Jetbrains系列工具 Idea Websotrm中使用Claude Code 可白嫖

市面上很多AI工具都是基于vsCode 习惯Idea的用户使用起来会特别别扭 本文将展示idea中如何使用ClaudeCode

1. 注册api (二选一)

1. 智普AI国内转发 GLM-5.1

地址: 直达链接
价格: 首年200+

2. 硅基流动

地址: 直达链接
白嫖模型: Qwen/Qwen3-8B
配置:

{"env":{"ANTHROPIC_AUTH_TOKEN":"sk-xxx","ANTHROPIC_BASE_URL":"https://api.siliconflow.cn","ANTHROPIC_DEFAULT_HAIKU_MODEL":"Qwen/Qwen3-8B","ANTHROPIC_DEFAULT_OPUS_MODEL":"Qwen/Qwen3-8B","ANTHROPIC_DEFAULT_SONNET_MODEL":"Qwen/Qwen3-8B","ANTHROPIC_MODEL":"Qwen/Qwen3-8B"}}

2. 安装cc-switch (切换token使用)

地址: https://github.com/farion1231/cc-switch/releases
CC-Switch中的配置

在这里插入图片描述

3. 安装 Claude Code

npminstall-g @anthropic-ai/claude-code 

4. idea中安装Claude Code插件

在这里插入图片描述


在这里插入图片描述

Read more

ROG-Map:一种高效的以机器人为中心的大场景高分辨率LiDAR运动规划网格地图(论文阅读)

ROG-Map:一种高效的以机器人为中心的大场景高分辨率LiDAR运动规划网格地图(论文阅读)

论文:ROG-Map: An Efficient Robocentric Occupancy Grid Map for Large-scene and High-resolution LiDAR-based Motion Planning 论文主要创新点: 1.本文旨在解决将激光雷达与OGM集成的挑战,ROG-Map是一种均匀的基于网格的OGM,可以保持局部地图与机器人一起移动,从而实现高效的地图操作,并降低大场景自主飞行的内存成本 2.此外,我们提出了一种新的增量障碍膨胀方法,该方法显着降低了膨胀的计算成本。该方法在各种公共数据集上优于最先进的(SOTA)方法。 3.0拷贝地图滑动策略,该策略仅维护机器人周围的局部地图,使ROG-Map适用于大场景任务 论文特点:只是用于避障的局部地图,最求计算效率最大化 第一部分:介绍 INTRODUCTION                视觉:测量范围短(35m);激光雷达:精确和远程(避开小障碍物和大场景感知)。由于要避开小障碍物,分辨率足够高的OGM能够感知小障碍物,从而在复杂环境中实现导航和避障。充分利用激光雷达提供远

neo4j desktop2 安装与使用

1. Neo4j Desktop 2 简介 1.1 Neo4j Desktop 2 的核心功能与优势 Neo4j Desktop 2 是 Neo4j 官方推出的图形化数据库管理工具,专为开发者和数据科学家设计。 其主要优势包括: 一体化开发环境:集成了数据库实例管理、查询编辑、数据可视化和扩展管理 本地开发友好:支持在本地机器上快速创建和测试图数据库实例 多版本管理:可同时管理多个 Neo4j 数据库版本 插件生态系统:内置插件市场,轻松安装常用扩展  项目管理:以项目为单位组织数据库、查询和配置   1.2 适用场景 图数据库开发:为应用程序开发提供本地图数据库环境 本地测试:在部署到生产环境前进行数据模型测试和查询验证 项目管理:管理多个图数据库项目,保持环境隔离 教育与学习:学习 Cypher 查询语言和图数据库概念 2.

【图文】Windows + WSL + Ubuntu 安装 OpenClaw 全套流程(飞书机器人 + 百炼模型)

目录 * 一、安装 WSL * 二、安装基础组件 * 三、安装 Node.js(通过 nvm) * 1 安装 nvm * 2 安装 Node * 四、安装 OpenClaw * 五、OpenClaw 初始化配置 * 六、Hooks 配置(重要) * 七、打开 Web UI * 八、安装飞书插件 * 九、第三方飞书插件(备用方案) * 十、飞书权限配置(注意先做好飞书机器人设置,再配置channel) * 十一、配置飞书channel * 十二、配置飞书回调事件 * 十三、重启 OpenClaw * 十四、配置百炼模型

雷达信号处理中的CFAR技术详解

好的,我来为您总结归纳雷达信号处理中的恒虚警(CFAR)技术,并提供一个基于MATLAB的实际用例。 🧐 雷达信号处理之恒虚警(CFAR) 恒虚警率(Constant False Alarm Rate, CFAR)是一种自适应阈值目标检测技术,在雷达信号处理中用于从噪声和杂波背景中检测出目标回波。其核心思想是:无论背景噪声或杂波的功率如何变化,都保持虚警概率( )为一个预先设定的常数。 🎯 1. 基本原理与流程 CFAR算法通过实时估计待检测单元(Cell Under Test, CUT)周围的背景噪声或杂波功率,并根据期望的虚警率 自适应地确定检测阈值 。 主要步骤: 1. 滑动窗口(Detection Window):在待检测数据(通常是距离-多普勒图或距离向数据)上设定一个固定大小的滑动窗口。 2. 单元划分:窗口内的单元被划分为三个部分: * 待检测单元(CUT):位于窗口中心,是我们要判断是否包含目标的单元。 如果 ,则判断不存在目标(No Target)。 如果 ,则判断存在目标(