Claude Code + cc-switch 配置指南

本指南旨在引导初次接触的用户,一步步完成 Claude Code 命令行工具 (CLI) 和 cc-switch 的安装与配置。完成配置后,用户即可在代码编辑器的终端中,通过简单的命令,调用 Kimi、GPT-4 或其他主流 AI 模型,辅助完成代码编写、解释和调试等任务。

核心结论Claude Codecc-switch 结合使用,可以显著提升编程工作的效率。

目录
  • 1. 准备工作:配置必需的 Node.js 环境
  • 2. 第一步:安装 Claude Code 命令行工具
  • 3. 第二步:安装 cc-switch 模型管理工具
  • 4. 第三步:获取 AI 模型的 API Key
  • 5. 第四步:在 cc-switch 中配置 AI 模型
  • 6. 第五步:激活配置并进行验证
  • 7. 第六步:在实际项目中使用
  • 8. 注意事项:理解并应对 API 频率限制

1. 准备工作:配置必需的 Node.js 环境

Claude Code CLI 是一个基于 Node.js 的工具,其成功安装和运行严格依赖于系统中的 Node.js 版本。

为什么必须使用较新版本的 Node.js?

Claude Code 的开发者在其包配置中明确指定了所支持的 Node.js 最低版本。如果使用低于要求的版本进行安装,包管理器 (npm) 会无法正确处理依赖关系,并抛出一系列警告,最终导致安装失败或即使安装完成也无法运行。

例如,在 Node.js v14 的环境中尝试安装,会收到如下错误日志:

npm WARN notsup Unsupported engine for @anthropic-ai/[email protected]: wanted: {"node":">=18.0.0"}(current: {"node":"14.18.3","npm":"6.14.15"})npm WARN notsup Not compatible with your version of node/npm: @anthropic-ai/[email protected] 

这行日志清晰地指出:claude-code要求 (wanted) Node.js 版本大于等于 18.0.0,但当前环境 (current) 的版本是 14.18.3,因此不兼容。忽略这些警告将导致后续使用时出现问题。

检查并安装正确的 Node.js 版本
  1. 确认版本要求:请确保输出的版本号为 v18.0.0 或更高
  2. 安装与管理 (推荐使用 nvm)如果版本不符,强烈建议使用 nvm (Node Version Manager) 来进行安装和版本管理。nvm 可以在同一台电脑上维护多个 Node.js 版本并轻松切换。完成切换后,再次运行 node -v 进行确认。
    • 安装 nvm
      • macOS / Linux: 参考 nvm-sh/nvm GitHub 官方指南。
      • Windows: 使用 nvm-windows(适配Windows的nvm版本),具体步骤如下(Node.js自带npm包管理器,旧版本Node/npm会与nvm管理的版本冲突,需先彻底清理):
        1. 备份npm自定义配置(可选):按 Win + R 输入 %AppData%\npm 打开文件夹,若存在 etc\npmrc 文件,复制到桌面备份;无该文件则直接跳过。
        2. 卸载旧版Node.js:打开「控制面板」→「程序和功能」,找到所有名称包含「Node.js」的程序,右键选择「卸载」并按提示完成。
        3. 删除Node/npm残留文件夹
          • Win + R 输入 C:\Program Files\nodejs(或 C:\Program Files (x86)\nodejs),若文件夹存在则删除;
          • 再次按 Win + R 分别输入 %AppData%\npm%AppData%\npm-cache,若文件夹存在则删除。
        4. 下载nvm-windows 1.2.2安装包:打开 nvm-windows 1.2.2 发布页,下拉到「Assets」(资源)区域,点击 nvm-setup.exe 下载(新手推荐此一键安装包)。
        5. 安装nvm-windows
          • 找到下载的 nvm-setup.exe 双击打开,弹出「用户账户控制」时点击「是」;
          • 勾选「I accept the agreement」→ 点击「Next」;
          • 保留默认安装路径(如 C:\Users\你的用户名\AppData\Roaming\nvm)→ 点击「Next」;
          • 保留Node.js符号链接默认路径(C:\Program Files\nodejs)→ 点击「Next」;
          • 点击「Install」开始安装,进度条完成后点击「Finish」。
        6. 验证安装成功:以管理员身份打开CMD/PowerShell,输入 nvm version,若输出 1.2.2 则安装成功。

使用 nvm 安装并切换到 Node.js 18

# 安装 Node.js v18 的最新稳定版 nvm install18# 将当前会话的 Node.js 版本切换为 v18 nvm use 18

检查当前版本:打开终端(在 Windows 上是 CMDPowerShell,在 Mac 上是 Terminal),输入以下命令:

node -v 
2. 第一步:安装 Claude Code 命令行工具

Claude Code 是一个命令行界面 (CLI) 工具,用于在终端内与 AI 进行交互。

在终端中运行以下命令进行安装:

npminstall -g @anthropic-ai/claude-code 
  • npm 是 Node.js 的包管理器,该命令将从 npm 仓库下载并安装 claude-code
  • -g 参数代表“全局安装”,确保 claude 命令可以在系统的任何路径下被调用。

安装完成后,输入 claude 并回车,若显示 Claude Code 的欢迎界面,则表示安装成功。

3. 第二步:安装 cc-switch 模型管理工具

cc-switch 是一个图形化桌面应用,其核心功能是帮助用户管理并切换 Claude Code 所使用的后端 AI 模型。

请前往 cc-switch 的 GitHub 发布页面下载安装包:

根据所用操作系统 (Windows, macOS) 下载对应的安装文件,并按常规流程完成安装。

在这里插入图片描述

Windows用户
从 Releases 页面下载最新的 CC-Switch-v{version}-Windows.msi 安装程序或 CC-Switch-v{version}-Windows-Portable.zip 可移植版本。

masos用户

brew tap farion1231/ccswitch brew install --cask cc-switch
brew upgrade --cask cc-switch

或者 下载 CC-Switch-v{version}-macOS.zip

Linux 用户
从 Releases 页面下载最新的 CC-Switch-v{version}-Linux.deb 软件包或 CC-Switch-v{version}-Linux.AppImage

4. 第三步:获取 AI 模型的 API Key
API Key 是访问 AI 服务的凭证

API Key 是一串由 AI 服务提供商生成的唯一字符串,用于验证请求者的身份并进行计费。

以 Kimi (Moonshot) 为例,获取 API Key

配置 cc-switch 需要三项核心信息:

项目说明示例
供应商名称自定义名称,用于在 cc-switch 中识别。Kimi Moonshot
官网地址AI 服务商提供的 API 服务器地址 (Endpoint)。https://api.moonshot.cn
API Key专属访问密钥。sk-xxxxxxxxxxxxxxxxxxxx

获取步骤如下:

  1. 访问官网并注册:前往 月之暗面开放平台 并完成账户注册。
  2. 定位到 API 密钥页面:登录后,在左侧菜单栏选择 “API 密钥管理”。
  3. 创建新的 API Key:点击“+ 创建新的 Key”。系统将生成一个 Key。请立即复制并保存在安全的位置,该 Key 的完整内容只会在创建时显示一次。
5. 第四步:在 cc-switch 中配置 AI 模型

此步骤将获取到的 Kimi API 信息录入 cc-switch

  1. 打开 cc-switch 应用
  2. 点击 “添加供应商” 按钮
  3. 在弹出的窗口中,依次填入信息
    • 供应商名称:填入自定义的名称,例如 Kimi Moonshot
    • 官网地址:填入 Kimi 的 API 地址 https://api.moonshot.cn
    • API Key:粘贴已复制的密钥。
  4. 点击 “添加”

完成后,此 Kimi 配置将显示在 cc-switch 的供应商列表中。

6. 第五步:激活配置并进行验证

配置完成后,需将其激活,以使 Claude Code 工具生效。

  1. cc-switch 列表中,选中刚添加的 Kimi Moonshot 配置。
  2. 点击 “切换” 按钮。

当界面状态显示“已切换到 Kimi Moonshot”时,cc-switch 已成功修改 Claude Code 的底层配置文件。这个配置文件位于用户主目录下的 .claude/settings.json,其内容已被更新为 Kimi 的 API 地址和 Key。

7. 第六步:在实际项目中使用

所有配置已完成,现在可以在开发工作流中调用 AI。

在该文件夹内启动 Claude Code

claude 

使用终端进入目标项目文件夹。例如:

cd path/to/your/project 
8. 注意事项:理解并应对 API 频率限制

在使用 API 服务时,可能会遇到速率限制 (Rate Limit),这是一种常见的服务保护机制。

速率限制的机制

服务商会根据账户等级,对单位时间内的请求次数 (RPM)、Token 处理量 (TPM) 等指标进行限制。以 Kimi (Moonshot AI) 为例,其速率限制与账户累计充值金额挂钩:

用户等级累计充值金额并发RPM (每分钟请求数)TPM (每分钟Token数)TPD (每天Token数)
Free¥ 01332,0001,500,000
Tier1¥ 5050200128,00010,000,000
Tier2¥ 100100500128,00020,000,000

Read more

Docker 安装 Neo4j 保姆级教程

Docker 安装 Neo4j 保姆级教程 本教程适用于零基础用户,详细讲解如何在 Windows 或 Linux 环境下通过 Docker 安装并配置 Neo4j 图数据库。 Neo4j 官方 Docker 文档 1. 环境准备 * 已安装 Docker(Docker Desktop 官网) * Linux 和 Windows 均可 2. 创建挂载目录 在宿主机上新建以下目录,用于数据持久化和配置挂载(以 Linux 为例,Windows 可用资源管理器新建文件夹): mkdir -p /home/neo4j/data /home/neo4j/logs /home/neo4j/conf /home/

教你一步步在 服务器/本地(Linux/Windows) 部署鸣潮QQ机器人,并将其接入大语言模型,实现通过机器人进行库街区签到、练度查询、攻略查询等功能 (1)

准备工作 一台轻量级服务器/ 本地windows/linux能够在服务器/本地 科学上网 环境部署 笔者所演示的环境为阿里云服务器(2核CPU,2GIB内存,40GIB系统盘),操作系统为 Ubuntu 24.04. 确保已成功安装Python环境(版本须>3.8, 建议>=3.12,不建议>=3.13) 确保已成功安装git 如果你没有安装git且的系统是ubuntu,安装git只需要输入 如果系统为Windows,则自行前往 🔗官网 下载安装包安装即可 创建虚拟环境 从 Python 3.11 开始,Debian 和 Ubuntu 默认启用了 "Externally-Managed-Environment"(外部管理环境)保护机制,

【CS创世SD NAND征文】为无人机打造可靠数据仓:工业级存储芯片CSNP32GCR01-AOW在飞控系统中的应用实践

【CS创世SD NAND征文】为无人机打造可靠数据仓:工业级存储芯片CSNP32GCR01-AOW在飞控系统中的应用实践

一、引言:无人机时代的数据存储挑战 在无人机(UAV)技术飞速发展的今天,其应用范畴早已突破消费级航拍的界限,深度渗透至测绘勘察、基础设施巡检、精准农业、安防监控乃至国防军事等工业级领域。每一次精准的自动巡航、每一帧高清图像的实时图传、每一条飞行轨迹的忠实记录,都离不开飞控系统这颗"大脑"的精密运算。然而,大脑的决策依赖于记忆与学习,而承担这一"记忆"任务的存储单元,其可靠性直接决定了飞行任务的成败与数据的价值。一次意外的数据丢失或存储故障,不仅可能导致珍贵的测绘数据付诸东流,造成重大的经济损失,甚至可能引发严重的飞行安全事故。因此,为无人机飞控系统选择一款高性能、高可靠的存储芯片,已成为行业设计中不可或缺的关键一环。 本文将围绕基于全志MR100主控平台与CS创世SD NAND(具体型号:CSNP32GCR01-AOW)构建的新一代无人机飞控存储方案,深入探讨工业级存储芯片如何为高端无人机赋予稳定、可靠的"数据生命线",助力无人机技术在各个领域发挥更大的价值。 二、应用产品介绍:无人机飞控系统——空中机器人的智能核心

宇树G1机器人强化学习训练完整实战教程

宇树G1机器人强化学习训练完整实战教程

0. 前言 人形机器人的运动控制一直是机器人领域的重要挑战,而强化学习为解决这一问题提供了强有力的工具。本教程将基于宇树G1人形机器人,从基础的强化学习环境搭建开始,逐步深入到高自由度模型的训练配置、奖励函数设计与优化,最终实现复杂动作的训练控制。作者看到一个很棒的系列,所以针对性的对文章内容进行了整理和二次理解,方便大家更好的阅读《不同自由度的宇树G1机器人强化学习训练配置及运行实战 + RSL-RL代码库问题修复》、《宇树G1机器人强化学习训练奖励函数代码架构 + 创建新的奖励函数(1)》、《RL指标分析与看板应用 — 宇树G1机器人高自由度模型强化学习训练实战(3)》、《调参解析 — 宇树G1机器人高自由度模型强化学习训练实战(4)》、《舞蹈训练?手撕奖励函数 — 宇树G1机器人高自由度模型强化学习训练实战(5)》。 1. 强化学习训练环境配置 1.1 基础环境搭建 宇树机器人的强化学习训练基于Isaac Gym物理仿真环境和RSL-RL强化学习框架。首先需要确保这两个核心组件正确安装和配置。 在开始训练之前,我们通过简单的命令来启动12自由度G1机器人的基础训练: