AI 小白逆袭!用 10 分钟学会 Claude Code 接入 DeepSeek-V3.2

AI 小白逆袭!用 10 分钟学会 Claude Code 接入 DeepSeek-V3.2

DeepSeek发布了最新的模型DeepSeek-V3.2,我们今天就让Claude Code 接入DeepSeek。为了让你也能快速掌握这套流程,我特地写下这篇“从零开始、一步到位”的完整实战教程。

大家好,我是写代码的中年人!

DeepSeek发布了最新的模型DeepSeek-V3.2,我们今天就让Claude Code 接入DeepSeek。为了让你也能快速掌握这套流程,我特地写下这篇“从零开始、一步到位”的完整实战教程。无论你是程序媛还是程序员,还是刚入坑 AI 的小白,都能在这篇文章中轻松完成!

Node.js 环境安装

Claude Code 是依赖于 Node.js 环境运行的,访问 Node.js 官方网站:https://nodejs.org,推荐下载 LTS(长期支持)版本,稳定且兼容性最好。

这里需要注意:

Claude Code 运行在Node.js 18以上版本。

Node.js下载页面

请根据你的电脑系统,下载适合你的软件版本!

Claude Code安装

打开cmd界面,输入:

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

等程序执行完成,Claude Code 即安装完成。

就是这么简单!

cmd界面输入Claude,即可进入Claude Code界面

当前界面显示的是我登陆后的Claude官网模型,我们配置完后即可显示DeepSeek模型。

请注意,我们要选择一个文件夹运行cmd,再运行Claude!如我这里的文件夹是E:\Temp\test。

这里一定要运行一次命令claude,方便后边操作。如果显示无法连接网络,我们不用管它。

购买DeepSeek API Key

打开DeepSeek官网,https://www.deepseek.com,点击右上角 API开放平台,进入开放平台后,购买并创建你的 API Key!

创建API Key

这里需要注意:API Key只显示1次,请注意复制保存!

配置Claude Code

这个步骤很简单,这里我只演示Windows电脑,我们在电脑C:\Users\你当前登录的用户名\.claude

创建一个配置文件:settings.json。

文件配置信息如下:

{ "env": { "ANTHROPIC_AUTH_TOKEN": "这里填入你的DeepSeek API Key:sk-开头", "ANTHROPIC_BASE_URL": "https://api.deepseek.com/anthropic", "ANTHROPIC_MODEL": "deepseek-reasoner", "ANTHROPIC_DEFAULT_OPUS_MODEL": "deepseek-reasoner", "ANTHROPIC_DEFAULT_SONNET_MODEL": "deepseek-reasoner", "ANTHROPIC_DEFAULT_HAIKU_MODEL": "deepseek-reasoner", "CLAUDE_CODE_SUBAGENT_MODEL": "deepseek-reasoner", "CLAUDE_CODE_MAX_OUTPUT_TOKENS": "32000" }, "permissions": { "allow": [], "deny": [] }, "alwaysThinkingEnabled": false }

使用Claude Code

我们再次打开claude code,如下图,显示的是DeepSeek模型。

注意:这里已经显示为DeepSeek模型!

测试模型名称

询问你是什么模型

当前已正常输出是DeepSeek模型!以下信息为DeepSeek官网说明:

deepseek-chat 和 deepseek-reasoner 都已经升级为 DeepSeek-V3.2。deepseek-chat 对应 DeepSeek-V3.2 的非思考模式,deepseek-reasoner 对应 DeepSeek-V3.2 的思考模式。

测试模型生成能力

H5生成页面

我用最简单的提示,帮我生成一个H5页面,模型完成的不错。

请注意,DeepSeek在文档中提到:

DeepSeek-V3.2 的思考模式现已支持在 Claude Code 中使用。用户可以通过将模型名称切换为 deepseek-reasoner,或在 Claude Code CLI 中按下 Tab 键来启用思考模式。但需要提醒的是,思考模式目前尚未对 Cline、RooCode 等依赖非标准工具调用方式的组件做充分适配,因此在使用这些组件时,仍建议保持在非思考模式下运行。

 如果你想更深入地学习大模型,以下是一些非常有价值的学习资源,这些资源将帮助你从不同角度学习大模型,提升你的实践能力。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!​

因篇幅有限,仅展示部分资料,需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示

因篇幅有限,仅展示部分资料,需要点击文章最下方名片即可前往获取

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限,仅展示部分资料,需要点击文章最下方名片即可前往获取

四、AI大模型商业化落地方案

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量

Read more

Flutter 组件 upnp_client 的鸿蒙适配实战 - 实现跨设备服务发现、智能家居自动关联与多媒体投屏协议控制

Flutter 组件 upnp_client 的鸿蒙适配实战 - 实现跨设备服务发现、智能家居自动关联与多媒体投屏协议控制

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 组件 upnp_client 的鸿蒙适配实战 - 实现跨设备服务发现、智能家居自动关联与多媒体投屏协议控制 前言 在“万物互联”的愿景下,鸿蒙系统(OpenHarmony)最核心的武器就是跨设备协同能力。然而,如何让你的 Flutter 应用在复杂的家庭或办公内网中,自动发现并操控那些非鸿蒙生态但同样广泛分布的设备(如:DLNA 智能电视、家用路由器、网络打印机、甚至是 NAS 存储)? UPnP(Universal Plug and Play)协议此时扮演了全局搜索的关键角色。作为一套基于 SSDP 和 HTTP 处理发现与控制的老牌协议,它依然是局域网互联互通的“基础设施”。 upnp_client 为 Flutter

机器人-六轴机械臂的正运动学

机器人-六轴机械臂的正运动学

在机器人运动学建模领域,D-H(Denavit-Hartenberg)参数法绝对是绕不开的核心技术。它以极简的4个参数,就能清晰描述机械臂各连杆间的相对位姿关系,是实现正运动学求解、轨迹规划的基础。本文将从理论原理出发,一步步拆解六轴机械臂的D-H法建模流程,最后结合代码实现让理论落地,适合机器人初学者或技术爱好者深入学习。 一、为什么选择D-H法?—— 机械臂建模的“通用语言” 六轴机械臂作为工业场景中最常用的机器人构型,其连杆与关节的空间关系复杂。如果直接用三维坐标系叠加计算,不仅公式繁琐,还容易出现坐标混乱的问题。而D-H法的核心优势的在于“标准化”: * 简化参数:用仅4个参数(关节角、连杆偏移、连杆长度、连杆扭转角)描述相邻连杆的位姿,替代复杂的三维坐标变换; * 通用性强:适用于所有串联机械臂,无论是六轴、四轴还是协作机械臂,都能套用同一套建模逻辑; * 计算高效:通过齐次变换矩阵的乘积,可快速求解末端执行器相对于基坐标系的位姿,为后续运动学分析奠定基础。 简单来说,学会D-H法,就掌握了串联机械臂建模的“通用语言”。 二、D-H法核心:4个

FPGA 实现 OV5640 摄像头视频图像显示

FPGA 实现 OV5640 摄像头视频图像显示

目录 一、工程介绍 二、Verilog 实现 (1)OV5640初始化         (1.1)SCCB控制器         (1.2)ov5640初始化数据表 (2)DVP数据采集 (3)RAM数据缓存 (3)VGA控制器 (4)顶层模块 三、效果演示 一、工程介绍         OV5640摄像头通过DVP接口输出视频图像数据,并通过VGA接口输出给显示器。FPGA需要完成的功能包括:OV5640初始化、DVP接口数据采集、图像数据缓存、VGA数据输出。模块设计也相应按照这四个部分进行划分。         本文为学习笔记,旨在对设计过程做简要记录,存在不足,可供学习参考。 二、Verilog 实现 (1)OV5640初始化         (1.1)SCCB控制器         ov5640摄像头初始化需要向其内部配置寄存器写入数据进行配置,实现对图像数据格式、图像大小、图像反转镜像、

介绍终身机器人学习的数据集LIBERO

介绍终身机器人学习的数据集LIBERO

1 LIBERO的作用 LIBERO是一个用于研究多任务和终身机器人学习中知识迁移的综合基准测试平台,LIBERO是基于robosuite框架构建的。它专注于机器人操作任务,这些任务需要两类知识: 1. 陈述性知识:关于物体和空间关系的知识 2. 程序性知识:关于运动和行为的知识 2 核心原理 任务生成与基准设计 LIBERO提供了一个程序化生成管道,原则上可以生成无限数量的操作任务。系统包含130个任务,分为四个任务套件,每个套件都有受控的分布偏移: * LIBERO-Spatial/Object/Goal:专注于特定类型知识的迁移 * LIBERO-100:包含需要迁移纠缠知识的100个操作任务 学习框架 系统采用模仿学习作为主要学习方法,因为任务使用稀疏奖励函数(任务完成时获得+1奖励)。LIBERO提供高质量的人类遥操作演示数据集用于训练。 算法与策略架构 LIBERO实现了三种视觉运动策略网络: * bc_rnn_policy:基于RNN的行为克隆策略 * bc_transformer_policy:基于Transformer的行为克隆策略