我给 Claude Code 写了个 MCP Server,让它自己上蓝耘挑模型干活

作者:Halcyon.平安日期:2026/10/15

一个 API Key、49 个模型、100 来行 Python——现在我的 Claude Code 会自己决定:这活该雇便宜的,还是该请旗舰。

写在前面

用 Claude Code 干活的人大概都有过这种时刻:让它写段代码,它写得挺好;但你突然想让它"再问问 Kimi 的意见",或者"拿个便宜模型把这 20 条文案批量改了"——然后就尴尬了。

Claude Code 不是只有一个脑子吗?

其实 MCP(Model Context Protocol)就是干这个的:给 Claude Code 挂工具。那我能不能写一个工具,把蓝耘元生代 MaaS 平台上的模型柜台整个搬进来——Claude 想用哪个模型,自己看着挑?

听着有点绕:AI 里的 Claude,指挥蓝耘上的 GLM、Kimi、DeepSeek 干活?

结论先放:能,而且好用。下面把整个过程拆给你看:怎么写这个 Server、怎么接入、以及三个真实任务的实测数据——包括 Claude 自己把一次翻译任务派给了最便宜的模型,把找 bug 的活派给了重推理档,一分钱没多花。

一、先看效果

三个任务,同一个 Claude Code,全程我没指定过一次模型名:

任务Claude 自己挑的模型Token 消耗它给出的理由
翻译一句话glm-5.3-flash(轻量档)1,157“翻译属于轻量场景,用旗舰纯属杀鸡用牛刀”
找出 Python 代码 bugdeepseek-v4-pro(重推理档)5,534“flash 怕粗心漏掉控制流陷阱,重推理档最合适”
三模型同题对比glm-5.3-flash + deepseek-v4-pro + kimi-k312 次调用共 25,351两代探针双轮对照,抓到幻觉苗头并被检索压制

它不是瞎挑的。每次调用前它都会先看一遍蓝耘的模型清单和定位说明,再根据任务难度下单。这就是这篇文章要做出来的东西。

二、要解决什么问题

先说痛点。想在 Claude Code 里用上别家模型,传统玩法是人肉搬运:

  1. 开个浏览器,登 xxx 官网,把代码粘进去,问一遍;
  2. 再开个 DeepSeek,同样的内容再粘一遍;
  3. 觉得 glm 也该问问,第三遍;
  4. 想对比 token 花费?去三个控制台各查一遍账单。

来回切换窗口、反复复制粘贴、每个平台管一套 Key——我管的 Key 已经够多了,实在不想再养三个。

更深一层的问题是:什么时候该用哪个模型,本来就不该是人来记的。“改条文案还要动用旗舰模型"和"重要决策只问一个便宜模型”,本质是同一个错误:派活不看难度。这种判断,让 Claude 自己做最合适——它手里就有任务上下文,它知道这活轻还是重。

所以目标很明确:

  • 一个 MCP Server,把蓝耘的模型清单和调用能力包成两个工具;
  • Claude 干活时自己决定:这个子任务派哪个模型、要不要多问几家;
  • 每次调用自动带回首付账单(token 消耗),成本可见。

三、为什么选蓝耘元生代

市面上能拿到大模型 API 的路子不少,我把常见的几条摆一摆:

方案要管几个 Key模型切换适合场景
直连各厂商官网 API一家一个,越多越多每家一套接入方式只深度用某一家
海外聚合平台1 个统一接口,但国内访问和计费是个坑有海外支付手段的团队
本地部署开源模型不用 Key,但要管 GPU换模型=重新部署数据绝对不能出门
蓝耘元生代 MaaS1 个改一个字符串就换模型需要多模型、按量付费

我这次选蓝耘,理由很具体:

1. 模型够多且都是当打型号。 GET /v1/models 拉下来 49 个,GLM-5.3 全家、Kimi-K3、DeepSeek-V4 系列、通义 Qwen3.8-Max、MiniMax,还有个 automodel 智能路由聚合模型——文本、语音、视频生成模型都在一个柜台里。

2. OpenAI 兼容协议。 这意味着 Server 里就是标准的 chat/completions 调用,没有任何专有 SDK,代码可读性拉满。

3. 换模型零成本。 网关层屏蔽了各家差异,model 字段从 glm-5.3-flash 改成 kimi-k3,其他一行不用动。这对"让 Claude 自己挑模型"是决定性的:挑选动作被简化成了一个字符串。

4. 用量可查。 每次调用的 usage 会返回,控制台还有调用记录和用量统计,写文章对账方便。

需要说明的是:各家厂商自己的 API 用起来也都不难,蓝耘的核心价值是把"多模型"这件事的复杂度从 N 压到 1——一个 Key、一个 base_url、一套计费。你要是只用某一个模型,直连官方也很好;但只要任务里出现"第二个模型",统一网关就开始省钱省心了。

四、MCP Server:100 行代码,两个工具

设计思路一句话:把蓝耘的模型清单做成"菜单",把调用做成"下单",剩下的判断交给 Claude。

1lanyun-mcp/
2├── lanyun_mcp.py   # Server 本体,约 100 行
3└── mcp.json        # Claude Code 接入配置
4

依赖只有官方 MCP SDK(pip install mcp),调用蓝耘用 Python 标准库 urllib,不引入任何第三方 HTTP 客户端——读者复制粘贴就能跑。

工具一:list_models(看菜单)

先解决"Claude 怎么知道有哪些模型、各自什么定位"。直接透传 49 个裸 ID 意义不大,所以 Server 里内置了一份定位标注,挑模型前 Claude 先看这个:

1MODEL_NOTES = {
2    "glm-5.3-flash": "智谱轻量档:响应快、价格低,适合翻译、改写、批量粗活",
3    "glm-5.3": "智谱旗舰:百万上下文 + 128K 输出,复杂推理、大代码库分析",
4    "kimi-k3": "月之暗面旗舰:1000K 上下文,多文档交叉比对、长资料研判",
5    "kimi-k2.7-code": "Kimi 代码特化版:整库开发、代码智能体任务",
6    "deepseek-v4.1-flash": "DeepSeek 轻量档:便宜耐造,日常问答、结构化提取",
7    "deepseek-v4-pro": "DeepSeek 重推理档:数学、逻辑推演类任务",
8    "qwen3.8-max": "通义旗舰:多模态解析、复杂长任务",
9    "minimax-m3": "MiniMax 旗舰:Agent 与工具调用任务",
10    "automodel": "蓝耘智能路由聚合模型:一个入口自动调度多款模型",
11}
12
13@server.tool()
14def list_models() -> str:
15    """列出蓝耘元生代当前可调用的模型清单及定位说明,挑模型前先看这个。"""
16    data = _lanyun_api("/models")
17    ids = sorted(m["id"] for m in data.get("data", []))
18    lines = [f"蓝耘元生代当前共 {len(ids)} 个可用模型。常用文本模型定位:"]
19    for mid, note in MODEL_NOTES.items():
20        if mid in ids:
21            lines.append(f"- {mid}:{note}")
22    # ……其余模型原样列出,完整清单以接口实时返回为准
23    return "\n".join(lines)
24

注意最后一行注释:模型清单以接口实时返回为准,标注只是参考。平台模型迭代很快(我拉到的列表里 DeepSeek 已经是 v4.1 了),把清单写死在代码里注定过时,所以每次都实时调 /v1/models,标注和实时列表取交集——标注的模型下架了也不会误导 Claude。

工具二:chat(下单)

调用本身是标准的 OpenAI 兼容请求,唯一的花头是把 usage 带在返回结果末尾,让 Claude 用完就知道花了多少:

1@server.tool()
2def chat(model: str, prompt: str,
3         system_prompt: str = "你是一个简洁专业的中文助手。") -> str:
4    """调用蓝耘元生代上的指定模型完成一次对话,返回模型回复和 token 消耗。"""
5    result = _lanyun_api("/chat/completions", {
6        "model": model,
7        "messages": [
8            {"role": "system", "content": system_prompt},
9            {"role": "user", "content": prompt},
10        ],
11    })
12    content = result["choices"][0]["message"].get("content", "")
13    usage = result.get("usage", {})
14    return (
15        f"{content}\n\n---\n"
16        f"[模型 {model} | 输入 {usage.get('prompt_tokens', '?')} tok / "
17        f"输出 {usage.get('completion_tokens', '?')} tok / "
18        f"合计 {usage.get('total_tokens', '?')} tok]"
19    )
20

底层封装 _lanyun_api() 做了两件朴素的事:从环境变量读 LANYUN_API_KEY(Key 不进代码、不进配置文件),以及把平台的原始报错透传出去——404 是模型名不对、402 是余额不足、401 是 Key 无效,Claude 看到原始报错自己就能处理,不用我预先翻译。

两个工具,就这么点东西。没有路由引擎、没有调度框架——"挑哪个模型"这个决策本来就该 Claude 做,Server 只需要把菜单和电话递过去。

五、接入 Claude Code

从注册到跑通,三步,十分钟以内。

第 1 步:注册蓝耘,创建 API Key

先去蓝耘元生代 MaaS 平台(https://maas.lanyun.net/)注册账号。首页右上角注册入口,手机号验证码登录,流程和其他云平台一致,两三分钟的事。

登录后进控制台,找到 API Key 管理,点创建,生成一串 sk- 开头的密钥。这个 Key 就是打开整个模型柜台的钥匙——49 个模型一个 Key 全带走,不用像直连厂商那样挨家注册挨家领 Key。

两个提醒:

  • Key 只在创建时完整展示一次,及时保存;泄露了随时可以在这里作废重建;
  • 建议顺手看一眼控制台的余额/资源包页面。平台对新用户有免费 Token 额度,本文全部实测加起来三万来个 token,免费额度绰绰有余,不充值也能把本文流程完整跑一遍。

第 2 步:注册 MCP Server

一行命令把 Server 注册进 Claude Code(Windows 下):

1claude mcp add lanyun-maas -s user ^
2  -e "LANYUN_API_KEY=你的Key" ^
3  -- python "F:/你的路径/lanyun_mcp.py"
4

-s user 表示注册到用户级配置,任何目录开的 Claude Code 都能用;-e 把 Key 作为环境变量传给 Server 进程,Key 只存在于你本机的 Claude 配置里,不出现在任何代码文件中。

第 3 步:验证连接

新开一个 Claude Code 会话,输入 /mcp,看到 lanyun-maas ✔ Connected 就成了(开篇效果展示那样)。

六、实测三连

下面三个任务全部真实执行,模型全部由 Claude 自己挑选,我只提供任务描述。

场景一:一句翻译(轻活,看它会不会省钱)

我的原话是:

把「统一网关就像小区的快递柜,一家一个入口太乱,不如全楼共用一个」翻译成地道的英文。先看有哪些模型可用,然后你自己挑一个最便宜、够用的。

Claude 先调了 list_models,然后选了 glm-5.3-flash,理由原文:

这次调用 1157 token,轻量档价格。

场景二:找 bug(重活,看它会不会请专家)

我给它一段有 bug 的 Python(累加得分取 Top-K,bug 是缩进错误导致累加结果每轮被覆盖):

1def find_top_k(items, k):
2    result = {}
3    for name, score in items:
4        if name in result:
5            result[name] += score
6        result[name] = score      # bug:这行不在 else 里,每轮都执行,覆盖累加值
7    return sorted(result.items(), key=lambda x: x[1], reverse=True)[:k]
8

这次 Claude 给出的答案如下

49 个模型里,这个任务是「6 行代码里找一个隐蔽的逻辑 bug」——不需要旗舰大上下文,flash 档又怕它粗心漏掉这种控制流陷阱,选 deepseek-v4-pro(重推理档,专吃逻辑推演)最合适。

模型不但找出了 bug,还自己走了一遍控制流:拿 [("a", 1), ("a", 2)] 演示——第一条进字典得 1,第二条累加成 3、随即又被覆盖回 2。结论一针见血:重复出现的 name 只保留最后一次 score,聚合完全失效。修复给了两种写法:加个 else,或者干脆一行 result[name] = result.get(name, 0) + score。

这次调用 5534 token。 和场景一对比:Claude 真的在按活儿轻重派单。

场景三:验证「RAG 能减少幻觉」(Claude 不但组了队,还自己设计了实验)

第三个任务我只给了一句话:

我想验证一个说法:「RAG 通过检索外部知识再生成,能减少大模型幻觉」。挑 3 个不同厂商、不同定位的模型,用完全相同的问题分别调用,对比答案差异和 token 消耗。

结果 Claude 接到活先泼了盆冷水:它指出 chat 工具是纯 prompt 进出,蓝耘的模型不会联网检索,所以"RAG"只能模拟——把检索到的资料塞进 prompt 当上下文;而且光"三个模型问同一题",比出来的是模型间差异,验不出 RAG 这个变量本身,得有对照组。跟我确认了三个设计选项后,它定了方案:

编一个不存在的 Clang 参数 -fsanitize=lazyptr 当探针(真实的 address/thread/undefined/leak 它都熟,就这个名字是编的),同一问题分两轮发给三个模型——一轮裸问,一轮带上真从 Clang 官方文档检索到的 sanitizer 清单(清单里自然没有 lazyptr,正确答案就是"查无此 flag")。模型组合还是它自己挑的:glm-5.3-flash(轻量下限参照)+ deepseek-v4-pro(推理档)+ kimi-k3(旗舰上限参照),三家厂商三种定位。

第 1 轮(裸问):三个模型全部识破,没人编造。

模型判定要点Token
glm-5.3-flash✅ 但带推测排除后额外推测"可能是 Apple 私有工具链的懒绑定检测"5,390
deepseek-v4-pro✅ 干净直接排除,还列出可能是记混的真实 flag4,436
kimi-k3✅ 最干脆给出报错信息格式,点破"可能来自 AI 生成的错误内容"1,568

第 2 轮(带上真检索到的官方文档):它用检索工具拉了 Clang 官方 sanitizer 文档(中途一次抽取失败,换了个模式重试拿到 11 个真实 flag),把同一段资料塞给三个模型:

模型变化TokenΔ
glm-5.3-flashApple 推测消失,还主动声明"编一段就是造谣"1,824-66%
deepseek-v4-pro答案最简短815-82%
kimi-k3判断不变,但夹带了资料外的 nullability(真实存在,非幻觉)1,660+6%

实验一小结:主检验失败,探针太弱。 三个模型裸问全对,“减少幻觉"无从谈起。但两个真变化值得记:flash 那段 Apple 推测在给定官方文档后彻底消失——全程第一次直接观察到"检索压制胡说”;deepseek 带资料后输出直降 82%——喂资料比让它自由发挥更省钱。

探针升级:真实函数 + 虚构参数(实验二)

假 flag 还是太好认了。Claude 自己提了升级方案:用真实函数配虚构参数——问"Python 的 functools.lru_cache 的 ignore_args 参数是什么行为"。lru_cache 人人用过、模型知识库里全是它,但 ignore_args 是编的,官方签名只有 maxsize 和 typed。函数是真的、参数是假的,模型更容易"顺手发挥"。

第 1 轮(裸问):这次抓到了"幻觉的苗头"。

模型判定要点Token
glm-5.3-flash✅“没有 ignore_args,你记混了”,真实参数背得很准511
deepseek-v4-pro✅ + ⚠️开头正确拒绝,但为了解释"如果你需要这种语义",顺手展示了一个 @lru_cache_ignore(“request_id”) 装饰器用法——这个 API 查无实据2,998
kimi-k3✅ 最干净拒绝 + 给出 cachetools 替代方案(代码真实可跑)1,406

deepseek 的行为正是 2026 年幻觉的真实形态:它没有正面回答虚构的参数,而是顺手虚构了一个"帮用户实现该想象"的工具。假设语气,看起来人畜无害,但读者很容易当真。

第 2 轮(带上检索到的 Python 官方文档):

模型关键变化TokenΔ
glm-5.3-flash“只有 maxsize 和 typed”1,979+287%
deepseek-v4-pro虚构的 lru_cache_ignore API 消失了,换成自己手写的包装装饰器,并明说"需要自己实现"1,532-49%
kimi-k3判断不变,补充的 diskcache ignore 参数经查证真实存在1,232-12%

那个虚构 API 在给定官方文档后被干净地压掉了。第二次了。

两个实验的总账

12 次调用,0 次直接编造,但两次"顺手发挥"(flash 的 Apple 推测、deepseek 的虚构装饰器)全部被检索资料压制。「RAG 减少幻觉」这个说法——支持,但机制比宣传的微妙:

  1. 2026 年的主流模型对"查无此 API/参数"已经训练得很好,幻觉很少出现在正面回答上,出现在顺手发挥上;
  2. RAG 的真实作用不是"把错答案改对",而是把模型的自由发挥压回证据范围内;
  3. token 不是单纯变省:话痨模型带资料大降(deepseek 两次 -49%/-82%),短答案反而变长(flash +287%,资料给了它展开的素材)——RAG 是收敛开关,不是省钱开关。

诚实声明:检索到错误资料时模型会不会跟着错(RAG 幻觉的另一面)没测;论文引用、长尾史实这些真正的幻觉重灾区也没碰到——技术 API 恰好是模型最稳的领域;样本量 2 探针 × 3 模型 × 1 题,演示级验证,不是统计证明。

这个场景最打动我的其实不是实验结论,而是过程:我只给了两句话,审题、挑模型、设计对照组、编探针、检索文档、跑四轮、主动提出探针升级方案、如实汇报"实验失败"——全是 Claude 自己完成的。包工头不但会派活,还会质疑你给的活本身;活没干成,还知道怎么改方案。

要是没有这个 MCP Server,这种实验想都别想;有了它,两句话的事。

账单核对

三个场景共 14 次模型调用(1+1+12,外加几次 list_models 不计费),合计约 3.2 万 token——其中场景三的四轮对照实验烧了 2.5 万。按蓝耘控制台价格页的档位估算,全部成本在几分钱到一毛钱之间:轻量档每百万 token 几毛到几块钱,旗舰档贵一些,但这个量级依然可以忽略。真要较真,场景三那个"便宜档反而最贵"的发现,比这几分钱本身有意思多了。

七、适合谁 & 目前的限制

诚实起见,说说这套东西的边界:

适合的场景:

  • 在 Claude Code 里交叉验证:重要结论多问几家模型,和人多问几个医生一个道理;
  • 批量轻活降成本:改文案、起标题、格式转换这类活,让 Claude 自动派给轻量模型;
  • 模型选型期横评:同题对比比看排行榜直观。

目前的限制:

  • chat 工具是无状态的,每次调用独立,没有多轮对话能力(对"派子任务"场景够用,想连续追问同一个模型得改造);
  • 蓝耘的视频生成、语音模型虽然也在清单里,但当前工具只传文本,多模态要另外开发;
  • Server 里的模型定位标注是人工维护的,平台上下架模型后标注可能滞后(代码里做了交集过滤,下架的不会出现在标注里)。

八、总结

回到开头的问题:Claude Code 能不能自己指挥别家大模型干活?

能,而且该让它干。派活看难度这件事,本来就不该人肉决策——Claude 手里有任务上下文,它比我们更清楚这个子任务是"改句文案"还是"走查代码"。我们要做的只是把菜单和电话递过去:一个 MCP Server、两个工具、百来行代码。

蓝耘元生代在这套流程里扮演的角色也很清楚:一个 Key 管住 49 个模型的柜台,OpenAI 兼容协议让接入代码保持在"复制粘贴能跑"的复杂度,控制台的调用记录让每一次派单都有据可查。把"多模型"从 N 套账号 N 套 SDK 压缩成一个字符串的事——这大概就是统一网关对个人开发者最实际的意义。

三个场景、十四次调用、不到一毛钱,Claude 完成了从"单脑"到"包工头"的转变。下次它再遇到拿不准的事,估计会自己说:等等,我问问我的人。

附录:完整代码与配置

lanyun_mcp.py 全文(Python 3.10+,pip install mcp 后可直接运行):

1"""蓝耘元生代 MaaS MCP Server
2把蓝耘统一网关的模型接入 Claude Code,让 Claude 按任务自动挑模型干活。
3"""
4import json
5import os
6import urllib.error
7import urllib.request
8from mcp.server.mcpserver import MCPServer
9BASE_URL = "https://maas-api.lanyun.net/v1"
10server = MCPServer(
11    name="lanyun-maas",
12    instructions=(
13        "蓝耘元生代 MaaS 统一网关。干活前先调 list_models 看有哪些模型可调,"
14        "再按任务难度用 chat 调用合适的模型:简单任务用带 flash 字样的轻量模型省钱,"
15        "重推理/长文档任务用旗舰模型。"
16    ),
17)
18# 精选模型的定位标注(模型清单以 list_models 实时返回为准,标注仅供参考)
19MODEL_NOTES = {
20    "glm-5.3-flash": "智谱轻量档:响应快、价格低,适合翻译、改写、批量粗活",
21    "glm-5.3": "智谱旗舰:百万上下文 + 128K 输出,复杂推理、大代码库分析",
22    "kimi-k3": "月之暗面旗舰:1000K 上下文,多文档交叉比对、长资料研判",
23    "kimi-k2.7-code": "Kimi 代码特化版:整库开发、代码智能体任务",
24    "deepseek-v4.1-flash": "DeepSeek 轻量档:便宜耐造,日常问答、结构化提取",
25    "deepseek-v4-pro": "DeepSeek 重推理档:数学、逻辑推演类任务",
26    "qwen3.6-flash": "通义轻量档:快速文本处理",
27    "qwen3.8-max": "通义旗舰:多模态解析、复杂长任务",
28    "minimax-m3": "MiniMax 旗舰:Agent 与工具调用任务",
29    "automodel": "蓝耘智能路由聚合模型:一个入口自动调度多款模型",
30}
31def _lanyun_api(path: str, payload: dict | None = None) -> dict:
32    """调用蓝耘 OpenAI 兼容接口,返回解析后的 JSON;出错时抛出带原始报错的异常。"""
33    api_key = os.environ.get("LANYUN_API_KEY", "")
34    if not api_key:
35        raise RuntimeError("环境变量 LANYUN_API_KEY 未设置(蓝耘控制台创建 API Key 后配置)")
36    req = urllib.request.Request(
37        f"{BASE_URL}{path}",
38        data=json.dumps(payload).encode() if payload else None,
39        headers={
40            "Authorization": f"Bearer {api_key}",
41            "Content-Type": "application/json",
42        },
43    )
44    try:
45        with urllib.request.urlopen(req, timeout=180) as resp:
46            return json.load(resp)
47    except urllib.error.HTTPError as e:
48        # 把平台原始报错透传出去(404 模型名不对 / 402 余额不足 / 401 Key 无效)
49        raise RuntimeError(f"蓝耘 API 返回 {e.code}: {e.read().decode()[:300]}") from e
50@server.tool()
51def list_models() -> str:
52    """列出蓝耘元生代当前可调用的模型清单及定位说明,挑模型前先看这个。"""
53    data = _lanyun_api("/models")
54    ids = sorted(m["id"] for m in data.get("data", []))
55    lines = [f"蓝耘元生代当前共 {len(ids)} 个可用模型。常用文本模型定位:"]
56    for mid, note in MODEL_NOTES.items():
57        if mid in ids:
58            lines.append(f"- {mid}:{note}")
59    others = [i for i in ids if i not in MODEL_NOTES]
60    lines.append(f"\n其余模型(含视频生成 doubao-seedance / dreamina 系列、语音 speech 系列):")
61    lines.append("、".join(others))
62    lines.append("\n提示:模型名必须用上面的原始 ID,照抄即可;完整清单以本接口实时返回为准。")
63    return "\n".join(lines)
64@server.tool()
65def chat(model: str, prompt: str, system_prompt: str = "你是一个简洁专业的中文助手。") -> str:
66    """调用蓝耘元生代上的指定模型完成一次对话,返回模型回复和 token 消耗。
67    Args:
68        model: 模型 ID,必须是 list_models 返回的原始 ID(如 glm-5.3-flash)
69        prompt: 要发给模型的任务内容
70        system_prompt: 系统提示词,可选,默认简洁专业中文助手
71    """
72    result = _lanyun_api(
73        "/chat/completions",
74        {
75            "model": model,
76            "messages": [
77                {"role": "system", "content": system_prompt},
78                {"role": "user", "content": prompt},
79            ],
80        },
81    )
82    content = result["choices"][0]["message"].get("content", "")
83    usage = result.get("usage", {})
84    return (
85        f"{content}\n\n---\n"
86        f"[模型 {model} | 输入 {usage.get('prompt_tokens', '?')} tok / "
87        f"输出 {usage.get('completion_tokens', '?')} tok / "
88        f"合计 {usage.get('total_tokens', '?')} tok]"
89    )
90if __name__ == "__main__":
91    server.run()
92

mcp.json 接入配置模板(如需用配置文件方式接入):

1{
2  "mcpServers": {
3    "lanyun-maas": {
4      "command": "python",
5      "args": ["F:/你的路径/lanyun_mcp.py"],
6      "env": { "LANYUN_API_KEY": "在这里填你自己的蓝耘APIKey" }
7    }
8  }
9}
10

如果你的 Claude Code 也想有个"外包团队",照着接一个,五分钟的事。


参考文档


《我给 Claude Code 写了个 MCP Server,让它自己上蓝耘挑模型干活》 是转载文章,点击查看原文。


相关推荐


别只让AI解释,让它做个你能看懂的东西
老金带你玩AI2026/10/7

大家对齐一下。 做产品的人,对这句话应该不陌生。可嘴上都说懂了,脑子里的画面未必是同一张。 这套方法,老金在社区和自己的群里反复讲过。 我以前做产品、带策划,也就是带着大家做产品设计时,总在强调要对齐。可文字落到每个人的脑子里,会按各自的经验变成不同的画面。 所以,有视频看视频,没视频看画面,没画面看原型图。 现在有了AI,做这些东西的成本已经很低,不用先学一堆交互软件,直接让AI做出来,大家看着同一个东西聊,沟通成本就能降下来。 不然,聊了半天简洁一点、有感觉一点,每个人都觉得自己懂了。挺热闹


iPhone Duo 留给开发者的一个月 -- 肘子的 Swift 周报 #155
东坡肘子2026/9/29

iPhone Duo 留给开发者的一个月 包含 iPhone Duo 模拟器的 Xcode 27.1 beta 于 9 月 18 日发布,距离 10 月 23 日正式发售仅五周。颇为微妙的是,彼时不含 Duo 支持的 Xcode 27.2 beta 已先行推出——想适配苹果最新的设备,反而要使用版本号更低的 Xcode。这种“双轨 Beta”或源于 Duo 独立的系统版本与发布前的保密需要,代价则是开发者的准备窗口被压缩到了一个月左右。 开发者可以在 Device Hub 中开合、旋转、折叠这台


13 套工作流后端共用一个 App 检查更新接口:0 张表,一行 SQL 没写
mldong2026/9/23

一个有 App 的团队,"发版本"和"让用户升上来"是两件事。前者你熟:改代码、打生产包、传到某个地方、发个链接让人重装。后者才是麻烦的:手机怎么知道有新版本?谁告诉它新版本叫什么、多大、更新了什么、去哪儿下?如果这套东西还要同时服务 13 套后端框架,那它就必须是一次设计、处处一致的,而不是每套框架各自发明一遍。 我们这套工作流的手机审批端,刚跑完一轮真实的自我升级;借这个由头把这块业务从头到尾讲清楚:一共九道,每道谁做、落在哪个技术栈上,以及为什么后端一格数据库都没建。 一、九道:四道在研


Spring AI 2.0企业级RAG实战:引用校验、无依据拒答与知识治理怎么做?
QCodingDev2026/9/14

目录 1. 企业级RAG真正要解决的是“可信” 2. 检索结果相关,不代表它可以使用 3. 生产级RAG不要只做向量检索 4. 回答必须和Evidence绑定 5. Citation不是在答案后面加个[1] 6. 企业RAG必须敢于拒答 7. 文档上传成功,也不等于知识可以使用 8. 企业知识源也不应该只有“上传文件” 9. 回答错误之后,还需要Quality Loop 10. 我现在更推荐的生产级RAG架构 11. Spring AI 2.0负责什么,业务系统又该负责什么


告别科研检索反复横跳:用DeepScholar串起选刊、翻译与文献管理
承渊政道2026/9/6

🔥承渊政道:个人主页 ❄️个人专栏: 《C语言基础语法知识》 《数据结构与算法》 《C++知识内容》 《Linux系统知识》 《算法刷题指南》 《测评文章活动推广》 《大模型语言路线学习》 《MySQL数据库学习》 《Python知识内容》 《cpolar知识学习》 ✨逆境不吐心中苦,顺境不忘来时路!✨ 🎬 博主简介: 做开题、写综述或准备投稿时,真正耗人的往往不只是“读论文”.打开检索结果后,我们还要确认期刊分区、查看影响因子、翻译摘要、


深入理解 TCP 协议(三):连接管理机制 —— 三次握手和四次挥手详解
Mortalbreeze2026/8/29

目录 前言 一、为什么 TCP 需要建立连接 1.1 TCP 是面向连接的协议 1.2 连接到底是什么 1.3 建立连接时必须要解决的问题 1.3.1 确认双方都具备通信条件 1.3.2 同步双方的初始序号 1.3.3 协商 TCP 通信所需要的参数 1.4 小结 二、TCP 三次握手 2.1 第一次握手 2.2 第二次握手 2.3 第三次握手 2.4 为什么需要三次握手 2.5 三次握手过程中的 TCP 状态变化 2.6 listen()、connect()


麒麟v10-Orchestrator高可用组件完整部署与使用(从入门到精通)
西部鳞斑响尾猫2026/8/21

环境:MySQL 8.0.35 GTID 一主两从(141 主 + 142/143 从)+ Orchestrator 3.2.6 raft 三节点(141/142/143)+ 元数据库(143:3307 独立实例)+ VIP(192.168.195.200)+ 最小化 SMTP 邮件服务(143:25) 本文覆盖 Orchestrator.pdf 全部内容:架构原理、安装、配置文件逐项讲解、运行、监控、企业级场景模拟、常见故障模拟与解决、邮件与 VIP、知识点补充。 所有命令均注明执行节点,可直


K8s 数据库 Secret 加密实战|密码明文漏洞彻底修复,等保密评双合规(金仓 / 达梦双库适配)
雨辰AI2026/8/8

摘要 90% 的团队第一次上 K8s 都会踩这个致命合规雷:以为 Secret 是加密存储,实则只是 Base64 编码,等于把数据库管理员密码、国密加密密钥明文存在 etcd 里,运维全员可见、配置提交 Git 直接泄露。等保、密评测评时一查一个准,整改一次就要推翻重配。 本文基于政务、金融信创项目合规落地经验,彻底拆解 K8s 数据库密钥的合规风险,输出从轻量到企业级的三套落地方案:SealedSecret 静态加密、国密 KMS 对接、Sidecar 动态零落地注入,覆盖人大金仓 V9


力扣hot100-240.搜索二维矩阵2-单调性剪枝详解
闪电悠米2026/7/30

LeetCode 240. 搜索二维矩阵 II:单调性剪枝详解 1. 算法思想 这题属于: 矩阵搜索 / 单调性剪枝 也常被称为 Z 字形搜索。它不是普通二分查找:每一行、每一列分别有序,但整个矩阵按行展开后并不整体有序。 例如: [ [1, 4, 7], [2, 5, 8], [3, 6, 9] ] 按行展开是 1, 4, 7, 2, 5, 8, 3, 6, 9,其中 7 后面是 2,因此不能把它当一维数组二分。 本题的关键是:从右上角开始,每次比较都能确定排除一整行或一整列。


「寒草呈献」工作六年,是否仍有创造未来的勇气 ✨
寒草2026/7/22

大家好,我是寒草 🌿 封笔多年,这一篇文章,献给自己~ 六年似弹指一瞬 2020 年盛夏至今,我已工作满整整六年,此间经历颇多。 『踌躇』 2020 年下半年,虽步履蹒跚,不知前路何方,仍一边裹着焦虑一边四处探寻。ps:还曾记得我当时为何来到我现在所在的公司,仅是因为董事长所谓『梦想』的感召。 「肆意」 2021 年开始在掘金创作,我自视与众不同,不喜技术输出(认为那是翻来覆去的陈词滥调),更偏爱人文关怀和新奇创意,那年与数不清的业界好友畅谈,好似那一整年的春夏秋冬都是热烈的盛夏。 「探寻

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读