企业官网建设流程全解析

1. 为什么大家都在折腾 GLM-4.6 接入 Claude Code

如果你最近刷技术社区，大概率会看到 GLM-4.6 这个名字反复出现。它在多个代码能力评测里冲到第一梯队，HumanEval、MBPP 这类基准测试的成绩相当能打，中文代码理解更是它的主场。但真正让开发者兴奋的不是榜单，而是它现在能通过 ModelScope 的免费额度接进 Claude Code——也就是说，你手里那套已经用顺手的 Claude Code 工作流，可以换成 GLM-4.6 来驱动，成本几乎为零。

Claude Code 本身是 Anthropic 出的命令行编程助手，交互方式很直接：你在终端里描述需求，它读你的项目文件、改代码、跑命令。它默认连的是 Claude 系列模型，但通过路由工具可以把请求转发到别的模型上。GLM-4.6 就是目前最值得一试的替代目标之一，原因有三点：代码生成质量高、中文需求理解准、ModelScope 提供免费推理额度。

这篇文章面向的是想零成本体验 GLM-4.6 代码能力的开发者，尤其是已经在用或准备用 Claude Code 的人。我会从 Node.js 环境准备讲起，一步步走到 API Key 获取、settings 配置、真实补全验证，最后把常见的报错挨个拆开。全程可复制，你跟着敲就行。

需要先说明一个前提：Claude Code 的模型接入依赖一个路由层，因为 Claude Code 原生只认 Anthropic 的接口格式。我们要做的是在中间加一个转换层，把 Claude Code 的请求翻译成 GLM-4.6 能听懂的格式。这个转换层用现成的工具就能搞定，不需要你自己写代码。

整个链路是这样的：Claude Code → 路由工具 → ModelScope 推理 API → GLM-4.6。每一环我都会给出具体配置。你可能会担心"免费额度够不够用"，实测下来个人日常开发完全够，后面我会讲怎么把额度用在刀刃上。

先明确一下你需要的三样东西：一个 ModelScope 账号（免费注册）、一个完成实名认证的阿里云账号（ModelScope 绑定要用）、本地装好的 Node.js 环境（建议 18 以上）。这三样齐了，剩下的就是复制粘贴配置的事。

2. 前置准备：Node.js 环境与 ModelScope 免费 API Key 获取

这一节把地基打好。很多人卡在第一步不是因为难，而是因为版本不对或者账号没绑对。我按顺序拆开讲。

2.1 Node.js 环境检查与安装

Claude Code 和路由工具都是 npm 包，所以 Node.js 是硬性依赖。先确认你本地的版本：

node -v npm -v

如果输出是 v18.x 或更高，可以直接跳过安装。如果低于 18，或者提示 command not found，那就装一个。macOS 用户推荐用 nvm 管理版本：

# 安装 nvm（如果还没装） curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash # 重新加载 shell 配置 source ~/.zshrc # 或 source ~/.bashrc # 安装并使用 Node.js 20 nvm install 20 nvm use 20 node -v

Windows 用户直接去 Node.js 官网下载 LTS 安装包，一路下一步即可。装完在 PowerShell 里跑node -v验证。这里有个坑：如果你之前装过旧版本，装新版本后要确认 PATH 指向的是新版本，否则 npm 全局包会装到旧环境里，后面调用时找不到命令。

2.2 注册 ModelScope 并绑定阿里云

打开 ModelScope 官网，用手机号或邮箱注册。注册完成后进入个人中心，找到账号绑定相关的入口，把阿里云账号绑上去。这一步是必须的，因为 ModelScope 的推理 API 免费额度依赖阿里云账号的实名认证。

绑定流程大致是：点击绑定 → 跳转阿里云登录 → 授权 → 回到 ModelScope 确认。如果你还没有阿里云账号，在跳转页面直接注册一个，实名认证用支付宝扫脸几分钟就过。

绑定成功后，回到 ModelScope 的个人中心，找到 API 管理或访问令牌相关的页面。这里能看到你的 API Key。点生成，把密钥复制下来存好。这个 Key 就是后面配置里要填的东西。

注意：API Key 只在生成时完整显示一次，关掉页面就看不到了。如果没存，只能重新生成一个。建议直接存进密码管理器。

2.3 安装 Claude Code 与路由工具

环境齐了，开始装工具。Claude Code 本体和路由工具都要全局安装：

# 安装 Claude Code npm install -g @anthropic-ai/claude-code # 安装路由工具（负责把请求转发到 GLM-4.6） npm install -g @musistudio/claude-code-router

装完后验证一下：

claude --version ccr --version

两个命令都能输出版本号就说明装好了。如果提示命令找不到，多半是 npm 全局 bin 目录没进 PATH。用npm config get prefix看一下全局路径，把它加到 PATH 里。

这里解释一下路由工具的作用。Claude Code 发出的请求是 Anthropic 格式的，而 ModelScope 的 GLM-4.6 接口是 OpenAI 兼容格式的。路由工具在中间做协议转换，同时负责把模型名、API 地址、密钥这些信息注入进去。没有它，Claude Code 没法直接跟 GLM-4.6 对话。

装好之后先别急着配置，下一节我们直接写配置文件。整个配置的核心就是一个 JSON 文件，把 Provider 和 Router 两段填对就行。

3. 可复制配置：settings 与 config.json 逐项拆解

这一节是全文的核心，配置写对了后面就顺了。Claude Code 的模型切换依赖路由工具的配置文件，路径在用户目录下的.claude-code-router/config.json。我们分两步：先写路由配置，再确认 Claude Code 的 settings。

3.1 路由配置文件 config.json

先创建配置目录（如果不存在）：

mkdir -p ~/.claude-code-router

然后编辑~/.claude-code-router/config.json，填入以下内容：

{ "Providers": [ { "name": "modelscope", "api_base_url": "https://api-inference.modelscope.cn/v1/chat/completions", "api_key": "你的ModelScope免费API密钥", "models": ["ZhipuAI/GLM-4.6"], "transformer": { "use": [ ["maxtoken", { "max_tokens": 65536 }], "enhancetool" ] } } ], "Router": { "default": "modelscope,ZhipuAI/GLM-4.6" } }

逐项说明一下，别填错：

name是 Provider 的标识，随便起但要和 Router 里对应。api_base_url是 ModelScope 的推理接口地址，注意结尾是/v1/chat/completions，这是 OpenAI 兼容格式的路径。api_key填你刚才在 ModelScope 生成的密钥。models数组里是模型 ID，GLM-4.6 在 ModelScope 上的标识是ZhipuAI/GLM-4.6，大小写要一致。

transformer这一段是关键。maxtoken把最大输出 token 提到 65536，因为 GLM-4.6 支持长上下文，不设的话默认值可能偏小，生成长代码会被截断。enhancetool是增强工具调用能力的转换器，Claude Code 会频繁调用文件读写、命令执行这类工具，加上它兼容性更好。

Router.default指定默认走哪个 Provider 和模型，格式是Provider名,模型ID，中间用英文逗号，不能有空格。

3.2 Claude Code settings 确认

Claude Code 本身有一个 settings 文件，通常在~/.claude/settings.json。如果你之前配过别的模型，需要确认它没有覆盖路由工具的设置。一个干净的 settings 大致长这样：

{ "env": { "ANTHROPIC_BASE_URL": "http://127.0.0.1:3456", "ANTHROPIC_API_KEY": "dummy-key" } }

这里的ANTHROPIC_BASE_URL指向本地路由工具的监听端口（默认 3456），ANTHROPIC_API_KEY填任意占位值即可，因为真正的密钥在路由配置里。路由工具启动后会在这个端口上接收 Claude Code 的请求，再转发给 ModelScope。

注意：如果你用的是 Claude Code 的 OAuth 登录模式，需要先退出登录，改用 API Key 模式，否则请求不会走本地路由。执行claude后按提示选择 API Key 方式即可。

3.3 启动路由并验证配置加载

配置写完后，启动路由工具：

ccr code

这个命令会启动路由服务并拉起 Claude Code。如果只想单独启动路由服务，用ccr start。启动后你会看到类似Server running on http://127.0.0.1:3456的日志。

如果启动时报 JSON 解析错误，多半是配置文件里有中文引号或者多余的逗号。用cat ~/.claude-code-router/config.json | python -m json.tool校验一下格式，能正常输出就说明 JSON 合法。

配置这一步最容易出问题的地方是api_base_url写错。有人会漏掉/v1，有人会把chat/completions写成completions，都会导致后面请求 404。照着上面的原文复制，别手敲。

4. 验证请求：一次真实的代码补全测试

配置对不对，跑一次就知道。这一节我们用 Claude Code 做一次真实的代码补全，确认 GLM-4.6 正常响应。

4.1 发起第一个请求

在一个空目录里初始化一个测试项目：

mkdir glm-test && cd glm-test claude

进入 Claude Code 交互界面后，输入一个具体的编码需求：

用 Python 写一个函数，读取当前目录下所有 .log 文件， 统计每个文件中 ERROR 出现的次数，返回一个字典， key 是文件名，value 是次数。加上异常处理和中文注释。

回车后，Claude Code 会把请求发给本地路由，路由转发给 ModelScope 的 GLM-4.6。正常情况下几秒内你会看到模型返回的代码，并且 Claude Code 会询问是否写入文件。

如果一切正常，你会看到类似这样的返回：

import os import glob def count_errors_in_logs(directory: str = ".") -> dict: """ 统计指定目录下所有 .log 文件中 ERROR 出现的次数。 :param directory: 要扫描的目录，默认为当前目录 :return: 字典，key 为文件名，value 为 ERROR 出现次数 """ result = {} try: log_files = glob.glob(os.path.join(directory, "*.log")) if not log_files: print("未找到 .log 文件") return result for file_path in log_files: try: with open(file_path, "r", encoding="utf-8") as f: content = f.read() count = content.count("ERROR") result[os.path.basename(file_path)] = count except (IOError, UnicodeDecodeError) as e: print(f"读取文件 {file_path} 失败: {e}") result[os.path.basename(file_path)] = -1 except Exception as e: print(f"扫描目录时出错: {e}") return result if __name__ == "__main__": print(count_errors_in_logs())

代码结构清晰，异常处理分层，中文注释到位。这说明 GLM-4.6 已经通过路由正常响应了。

4.2 确认模型身份

想确认当前用的确实是 GLM-4.6 而不是别的模型，可以直接问它：

你是什么模型？由谁开发的？

GLM-4.6 通常会回答自己是智谱 AI 开发的 GLM 系列模型。如果它回答自己是 Claude，那说明请求没走路由，还在用 Anthropic 的接口，需要回头检查 settings 里的ANTHROPIC_BASE_URL是否指向了本地端口。

4.3 测试工具调用能力

Claude Code 的核心能力是读写文件和执行命令，所以工具调用必须正常。试一个需要多步操作的请求：

在当前目录创建一个 requirements.txt， 写入 flask 和 requests 两个依赖，然后读取它并打印内容。

正常的话，Claude Code 会调用写文件工具创建requirements.txt，再调用读文件工具把内容读出来。如果工具调用失败，通常是transformer里的enhancetool没生效，检查配置里这一项是否拼写正确。

实测下来，GLM-4.6 在工具调用上的表现比较稳，偶尔会有参数格式的小偏差，但 Claude Code 的重试机制一般能兜住。如果连续失败，把请求拆小一点再试。

5. 常见报错排查：401、local proxy failed 与 reading choices

配置和验证过程中，报错基本集中在几个地方。这一节我把最常见的四类错误拆开，给出定位方法和修复步骤。

5.1 401 Unauthorized

这是最常见的错误，日志里会显示401或invalid api key。原因有三个可能：

第一，API Key 填错了。回 ModelScope 个人中心重新复制一次，注意不要带空格。第二，Key 过期或被重置。重新生成一个替换。第三，api_base_url和 Key 不匹配，比如把 ModelScope 的 Key 填到了别的 Provider 配置里。

排查命令：

# 直接测试 ModelScope 接口是否通 curl -X POST https://api-inference.modelscope.cn/v1/chat/completions \ -H "Authorization: Bearer 你的API密钥" \ -H "Content-Type: application/json" \ -d '{"model":"ZhipuAI/GLM-4.6","messages":[{"role":"user","content":"hi"}]}'

如果这个 curl 返回 401，说明 Key 本身有问题，跟 Claude Code 无关。如果 curl 正常但 Claude Code 报 401，那就是路由配置里的 Key 没填对。

5.2 local proxy failed / connection refused

报错长这样：local proxy failed或ECONNREFUSED 127.0.0.1:3456。这说明 Claude Code 找不到本地路由服务。

原因通常是路由没启动，或者端口被占用。先确认路由在跑：

ccr status

如果显示未运行，用ccr start启动。如果提示端口被占用，改一下路由配置里的端口，或者杀掉占用进程：

# macOS/Linux 查看占用 3456 端口的进程 lsof -i :3456

还有一种情况是 settings 里的ANTHROPIC_BASE_URL端口和路由实际监听端口不一致。默认都是 3456，如果你改过其中一个，记得两边同步。

5.3 reading choices / 响应解析失败

报错里出现reading 'choices'或cannot read property of undefined，这是路由在解析 ModelScope 返回时出的问题。根因通常是接口返回了错误信息，但路由按正常格式去取choices字段，取不到就崩了。

定位方法：看路由的日志输出，里面会有 ModelScope 返回的原始响应。常见触发原因有两个：一是模型 ID 写错，ModelScope 返回model not found；二是请求体格式不对，比如max_tokens超了模型上限。

修复：确认models里是ZhipuAI/GLM-4.6，确认maxtoken设的是 65536 而不是更大的值。如果还不行，把transformer里的enhancetool暂时去掉，排除是不是它引起的格式问题。

5.4 OAuth 登录冲突

如果你之前用 OAuth 登录过 Claude Code，配置路由后可能仍然走 Anthropic 官方接口，表现为请求正常但用的不是 GLM-4.6。这是因为 OAuth 凭证优先级高于 API Key。

解决：退出登录，清除凭证。

claude logout

然后重新用 API Key 模式启动。确认~/.claude/settings.json里ANTHROPIC_BASE_URL指向本地路由，ANTHROPIC_API_KEY是占位值。重启 Claude Code 后再问一次"你是什么模型"验证。

5.5 报错速查表

排查的核心思路是分层定位：先确认 ModelScope 接口本身通不通（curl 测），再确认路由服务在不在（ccr status），最后确认 Claude Code 指向对不对（settings 文件）。三层都过了，基本不会有问题。

6. 把 GLM-4.6 用顺手：额度优化与接入入口

配置跑通只是开始，怎么把免费额度用出最大价值才是关键。这一节讲几个实操技巧，再给出后续接入需要的入口。

6.1 额度用在刀刃上

ModelScope 的免费额度按调用次数算，所以减少无效请求就是省钱。几个习惯很管用：

把相关任务合并成一次请求。比如你要给五个函数写测试，不要一个一个问，一次性把五个函数贴进去，让模型批量生成。提示词写清楚"为以下每个函数生成 pytest 测试用例，包含正常场景、边界条件、异常情况"。

利用 GLM-4.6 的长上下文。它支持 65K token，意味着你可以在一次对话里先让它设计数据库模型，再基于刚才的设计让它写 ORM 定义，不用重复描述背景。上下文记忆能省下大量重复输入的 token。

让模型顺手把文档写了。代码生成完之后，直接追加一句"基于以上代码生成 README 和接口文档，用中文"，一次请求多份产出。

6.2 提示词的具体化

模糊的提示词会导致多轮返工，反而更费额度。对比一下：

差的写法是"写个排序函数"。好的写法是"写一个 Python 函数，输入是整数列表，用归并排序实现，要求稳定排序，包含类型注解和中文注释，并给出时间复杂度分析"。后者一次到位，前者可能要来回三四轮。

6.3 后续接入入口

如果你想把 GLM-4.6 接到更多工具里，或者需要更稳定的调用方案，下面这些入口用得上。获取和管理 API Key 走这里：

API Keys 管理：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=api_keys

接入文档里有各语言的调用示例和参数说明，配置遇到问题时对照着看：

接入文档：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=doc

想先在网页上试试 GLM-4.6 的代码能力，不装任何工具，用模型对话就行：

模型对话：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=chat

如果你打算长期用 Claude Code 做开发，或者要跑 Agent 类的自动化任务，Coding Plan 的额度方案比按次调用更划算：

Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=coding_plan

API 基础地址统一是 https://taotoken.net/api，配置时把api_base_url换成这个即可。

6.4 一个容易忽略的收尾动作

配置完成后，记得把包含 API Key 的文件加进.gitignore。~/.claude-code-router/config.json在用户目录下一般不会被提交，但如果你把配置复制到了项目里，一定要排除掉。密钥泄露的代价比省下的那点配置时间大得多。

最后留一个实用习惯：每次换模型或改配置后，先用"你是什么模型"这个问题验证一次，再开始正式编码。这一步花十秒，能避免你写半天代码才发现请求根本没走 GLM-4.6。