访问路径,并实现成本控制。对于开发者而言,这类服务尤其适用于需要快速集成多种AI能力的场景,如智能对话系统、内容生成工具和科研辅助应用。ChatAnywhere作为一个典型的聚合式AI API服务网关,提供了国内优化的中转线路,支持通过统一的OpenAI兼容接口调用GPT、Claude、DeepSeek等主流大模型。该平台采用免费+付费双轨模式,免 阅读详情

有人在网上找到一家提供「打折 Claude」的中转商,装了对方提供的客户端,看着像 Claude Code,用起来也像。

他不知道的是:请求被悄悄转到了另一个模型,配套工具还在偷取他的 Anthropic 账号凭据,再卖给其他中转商。

这是 Anthropic 2026 年 9 月威胁情报报告里记录的 GTG-50021 案例。同一节还描述了另一种持续窃取凭据的手法:恶意客户端留在电脑上,用户换了密钥、重新登录,它就继续收集新的密钥和会话凭据。

如果开发者把这个客户端装在公司电脑上,发给模型的代码会经过哪些服务?这台电脑上还存着哪些可能被窃取的凭据?这些情况,IT 部门能查清楚吗?

图片

01 / MODEL VERIFICATION

买到的究竟是谁的模型

这份报告里,AI 访问权本身已经成了黑产的商品:有人偷密钥,有人转卖账号,还有人用假客户端继续收集凭据,供给下游中转商。

Anthropic 可以封禁涉事账号、公布恶意域名,并改进检测机制。企业内部使用哪些客户端、接入哪些服务,则需要由企业自己管理。

通过第三方渠道接入模型的团队,还需要确认一件事:接口虽然能正常调用,实际提供的模型和功能是否与购买时的承诺一致?

核验模型服务时,除了返回的模型名称,还需要检查接口结构是否符合约定,工具调用、PDF 输入和思考过程等能力是否可用,以及返回的 token 用量是否异常。开源项目 veridrop 提供了这些检测功能,可以将结果与官方基线对比,也支持自托管和通过 API 提交检测任务。

不过,检测到异常不等于发现了造假。比如,多次请求返回的缓存读取量都一样,可能只是因为它们复用了同一段提示内容。要判断计量是否有问题,需要改变用于缓存的内容,观察读数是否随之变化,再用相同请求对比可信渠道的结果。

即使模型确实来自官方,中转站仍可能留存请求。因此,模型来源、计费方式和数据处理方式需要分别核查。

这些工具可以检查供应商提供的模型服务,但一次检测只能反映当时的情况。企业还需要统一维护供应商清单、定期复测并处理异常,同时记录每次调用实际使用的上游,便于后续追查。

02 / FOUR QUESTIONS

企业要查清的四个问题

第一问:密钥在谁手里?

如果开发者从群里复制同一把「公司的 key」,再填进各自的工具配置,一把密钥就可能出现在十几台电脑上。一旦泄露,很难仅凭调用记录中的密钥信息区分使用者;要撤销某个人的访问权限,只能停用这把共享密钥,其他人也得更换配置。

第二问:请求发给了哪家上游?

公司采购了模型服务,开发者却未必都在用。有人可能把工具接到了另一家中转站,也有人用的是个人订阅。IT 部门需要查清楚:大家实际在用哪些服务,公司的代码和数据发给了谁。

第三问:AI 准备执行什么操作?

Claude Code、Cursor 这类工具可以运行命令、修改文件和调用外部服务。判断操作是否安全,需要结合命令内容、运行环境,以及工具持有的凭据和权限。同一条删除语句,在测试库和生产库中执行,后果完全不同。

客户端审批可以拦截部分危险操作,但每位开发者的审批设置可能不同。Claude Code 还提供了 --dangerously-skip-permissions 启动参数,允许用户跳过权限检查。

第四问:发出去的内容里有没有客户数据?

开发者提交给 AI 的排错日志可能包含手机号和访问令牌,SQL 查询结果中也可能包含客户记录。如果请求发出前没有经过内容检查,这些信息就会一并发送给上游服务。

企业通过防火墙控制网络访问,通过统一认证管理账号。接入 AI 工具后,还需要管理模型访问权限、统计调用费用,并在请求发出前检查敏感数据。对于模型生成的命令,则需要在工具执行前检查风险。

图片

03 / OPERATION SAFETY

Claude Code 如何检查 AI 要执行的操作

针对第三问“AI 准备执行什么操作”,Anthropic 在 Claude Code 中提供了 auto 模式,在工具执行前检查操作风险。2026 年 8 月 14 日起,Claude Code 的 Pro、Max、Team 套餐新会话开始默认使用这一模式;用户已经固定的默认设置不受这次变更影响。

auto 模式先根据权限规则处理工具调用,再将需要进一步判断的调用交给分类器,识别破坏性删除、敏感数据外发和危险代码执行等风险。操作被拦截后,Claude 会尝试调整方案;连续被拦截时,则恢复人工审批。

Anthropic 公布了一项受控实验:研究方付费招募了 1,053 名测试人员,在他们执行测试任务的过程中,将一次审批提示中的命令替换为危险命令。人工审批的拒绝率为 13.6%,auto 模式对同一组命令的拦截率为 89%。这一结果表明,在该实验条件下,自动检测比人工审批识别出了更多危险命令,但仍存在漏判。

但 auto 模式只在 Claude Code 中提供。如果团队还在用 Cursor 或自研 agent,公司怎样才能让这些工具遵守同一套安全规则?

我们的答案是将模型请求统一接到网关,在请求发出、结果返回时按规则检查,并同时检查模型要求工具执行的操作。不过,网关看不到开发者电脑上的全部情况。命令能访问哪些文件、能不能修改生产数据库,还得靠本地权限、沙箱和数据库授权来限制。

04 / GATEWAY GOVERNANCE

网关可以管什么

要实现这样的统一管理,企业需要在各类 AI 工具和上游模型服务之间建立统一的接入与治理入口。ZStack Zentrix 正是面向这一场景设计的企业级 AI 网关:它将原本分散在各个工具中的模型配置和访问凭据集中起来,由管理员统一配置可用模型与上游服务,开发者则使用企业分发的密钥发起调用。

在此基础上,可以通过密钥管理、路由策略、内容护栏和调用记录,对请求进行策略检查,并持续记录调用方、实际使用的上游和用量,为费用核对与异常排查提供依据。

图片

密钥:上游凭据由管理员保管

管理员在网关中配置上游供应商的密钥,开发者使用网关签发的访问密钥。网关收到开发者的请求后,使用对应的上游凭据调用模型服务。

管理员可以为不同人员和应用分别签发密钥,以便区分调用来源,并在需要时单独撤销某一把密钥,不影响其他使用者。

网关密钥被窃取后仍可能被冒用,但攻击者无法直接从中取得上游密钥。管理员可以限制这把密钥的权限和额度,或直接撤销它。如果电脑已经安装了开头提到的恶意客户端,还需要清除恶意软件,并检查其他凭据是否泄露。

上游:按供应商和模型分别核验

模型核验需要按“供应商 + 模型”分别进行。比如说,一家供应商提供的 Sonnet 没有问题,但是 Opus 可能被注水了。

为此我们设计了五级探针,分别检查接口格式、token 计量、实际能力、签名和回答特征,并根据模型及接入渠道选择适用的检测项:

01 接口格式。 比对响应字段、消息标识、结束原因和错误格式,寻找协议转换留下的异常特征。例如,响应中出现另一家模型服务特有的字段,就会被记录为核查线索。对于云平台封装的接口,按对应渠道的格式比对,避免把正常的协议差异判为异常。

02 token 计量。 用一组固定的中文、代码、空白和数字内容发起测试,将返回的 token 数与可信渠道的基线比较,同时对照相同条件下流式与非流式请求的用量。基线按模型和接入渠道匹配,用于发现计数偏差,以及只在某一种请求方式下出现的异常。

03 实际能力。 根据模型声明支持的能力,分别测试思考过程、提示缓存、工具调用和图像输入。例如,重复发送满足缓存条件的请求,检查是否命中缓存;指定工具调用,检查返回的工具名和参数是否符合约定。检测结果列出未通过的项目及响应证据,供管理员定位能力缺失、配置或协议适配问题。

04 签名往返。 对支持思考签名的接口发送两组请求:一组原样传回模型返回的思考块,另一组修改其中的签名,再比较上游是否接受。以 Claude 为例,signature 字段承载加密后的完整思考内容。探针按对应接口的校验规则比对结果,检查原始内容能否正常使用、篡改是否被识别。

05 回答特征。 向待测服务和可信渠道发送同一组固定提示,比较回答与参考输出的差异。考虑到模型输出的波动和版本变化,将这项结果作为辅助证据,与前几项检测结果一并展示,不单独据此判定模型身份。

但如果中转站将测试请求原样转发给官方服务,同样可能通过签名检测。因此这些测试结果只代表本次测试中上游对签名的校验情况,而不能反应中转站是否留存请求,也没法检测出日常调用实际使用的模型。

我们计划在供应商页面展示各级检测结果和依据,并提供手动核验与定期核验功能。发现异常后,由管理员调查原因,决定是否联系供应商或停用服务,系统不自动切换路由。

操作:检查模型返回的工具调用

模型通常以结构化数据返回工具调用,其中包含工具名和参数。如果响应经过网关,且网关支持解析对应协议,就可以在客户端收到工具调用前检查这些内容。

我们在网关返回工具调用前加入分类器,结合用户请求和待执行操作,检查下载脚本后直接运行、敏感数据外发、破坏性删除、生产变更、权限提升和凭据暴露等风险。

例如,开发者要求 AI 清理测试数据,但模型返回的命令包含已知的生产数据库地址。配置相应规则后,网关会将这次操作交给分类器判断;如果判定需要拦截,网关将停止向客户端返回该工具调用,并向模型说明原因,要求重新生成方案。

模型重新生成的操作仍需接受检查。按当前设计,一次响应最多重试三次,达到上限后仍未通过检查,则停止重试并提示用户。分类器超时或不可用时,系统按管理员配置的故障策略处理。分类和重新生成都会产生额外调用及费用。

管理员还可以配置内部域名、仓库、存储桶等信息,帮助分类器识别操作涉及的系统。即使目标是内部系统,也需要检查操作是否越权,例如接收数据的系统是否有权保存这些敏感信息。

操作检测在服务端执行,不受开发者本地审批设置的影响,检查范围限于经过网关、命中规则且能够解析的工具调用。客户端自行执行的操作和绕过网关的请求不在检查范围内,分类器也无法使用请求中未提供的本地环境信息。

内容与记录:按策略检查,按调用追溯

管理员可以通过策略检查请求中的敏感信息,并选择脱敏或阻断。模型响应也可以纳入检查,具体范围受协议和输出方式限制,部分规则仅支持非流式响应。

通过调用记录、路由记录和用量数据,可以查询谁调用了哪个模型、请求是否成功、消耗了多少 token。

将检测结果与调用记录关联后,管理员可以根据敏感信息命中记录查询调用方、上游和处理结果,也可以从应用费用追溯到具体调用。

05 / ENTERPRISE DEPLOYMENT

网关如何接入企业环境

网关放在哪里?

Zentrix Gateway 支持私有化部署,调用记录保存在企业自己的机房或云环境中。模型请求发送给管理员配置的上游服务,操作检测所需的上下文则发送给所选分类器。相关数据是否离开企业环境,取决于这两类服务的部署位置。

会增加多少延迟?

真伪核验旁路独立运行,业务请求无需等待检测完成,但检测本身会消耗上游调用额度。操作检测设计了两种模式:「仅记录」模式异步检查,响应返回不等待检测结果;「拦截」模式先检查再放行,发现风险时会要求模型重新生成方案。后者会增加分类器判断和模型重试的耗时,具体延迟随分类器响应速度、工具调用数量和重试次数变化。

会不会成为单点?

网关的可用性由转发服务、负载均衡、存储和上游服务共同决定。多副本部署可以降低单个网关实例故障的影响,但存储和上游服务仍有各自的故障风险。控制台故障期间能否继续转发请求,则取决于数据面是否能够独立使用已有配置。

怎么让开发者实际走网关?

对于支持自定义模型接口的客户端,开发者使用网关地址和公司分发的访问密钥接入,上游供应商的密钥由网关统一保管。模型调用、流式输出和工具调用通过网关支持的协议转发,具体覆盖范围随客户端功能和登录方式而有所不同。

个人订阅和其他直连渠道不经过网关,也不受网关策略约束。这部分访问由企业的终端策略和网络出口规则控制。

国产模型能不能一起管理?

国产模型同样使用统一的供应商配置、路由策略和用量统计。内容护栏按接口支持的协议生效;在模型核验方案中,各类模型采用对应的参考基线,签名检测仅用于支持该机制的模型。

06 / UNIFIED MANAGEMENT

从个人接入到企业统一管理

接入网关后,开发者使用各自的访问密钥,管理员统一配置上游和访问权限。发现异常调用时,管理员可以查记录、撤销凭据,再决定是否调整供应商或规则。

开头的假 Claude 案例中,用户购买模型服务,却安装了窃取凭据的恶意软件。风险同时存在于客户端、模型供应商和请求传输过程,仅确认模型能够正常调用,很难发现这些问题。

AI 网关将分散的模型接入纳入统一管理,企业可以查询调用方、上游、用量和检测结果,也可以集中调整凭据与访问策略。网关负责模型调用的管理和检查,终端防护负责识别恶意软件,操作系统和数据库负责限制执行权限,各自处理不同环节的风险。

Zentrix Gateway 提供企业模型接入、凭据管理、路由策略、内容护栏和调用记录。模型真伪核验与操作检测将按上述方向继续推进。欢迎联系我们,了解接入方式与演示。

AI网关实战:多模型接入治理与生产落地全方案 随着企业业务深度集成大模型能力,同时接入多家模型厂商的服务已成为常态,但多模型管理带来的协议差异、密钥散落、成本混算等问题也随之凸显。AI网关作为一种介于业务应用与模型提供方之间的统一代理层,通过引入逻辑模型名实现智能路由与一键切换,同时提供统一鉴权、可观测性、限流熔断与成本治理能力,成为解决这些问题的关键基础设施。在智能客服、企业知识库、内容生成等典型场景中,AI网关不仅能实现模型的灰度发布与故障逃生,还能通过Token级计量与预算配额有效控制成本。本文基于真实生产实践,系统梳理了从原型验证到生产落地的关 阅读详情

相关推荐

Claude 接入全指南:Web、API、命令行、IDE 与避坑策略

AI 助手正在从单一聊天窗口演变为覆盖多种工程场景的技术工具矩阵,其核心在于不同入口对应截然不同的能力边界与使用方式。理解 API 集成、命令行编程代理等基础概念,是高效利用 AI 能力的前提:API 提供程序化调用接口,允许开发者将模型嵌入自有系统;而编程代理则进一步借助本地项目上下文,自主完成代码修改与任务执行。这类工具的技术价值体现在显著降低开发门槛、加速自动化流程落地,尤其适用于项目重构、批量文本处理及 IDE 内的人机协作。面对安装报错、订阅权限、Token 成本等工程实践问题,掌握通用排查思路与

weixin_34101784的博客 406

Claude Code Router 接入 DeepSeek 指南:一个网关管全部模型路由的完整方案

你要把 Claude Code 接到 DeepSeek 时,真正卡住你的往往不是"能不能通",而是接通之后那一堆琐事:换模型要改配置、失败没有回退、用量看不到、不同客户端各配各的。Claude Code Router(CCR)就是一个本地模型网关:它给所有 Agent 提供 `127.0.0.1:3456` 这一个固定入口,把 DeepSeek 这类上游的模型路由、凭据管理、失败回退和请求日志都收

gitblog_00179的博客 973

Codex插件化集成:让OpenAI代码能力无缝接入Claude Code

AI编程辅助正从单一模型调用转向可组合的工具链架构。插件化(Plugin-based Integration)作为一种轻量、解耦、可扩展的技术范式,使开发者能将不同厂商的AI能力(如OpenAI Codex的代码生成、Claude的推理分析)按需嵌入VS Code等主流编辑器,无需切换平台或锁定供应商。其核心原理在于标准化协议适配——通过兼容OpenAI chat.completions响应格式的服务端点,实现跨模型能力的统一调度与可观测性。这种设计兼顾工程可控性与开发体验,支撑真实场景下的多阶段协作:上下

weixin_33901641的博客 354

Claude Code Router 本地模型网关:一个入口管齐你的 AI 编程 Agent

**Claude Code Router(CCR)是一个本地模型网关**:让 Claude Code、Codex、Kimi CLI 等 AI 编程 Agent 都连到同一个本地入口,由它统一完成请求路由、协议转换、故障降级与用量观测,你只需在一个面板里管理供应商、模型和路由规则。 ## 为什么需要这样一个网关 如果你同时用过 Claude Code、Codex、Kimi CLI 这类编程 Ag

gitblog_00041的博客 906

Command Code GOAT 深度解析:10 美元用 30 个模型的聚合网关怎么选

在 AI 编程和模型调用日益频繁的今天,开发者常面临多模型切换成本高、API 对接复杂、预算失控等痛点。模型网关作为一种聚合层技术,将不同供应商的模型统一收口到单一接口,通过统一鉴权、路由和计费机制,让模型名成为可配置的字符串参数。这种模式降低了多模型混合使用的决策成本,同时借助额度池实现了成本可控。从代码生成、Agent 编程到多模型对比评测,聚合网关都提供了更灵活的工程实践路径。以 Command Code GOAT 为例,它不仅覆盖了 30 个主流模型,还通过 $10 换 $70 的额度套餐进一步优化

weixin_30388677的博客 465

OpenRouter与Netlify AI Gateway集成:统一API网关解决多模型接入难题

在AI应用开发中,API网关作为统一入口,通过标准化接口封装底层服务的复杂性,是现代微服务架构的核心组件。其核心原理是提供请求路由、协议转换、认证鉴权和负载均衡等功能,将开发者从繁琐的底层协议适配中解放出来。这一技术价值在于显著降低了系统集成与维护成本,提升了开发效率与架构灵活性。在AI模型服务领域,面对GPT-4、Claude、Llama等不同厂商API的**碎片化**问题,这种统一接入层的需求尤为迫切。OpenRouter正是扮演了“AI模型聚合网关”的角色,它对外提供与OpenAI兼容的标准化接口,对

weixin_34236869的博客 379

一行代码,让 Claude Code / Gemini / Codex 接入任意 LLM

Nyro是一款专为AI Agent设计的原生网关工具,由Apache APISIX开发者帅进超主导开发。它解决了当前AI Coding Agent面临的多协议兼容问题,支持将Claude Code、Codex CLI等工具无缝接入100+LLM提供商。通过协议重写和跨协议适配,Nyro实现了毫秒级转换,并提供负载均衡、语义缓存等功能。相比传统需要修改多个配置文件的繁琐流程,Nyro只需三步操作即可完成模型接入,显著降低了开发者的使用门槛。该工具支持macOS/Windows/Linux全平台,提供桌面客户端

shuaijinchao的博客 1278

Claude Code启动提速与模型配置实战指南

AI编程代理工具正在成为开发者日常 workflow 的重要组成部分。这类工具不再局限于简单的问答,而是能够直接读取项目文件、执行命令、生成代码补丁,甚至完成跨文件的连续性编码任务。其底层原理涉及冷启动链路优化、文件扫描缓存、异步会话恢复等技术,这些设计直接影响工具在大型项目中的响应速度和可用性。在工程实践中,合理的配置管理与模型接入是发挥工具价值的关键,尤其是通过 settings.json 灵活设置 API Key、自定义模型接口,以及利用 VSCode 插件与 CLI 的无缝协同,都能显著提升开发效率

weixin_33834910的博客 385

AI网关实战:统一管控多源Claude接入与模型治理

大语言模型(LLM)已成为企业智能应用的核心基础设施,其调用管理正从集中式IT采购转向开发自治模式。理解AI网关原理,是实现模型接入合规、成本可控、数据安全与可观测性的技术前提——它本质是面向LLM的API操作系统,覆盖协议适配、动态路由、PII脱敏、用量审计等关键能力。在金融、医疗、电商等强合规场景中,AI网关支撑打折Claude等多渠道模型的安全接入,同时解决密钥泄露、版本漂移、计费不可分摊等典型落地风险。本文聚焦LiteLLM网关落地实践,提供可插拔架构、成本分摊策略与生产级避坑指南。

weixin_29079671的博客 251

2026年Claude API调用实战指南:认证、签名与网关集成

API调用已从基础HTTP请求演进为融合身份认证、动态鉴权与服务网格能力的工程实践。在大模型API治理日益严格的背景下,理解Token之外的多因子认证(如client_id与HMAC签名)、TLS 1.3强制握手、上下文熔断机制等底层原理,成为保障稳定性的技术前提。其核心价值在于提升AI服务的可观测性、合规性与故障隔离能力,广泛应用于企业级AI中台建设、IDE智能插件开发及CI/CD自动化测试等场景。本文聚焦2026年Anthropic最新生产规范,详解SDK直连、API网关与CLI工具链三类落地路径。

com_xpp的专栏 404

LLM网关TTFT性能对比:自建网关vs OpenRouter在Claude-haiku上的实测分析

TTFT(Time To First Token)是衡量大语言模型响应速度的核心指标,它反映了从请求发送到收到首个token的时间间隔。在流式对话场景中,TTFT直接决定用户体验的流畅度,相比整体延迟更能影响用户的初始感知。通过优化网关层的网络路由、连接池管理和请求预处理,可以显著降低TTFT延迟。本次测试聚焦Claude-haiku模型,对比自建LLM Gateway与OpenRouter在150次请求中的TTFT表现,为实时应用开发提供网关选型参考。结果表明,合理的网关配置能有效平衡性能与成本,特别是在

weixin_26801149的博客 278

Claude Code替代方案全解析:从DeepSeek接入到本地模型选型指南

AI编程助手已经从单纯的代码补全进化为终端Agent形态,后者通过理解仓库结构、自主执行命令和修改文件,实现了从“人工指挥工具”到“意图驱动执行”的范式转变。这种技术价值体现在复杂任务的处理效率上,也让开发者对模型自主权、成本控制和本地化部署提出了更高要求。在实际应用中,无论是想接入DeepSeek等国产模型,还是通过Ollama/vLLM使用本地模型,亦或是寻找Claude Code的开源平替,都需要理解不同工具在终端交互层、Agent任务层和模型接入层的差异。本文围绕终端Agent的核心原理,梳理Ope

weixin_30460489的博客 350

ad23新版Geber导出-官方教程(22.11版本后)

AD23新版本geber文件导出(含官方教程)-22.11之后的版本均可用此教程

安和的博客 3万+

AI网关实战:统一管理OpenAI/Claude多源模型调用

AI网关是现代AI基础设施中实现协议兼容、安全治理与成本可控的核心中间件。其本质是将分散的模型调用(如OpenAI、Claude及各类量化/代理版本)纳入统一入口,在不改变开发者使用习惯的前提下,完成协议转换、路由分发、策略执行与全链路审计。通过标准化REST API兼容、模型级策略隔离和token级计量能力,网关支撑起企业级AI治理——既保障金融、客服等场景的合规输出,又释放‘打折模型’在非敏感任务中的降本潜力。本文聚焦生产级AI网关的设计逻辑、协议适配细节与可观测性落地,覆盖Claude与OpenAI请

weixin_42628941的博客 132

SMIC Memory配置与Library Compiler实战:从lib到db的高效转换

本文详细介绍了SMIC Memory Compiler的配置要点与使用Library Compiler将.lib文件高效转换为.db文件的完整流程。文章深入解析了关键配置参数对性能和面积的影响,并提供了从交互式操作到自动化脚本的实战指南,帮助数字芯片设计工程师顺利完成存储器模型的生成与集成,确保Design Compiler能正确调用。

weixin_28314575的博客 336

Java开发者的福音:Aspose 25.10全系列(Cells/Words/PDF/Slides)最新版破解与集成保姆级教程

本文为Java开发者提供了Aspose 25.10全系列组件(Cells/Words/PDF/Slides)的最新版破解与集成保姆级教程。通过详细的Maven依赖配置、字节码修改技术绕过限制,以及Spring Boot项目中的实战集成指南,帮助开发者高效实现Office文档处理功能,提升开发效率。

weixin_30919429的博客 349

Claude Code从安装到实战:环境配置、报错排查与DeepSeek接入全攻略

终端编程助手正在改变开发者的日常编码方式,它通过命令行直接读取项目上下文,在对话中完成跨文件修改。其核心原理是启动时收集当前目录结构,基于自然语言生成代码改动,并通过git diff供人工审查。这类工具的技术价值在于降低重复操作成本,提升代码理解和修改效率,特别适合理解陌生项目、批量重构、快速补测试等场景。实际落地中,开发者常因Node.js版本、npm镜像源、PATH配置或账号权限等问题卡在安装环节,而claude不是内部或外部命令、native binary not installed等报错往往源于环境

weixin_32228501的博客 252

ESP32-P4实战:LVGL V9.4 PPA加速配置与性能对比

本文详细介绍了如何在ESP32-P4平台上配置LVGL V9.4的PPA硬件加速功能,通过启用PPA加速显著提升图形处理性能并降低CPU占用率。文章包含环境准备、配置步骤、性能对比及常见问题解决方案,帮助开发者高效利用ESP32-P4的PPA加速器优化嵌入式GUI应用。

rice5的博客 1193

Claude Code自定义模型接入指南:从原理到实操

在终端AI编程助手的应用浪潮中,模型接入方式直接决定工具的灵活性与安全性。Claude Code作为一款能自动读代码、改文件、执行命令的智能编程代理,其默认依赖官方模型,但面对私有化部署、成本控制与数据合规等需求时,自定义模型接入便成为关键能力。本文从接口协议与配置原理出发,解析通过环境变量和API网关将Claude Code对接本地模型服务的完整链路,涵盖SSE流式响应、工具调用转换等核心机制,并结合一次实操演示如何利用网关实现Anthropic消息格式与OpenAI兼容服务之间的转换,为开发者提供可落地

weixin_33816300的博客 452

平面变压器PCB绕组设计实战:从原理到布局的工程考量

本文深入探讨了平面变压器PCB绕组设计的工程实践,从基础原理到布局优化,涵盖了电流密度、层间绝缘、绕组拓扑结构等关键参数。通过实战案例分享,解析了高频应用中的集肤效应、邻近效应等挑战,并提供了热管理和EMC优化的实用技巧,助力工程师在服务器电源、车载充电器等空间敏感场景实现高效设计。

weixin_42666036的博客 461

华为OD机试真题 新系统 2026-09-26 Java&Go&C【数据中心最佳维护时间窗】

数据中心使用一个整数数组 scores,记录 N 小时内每小时的服务器得分(可正可负)。0 表示服务器故障(无效小时)。

MISAYAONE的博客 117

AI编程新范式:Claude Code与智能体开发实践指南

AI编程正从代码补全迈向自主执行的新阶段。以Claude Code为代表的编程智能体,不再局限于编辑器内的辅助功能,而是能够理解任务、规划步骤、修改文件并执行命令,形成完整的开发闭环。这种技术变革意味着开发者的核心能力正从“写代码”转向“定义意图与审查结果”,提示词工程成为新的沟通成本。Claude Code作为命令行智能体,擅长处理项目脚手架搭建、跨文件重构、自动化测试与Bug修复等场景,帮助团队显著提升工程效率。与此同时,安全与代码审查在引入智能体后变得更加关键,最小权限原则和流程规范是落地的基石。本文

weixin_34353714的博客 386

2023年下半年网络工程师案例分析真题答案解析

R1] ip route-static 0.0.0.0 0.0.0.0 GigabitEthemet2/0/1 (3) track (4) R1 to R2 //配置R1的缺省路由,联动BFD使得R1到2的流量优先走R1->S1->R2链路,当此链路发生故障时,流量切换到R1->R3->R2链路上。当同一VLAN内也需要网络隔离时,我们可采用交换机的(2)功能,若在配置了二层隔离后,部分主机有互通的需求,则可在需求主机的网关上配置(3)功能。不需要,MAC地址是数据链路层封装以太帧的地址标识。

鹿鸣天涯 754

AI网关实战:多模型管理的架构演进与落地避坑指南

随着大模型API日益丰富,业务系统接入多个模型已成为常态。如何统一管理不同模型的路由、鉴权、计费与容错,成为AI应用工程化的关键挑战。AI网关作为模型接入的统一控制层,通过协议转换、动态路由、重试熔断、成本观测等机制,有效解决了多模型接入碎片化、治理缺失和稳定性不足等问题。本文结合真实客服问答系统案例,梳理从原型验证到生产落地的演进路径,分享技术选型、性能调优、安全防护及避坑经验,帮助开发者在多模型环境中实现高效、可控、可观测的模型调用管理。

weixin_34248023的博客 408

某东x-api-eid-token风控参数分析与破解

x-api-eid-token是京东的风控参数,在接口当中,如果没有该参数,有一定的概率能请求成功,但是在请求一段时间后,会报403权限失败的,该参数主要通过jsTk.do这个接口生成,并且会将其存储到cookie当中。

zhouzhou_98的博客 1553

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")

AI应用开发新选择:一键管理OpenAI/Claude/Gemini等API密钥

本文介绍了如何在星图GPU平台上自动化部署‘通过标准的 OpenAI API 格式访问所有的大模型,开箱即用’镜像,实现多模型统一调用。用户无需修改业务代码,即可用一套OpenAI接口无缝接入OpenAI、Claude、Gemini等模型,典型应用于AI客服对话、法律文档分析与营销文案生成等场景。

weixin_33562004的博客 206

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

上一篇: 没有物理服务器也能部署 ZSvirt:qcow2 与 OVA 镜像包来了
下一篇: 虚拟化观察 第 002 期:VMware Explore 2026 落幕,AI Factory 登场;Proxmox 一周两官宣;微软补丁日 974 个漏洞创纪录
ZStack开发者社区
博客等级 码龄2年 682粉丝 257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
 
 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
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