这不是一个小模型蹭热度。Step 5 Preview总参数量6000亿，采用稀疏MoE架构，每个Token实际激活的参数只有270亿。92层Transformer结构，原生支持文本和视觉输入，上下文窗口拉到100万Token。

一、什么水平？全球开源前三

在全球权威评测机构Artificial Analysis的综合智能指数上，Step 5 Preview拿到44分。这个分数是什么概念？在它前面的只有两个闭源模型——Claude Fable 5.1和GPT-6 Astra。也就是说，在全球所有开源模型里，它排进了前三。

这个榜单综合了软件工程、工具调用、长上下文、科学推理等十项测试，不是单靠某一项刷分。阶跃官方说，模型重点优化了AI编程、软件工程和专业知识工作场景，金融领域也做了针对性调优。

二、为什么开发者疯抢？成本是关键

OpenRouter上调用量暴涨的直接原因，不是跑分，而是性价比。据新浪财经报道，Step 5 Preview的单任务成本仅为Anthropic Claude Opus 5的八分之一。

这对开发者意味着什么？以前跑一个复杂Agent任务，用Claude Opus可能一次就要几毛钱，现在同样的任务用Step 5只要几分钱。大规模批量调用、长时间运行的自动化工作流，成本差距直接拉开数量级。

而且它是MoE架构——6000亿总参数看着吓人，但每次推理只激活270亿，推理成本远低于同级别密集模型。这就是为什么它能在性能对标旗舰的同时，把价格压到闭源模型的零头。

三、10月15日全面开源

这是最值得关注的信息：Step 5 Preview将于10月15日正式开源完整权重。

现在它已经通过API开放使用，但很多企业和开发者等的是开源权重——拿到权重后可以本地部署、私有化微调、二次开发，数据不出内网。对于金融、医疗、政务这些对数据合规要求高的场景，开源旗舰模型的价值远大于API调用。

从9月20日发布到现在不到一个月，Step 5 Preview已经从"新品发布"变成了OpenRouter上最火的模型。国产大模型这两年走了一条清晰的路线：先用API跑通场景，再开源抢开发者生态。阶跃这次直接把开源旗舰的门槛又往下压了一截。

五天后见真章。

这次更新不是简单的"模型变强了"，而是ChatGPT的交互方式被彻底改写。付费用户拿到的是GPT-6 Sol，免费用户获得GPT-6 Luna，两者都搭载了一项全新的"智能UI"（Intelligent UI）能力。简单说：以后AI回答你问题，不再只是给你一堆文字，而是自己决定答案长什么样。

一、AI开始自己"设计界面"

过去你让ChatGPT列个菜谱，它输出的就是一大段文字。现在GPT-6可以直接生成一个可交互的小工具：图文菜单、采购清单、每道菜的步骤卡片，点一下就能展开。

规划自驾旅行时，它能把路线、途经点、时间安排整合进一张可交互地图，景点介绍图文并茂，你还能直接拖动调整行程。学中央极限定理这种抽象概念时，它不只是文字解释，还能生成动态图形，你拖参数、看结果，边玩边学。

更狠的是，它能在对话里现场造工具。问储蓄增长怎么算，它直接生成一个计算器，你调本金、调收益率，数字实时变。朋友聚餐AA制？它当场做一个账单分摊器。甚至还能生成小游戏，全程不用离开聊天框。

这背后是OpenAI建了一套原生组件库加编译器，模型负责判断什么时候该用图表、什么时候该用地图、什么时候放个按钮——如果文字就够了，它也不会多此一举。

二、解决推理模型最大痛点：等太久

大模型越来越聪明，但用户也越来越烦"等"。以前模型要把所有思考走完才吐答案，现在GPT-6可以边想边说：先给你已经确定的部分，后续推理完再补充，最终结果依然完整一致。

数据说话：OpenAI内部评测显示，在复杂Agent任务中，GPT-6 Extra High的开始响应速度已经达到GPT-5.6 Medium的水平，而最终得分还高于GPT-5.6 Extra High。联网搜索场景下，GPT-6 Instant的平均开始回答时间比上一代提前了44%。

与此同时，OpenAI还公布了一个里程碑数字：Codex和ChatGPT Work的活跃用户合计已突破4000万。为了庆祝，官方直接给所有付费用户重置了一次使用额度。

三、对普通人意味着什么？

第一，免费门槛大幅降低。以前要用最强模型得掏20美元/月，现在GPT-6 Luna免费开放，12亿用户零成本体验旗舰级AI能力。

第二，AI从"聊天工具"变成了"即时应用平台"。你不需要再下载一堆App，描述需求就能生成对应的小工具。这对独立开发者和小团队来说，既是效率红利，也是产品形态的冲击。

第三，推理速度的提升意味着AI Agent（智能体）真正可用了。以前等模型想半天，现在边搜边答，复杂任务的等待感知大幅缩短。

当然，OpenAI也没放松安全。新版模型加强了对网络攻击、生物威胁等场景的防护，在对抗多轮适应性攻击的测试中表现更强，同时也在减少对正常请求的误拒。

从"聊天框里的文字"到"自己组装界面的AI"，GPT-6这一步可能比模型本身的能力提升更值得关注。当AI开始自己决定怎么呈现答案、甚至现场造工具，软件的形态可能真的要变了。

用千问生成美女提示词用法举例：
第一步：下载千问，已有千问APP打开即可；
第二步：写提示词，提示词示例：
绝代佳人，正脸近景，长发盘起，发间装饰有精致的白色花朵和金色饰品，增添了几分优雅与灵动。
第三步：点击生成

生成示例：
一位长发及腰的桃花眼美女，短款战术背心，黑色战术短裤，武装带，吊儿郎当的分腿蹲在...

资源分享：
1.
分享文件：美女Ai 提示词 3期100张 - c.zip
链接：https://pan.xunlei.com/s/VP1PYd_FOJ3kjfEBfdn2FUxSA1?pwd=k8r4#
复制这段内容后打开迅雷，查看更方便
迅雷APP 首页搜索：美一二三
进入群组，资源不定期更新。

2.
通过网盘分享的文件：美女Ai 提示词 3期100张 - c.zip
链接: https://pan.baidu.com/s/1OBskn8texxmlKXrKsvNCKw?pwd=6yvt

3.
我用夸克网盘给你分享了「美女Ai 提示词 3期100张 - c.zip」，点击链接或复制整段内容，打开「夸克APP」即可获取。
/~08353ar6od~:/
链接：https://pan.quark.cn/s/58d23fb1be16?pwd=7MTD

现在下载千问，领取新人福利：
千问优惠券：
1.用户注册下载千问
2.搜索框输入口令 或者 扫码
口令码：千问新人福利93EwXs

一份带你看懂 Token 获取、工具链选型与实战代码的完全指南

近几年，大模型 API 调用成本已降至每百万 token 不足 0.5 美元，模型本身的“智力”差距正在缩小，真正的竞争焦点转向了应用层的定制化开发。这意味着，现在正是开发者入局 AI 应用开发的最佳时机。本文将从开发环境、Token 获取、代码实现到部署上线，提供一套可直接上手的实践指南。

一、环境准备：10 分钟搭建开发环境

AI 应用开发的核心工具链并不复杂，只需三步即可完成基础配置。

1.1 IDE 与基础环境

推荐使用 VS Code 作为主力编辑器，安装 Python 插件即可获得完整的代码编写与调试支持。对于 Python 项目，建议使用虚拟环境管理依赖：

pip install openai python-dotenv

openai 是调用大模型 API 的标准库，python-dotenv 用于安全地管理敏感配置。

1.2 AI 编程助手（可选但强烈推荐）

如果想大幅提升开发效率，可以在 VS Code 中安装 Cline 等 AI 编程助手插件。配置好 Token 后，只需用自然语言描述需求，Cline 就能自动生成代码、调试错误。

1.3 配置文件管理：.env 文件

绝不要将 API Key 硬编码在代码中。在项目根目录新建 .env 文件：

# .env 文件
API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
BASE_URL=https://api.example.com/v1
MODEL_NAME=gpt-4

然后在 Python 代码中通过 dotenv 加载：

from openai import OpenAI
from dotenv import load_dotenv
import os

load_dotenv()

client = OpenAI(
    api_key=os.getenv("API_KEY"),
    base_url=os.getenv("BASE_URL")
)
model = os.getenv("MODEL_NAME")

这是业界标准做法，可有效避免密钥泄露风险。

二、Token 获取：主流大模型服务商指南

Token 是大模型 API 的计费单位，不同服务商的获取方式略有差异。

2.1 华为云 MaaS（ModelArts Studio）

华为开发者空间的权益中心每周可免费领取 200 万 Token（DeepSeek V3 商业级），适合个人开发者学习和原型验证。领取后可在 MaaS 控制台查看 API Key 和调用地址。

2.2 Azure OpenAI

Azure 用户需在 Azure 门户中创建 OpenAI 资源，部署模型后即可获得终结点（Endpoint）和密钥（Key）。Azure 支持通过 REST API 或 OpenAI SDK for Python 访问。

2.3 国内主流服务商

百度、阿里、腾讯等平台均提供兼容 OpenAI 格式的 API 接口，通常需在各自控制台创建应用并获取 API Key。配置时只需替换 .env 中的 BASE_URL 和 MODEL_NAME 即可。

2.4 开源免费方案

如需完全免费且本地化部署，可使用 Hugging Face 的 Transformers 库加载开源模型（如 GPT-2、Qwen 等）。但这需要本地 GPU 资源，适合有硬件条件的开发者。

三、核心代码实现：从单轮到多轮对话

3.1 单轮对话：最基础的调用

def single_chat(question: str) -> str:
    """单轮大模型对话"""
    try:
        response = client.chat.completions.create(
            model=model,
            messages=[{"role": "user", "content": question}],
            temperature=0.7,    # 0-1，越高越随机
            max_tokens=1024     # 最大输出长度
        )
        return response.choices[0].message.content.strip()
    except Exception as e:
        return f"请求异常：{str(e)}"

# 调用示例
if __name__ == "__main__":
    res = single_chat("简述大模型在企业业务中的落地场景")
    print(res)

temperature 控制回复的随机性，0.7 是多数场景的平衡值；max_tokens 限制输出长度，需根据任务调整。

3.2 多轮上下文对话：保留历史记忆

实现连续对话的关键是维护 chat_history 列表：

def multi_chat(chat_history: list, new_msg: str) -> tuple[list, str]:
    """多轮上下文对话"""
    chat_history.append({"role": "user", "content": new_msg})

    try:
        response = client.chat.completions.create(
            model=model,
            messages=chat_history,
            temperature=0.6
        )
        reply = response.choices[0].message.content.strip()
        chat_history.append({"role": "assistant", "content": reply})
        return chat_history, reply
    except Exception as e:
        return chat_history, f"请求异常：{str(e)}"

每次调用时将完整的 chat_history 传入，模型即可理解上下文。

四、进阶实践：RAG 与生产级部署

4.1 RAG（检索增强生成）架构

当需要让模型回答私有数据（如企业文档）时，RAG 是主流方案。典型流程为：

1. 文档解析：使用 Unstructured.io + PyMuPDF 处理 PDF、Word 等格式
2. 向量化存储：通过 Embedding 模型（如 BGE-M3）将文本转为向量，存入 Milvus 等向量数据库
3. 检索+生成：用户提问时先检索相关文档片段，再将“检索结果 + 用户问题”一起发给大模型生成答案

这一架构可避免模型“幻觉”，确保回答有据可依。

4.2 模型量化与性能优化

部署阶段建议使用量化技术降低推理成本：

• 动态量化：适用于 CPU 部署
• 静态量化：需校准数据集，推理速度可提升 2-4 倍
• 量化感知训练（QAT）：精度损失 < 1%，适合精度敏感场景

混合精度训练（FP16）可减少约 30% 的显存占用，是训练阶段的常用优化手段。

4.3 部署方案

推荐采用 FastAPI + Docker + Kubernetes 的微服务架构：

• FastAPI 提供 REST API 接口
• Docker 容器化应用
• K8s 管理服务扩缩容与高可用

配合 Prometheus + Grafana 监控 QPS、延迟等关键指标，实现生产级运维。

五、选型建议与踩坑提醒

一个常见踩坑点：AI 编程助手生成的代码不一定是最终可用的。建议让助手先输出框架，再由人工审查和调整核心逻辑。如遇运行错误，可将错误日志直接粘贴给 AI 助手，它能快速定位并修复。

本文提供的代码和配置均经过验证，可直接在项目中复用。AI 应用开发的门槛正在快速降低，掌握这些基础能力后，你完全可以从“调用 API”进阶到“构建生产级 AI 产品”。如果觉得有用，建议收藏或保存，方便后续实践时查阅。

2026年8月，北京亦庄，世界机器人大会的展馆内，一台名为Galbot ET1的双足人形机器人正在学习打网球。它不仅能自主维持身体平衡、精准控制腕部动作，还能通过左右吊球等战术与人类选手展开对抗 。支撑这一切的，是银河通用自研的具身大模型“银河星脑”与物理世界原生智能体AstraBrain-Agent的深度协同 。

这一幕，恰如其分地揭示了AI与机器人关系的本质跃迁：机器人不再是预设程序的冰冷执行者，AI也不再是困于数字世界的“缸中之脑”。两者的深度融合，正催生出一个全新的智能物种——具身智能。

从“身体”到“大脑”：一场竞赛重心的转移

过去十年，机器人竞赛的核心是“身体”：谁能走得更稳、跑得更快、关节更灵活。而今，行业重心正在发生根本性转移。高盛在2026年7月发布的研究报告明确指出，行业焦点已从“身体能力”转向“智能决策” 。在具身智能的产业链中，“大脑”的溢价已远高于“身体”。正如一位机器人产业投资人所言：“国内机器人硬件产业链已无代际差距，核心差距在‘大脑’。具身智能的投资逻辑正从押注机器人本体转向押注具身大脑。”

这一判断最直观的体现，来自蚂蚁灵波科技在WRC上的展示。其“全栈大脑2.0”驱动的机器人，能在药房、工厂、仓库三种截然不同的场景中连续作业，并且这套大脑在预训练阶段就适配了17个机器人品牌、20多种构型，可实现单臂、双臂、双足、轮式，以及头部、腰部、灵巧手等多自由度的协同控制 。同一种大脑，驱动不同形态的“身体”，完成截然不同的任务——这正是“一脑多机”的产业图景。

“大脑”的进化：VLA模型与世界模型

机器人“大脑”的技术路线正日益清晰。当前，两条主流的“大脑”路线正在并行演进：视觉—语言—行动模型（VLA）与世界模型 。

VLA模型赋予机器人将传感器信息与自然语言指令直接转化为实际动作的能力，它吸收了海量带动作标签的机器人数据，让机器学会“怎么做” 。而世界模型，则被图灵奖得主杨立昆定义为“能预测行动后果的内部模拟器” ，是机器人认知物理世界、预判行动后果的核心引擎。它消化海量视频数据，让机器理解“世界是怎样的”。

银河通用提出的世界—动作模型（WAM）架构，正是试图将这两种能力纳入统一模型，实现跨本体、跨任务、跨场景的操作能力 。而宇树科技则更进一步，正在预研物理AI机器人自进化体系：让智能体自主检索全球前沿论文、生成控制代码，在仿真与实物测试中完成闭环迭代，最终实现机器人的自我进化 。

落地的考验：泛化、数据与场景

尽管“大脑”的技术路径日渐清晰，但行业共识是：具身智能尚未迎来它的“ChatGPT时刻”。宇树科技董事长王兴兴直言，当前机器人的最大瓶颈是泛化能力不足——在固定场景中，任务成功率可接近100%，但一旦操作物品或环境发生变化，成功率便大幅下滑 。

根本原因在于误差累积：语言模型的输入输出处于数字向量空间，几乎无误差；但机器人的每一次感知、决策与执行都会产生误差，末端操作的毫米级偏差最终会导致任务失败 。这解释了为什么世界模型在2026年成为行业焦点——它试图在行动之前，先在内部推演多种可能、预判不同后果，以减少物理世界中的试错成本 。

然而，实验室与展台上的突破，最终必须走向真实场景。从蚂蚁灵波在上海国大药房正式上岗的夜班分拣机器人 ，到银河通用已在宁德时代产线常态化运行的工业机器人 ，再到源络科技与国家级科研实验室联合研发、在实验台上完成亚毫米级精准操作的实验室机器人 ——真正的产业价值，正在于AI与机器人结合后，在真实世界中解决问题的能力。

当一台机器人能在80%的陌生环境中，通过自然语言指令完成80%的日常任务时，具身智能的“ChatGPT时刻”便会到来 。这场从“造身”到“赋魂”的跨越，或许就在2至3年内发生 。而它将开启的，不仅是机器人的新时代，更是AI真正理解物理世界、与人类共存共融的新纪元。

20260919-🔥K12教育机器人编程课件资料
https://pan.quark.cn/s/5c8592c9ba57?pwd=MQee

20260919-🔥2026年最火AI视频模型 Seedance 2.0 学习资料包
https://pan.quark.cn/s/4d797e8c8f7a?pwd=6mtr

20260913-AI美女提示词资源
AI人物生成提示词用法简介

20260810-AI短剧·漫剧全能工坊
https://metaso.cn/s/mey8NtJ

这一章给我的最大启发是：训练流程不是“模型 forward 一下再 backward 一下”，而是一条必须能被恢复、能被复现、能控制成本的流水线。先想明白数据要学什么、资源能承受什么，再决定 Pretrain、SFT 还是 LoRA，比先写训练脚本重要得多。

从手写实现转向 Transformers 生态

手写模型和训练流程很适合理解原理，但不适合长期维护。新模型结构更新很快，自己实现不仅要追结构，还要处理 tokenizer、权重加载、分布式训练和保存格式。更麻烦的是，手写模型通常很难直接复用社区里的预训练权重，实验一开始就和主流生态脱节了。

Transformers 的价值不只是“少写代码”。AutoConfig、AutoModelForCausalLM、AutoTokenizer 把模型配置、权重和分词器统一到一套接口里；Trainer 又把训练循环、日志、保存、混合精度、梯度累积和分布式启动封装起来。这样一来，研究者可以把注意力放在数据和实验设计上，而不是每次重新搭基础设施。

这并不意味着底层原理不重要。恰恰相反，只有知道模型是怎么 forward、loss 是怎么算、mask 是怎么控制的，使用框架时才不容易被默认参数带偏。框架应该帮我们减少重复劳动，而不是替我们做所有判断。

Pretrain 和 SFT 的差别，最后都体现在数据里

这一章把 Pretrain 和 SFT 放在同一个 Transformers 流程里实现，但两者的数据处理逻辑完全不同。Pretrain 面向连续文本，通常会把大量文本 tokenize 后拼接成固定长度的 block，例如 2048 个 token。因为目标是因果语言建模，labels 基本就是 input_ids 的副本，模型需要对整段文本学习“下一个 token 是什么”。

SFT 面向对话或指令数据，重点变成角色边界和 loss 掩码。教程沿用了 Qwen 风格的 <|im_start|> 与 <|im_end|> 模板，把 system、user、assistant 拼成一条序列，但只让 assistant 的回答参与 loss。user 的问题、system 的设定和 padding 位置都会被 IGNORE_TOKEN_ID 遮蔽。

这个差异非常值得记住。Pretrain 是让模型“读懂并续写世界”，SFT 是让模型“在指定上下文里给出合格回答”。如果 SFT 里把 prompt 也算进 loss，模型可能会去学习用户怎么提问；如果特殊 token、换行或角色边界拼错，模型推理时就会出现格式漂移。很多微调效果问题，其实不是模型能力不够，而是监督信号给错了位置。

DeepSpeed 解决的不是神秘感，而是训练能不能跑完

第六章使用 DeepSpeed 启动多卡训练，并采用 ZeRO-2 配置。对个人实验来说，这部分看起来工程味很重，但它解决的问题非常具体：单卡显存不够、训练时间太长、长时间任务可能中断。

pretrain.sh 和 finetune.sh 里真正值得关注的不是每个参数都记住，而是几个组合关系。per_device_train_batch_size 决定单卡一次吃多少样本，gradient_accumulation_steps 决定累积多少步再更新，gradient_checkpointing 用额外计算换显存，bf16 降低数值精度开销，save_steps 和 checkpoint 恢复保证训练中断后不用从零再来。DeepSpeed 则负责把这些训练状态分布到多卡上。

我以前容易把“上大模型训练”理解成直接堆显卡，现在会更谨慎。显存是否够用，取决于参数、梯度、优化器状态、激活值、batch size、序列长度和并行策略。只改其中一个参数不一定有效，反而可能让吞吐更差。真正稳妥的做法是先用小样本、短序列和小 batch 验证路径，再逐步扩大规模。

LoRA 的核心不是省参数，而是明确只改一小部分

LoRA 的公式很简洁：冻结原始权重 W0，只学习低秩矩阵 A 和 B，用 BA 近似权重更新量。放在 Transformer 里，常见做法是把 LoRA 接到注意力层的 q_proj、v_proj 等线性层上。这样原模型的大部分参数不需要梯度，也不需要保存对应优化器状态，训练成本会显著下降。

我更愿意把 LoRA 理解成一种工程约束：默认基座模型已经具备大部分能力，当前任务只需要在这个能力空间里做有限调整。它特别适合风格适配、格式约束、任务偏好和小规模领域数据微调，因为目标不是重新注入大量知识，而是改变模型调用已有知识的方式。

这也解释了 LoRA 的边界。它不适合承担“从零学习大量新知识”的任务，也不适合替代完整预训练。如果业务问题是知识缺失，RAG、继续预训练或更高质量的数据注入可能更合适；如果问题是回答格式、语气、任务协议不稳定，LoRA 往往才是性价比更高的选择。

训练前先做的几个判断

看完这一章，我会把训练前的检查压缩成四个问题。

第一，数据到底想让模型学什么？如果是通用语言能力，预训练数据和 block 构造是重点；如果是指令遵循，对话模板和 response-only loss 是重点。

第二，训练是否能被恢复？长时间任务必须考虑日志、checkpoint、断点续训和输出目录管理，否则一次中断就可能让实验失去可比性。

第三，成本瓶颈在哪里？显存、吞吐、数据读取和通信都可能是瓶颈，不能只盯 GPU 数量。Trainer、DeepSpeed、混合精度和梯度检查点都是围绕这些约束做取舍。

第四，是否真的需要全量训练？如果基座模型已经具备所需知识，只是输出行为不稳定，先做小规模 SFT 或 LoRA 通常更合理。训练方法越重，数据和评估成本也越高。

这篇让我意识到，大模型训练最关键的并不是某个框架命令，而是把“目标、数据、资源、恢复机制”连成一条清楚的链路。能跑通只是第一步，能解释为什么这样跑、出问题从哪里查，才算真正进入工程实践。

参考项目：https://github.com/datawhalechina/happy-llm
在线阅读：https://datawhalechina.github.io/happy-llm/

OpenCode 的一个核心优势是模型无关性。它基于 AI SDK 构建，支持 75+ 家 LLM 提供商，包括 Anthropic、OpenAI、Google、DeepSeek 等，同时也支持通过 Ollama 运行本地模型。这意味着你不会被绑定在某一家的订阅服务上，可以根据预算和需求灵活切换。

对于 Android 开发者来说，日常工作中 Android Studio（基于 IntelliJ 平台）是主力工具。如果能在 IDE 内直接使用 OpenCode 的 Agent 能力——让它理解项目结构、阅读代码、执行重构——就能在不切换上下文的前提下获得 AI 编程辅助。得益于 JetBrains AI Assistant 插件对 ACP（Agent Client Protocol）协议的支持，OpenCode 可以作为 Agent 直接接入 Android Studio，无需在终端和 IDE 之间来回跳转。

ACP 是一个开放协议，用于标准化代码编辑器与 AI 编码代理之间的通信。OpenCode 通过 opencode acp 命令以 ACP 兼容的子进程方式启动，经 stdio 上的 JSON-RPC 与编辑器通信。在 JetBrains IDE 中，AI Assistant 插件已经内置了对 ACP 的支持，并且将 OpenCode 列入了可用 Agent 列表，安装过程非常简单。

下面以 Android Studio 为例，介绍完整的接入和配置流程。

一、安装 JetBrains AI Assistant 插件与 OpenCode Agent

整个接入过程分两步：先安装 JetBrains AI Assistant 插件，再在其中启用 OpenCode Agent。

安装 AI Assistant 插件

Android Studio 默认没有内置 AI Assistant，需要先安装这个官方插件：

1. 打开 Android Studio，进入 Settings | Plugins（macOS 为 Android Studio | Settings | Plugins）。
2. 切换到 Marketplace 选项卡，搜索 "AI Assistant"，找到 JetBrains 官方发布的 AI Assistant 插件，点击 Install。
3. 安装完成后重启 IDE 使插件生效。

安装 OpenCode Agent

AI Assistant 插件提供了 Agent 扩展能力，OpenCode 已被收录在可用 Agent 列表中：

1. 打开设置页面：

   • Windows / Linux：File | Settings | Tools | AI Assistant | Agents
   • macOS：Android Studio | Settings | Tools | AI Assistant | Agents

2. 在 Available Agents 列表中找到 OpenCode，点击 Add / Install。

3. 等待后台下载完成后，在 AI Chat 窗口的 Agent 下拉菜单中即可看到 OpenCode 选项。

这里有一个关键点需要说明：安装 OpenCode Agent 时，AI Assistant 插件会自动在 IDE 内部下载并运行一份独立的 OpenCode 运行时。也就是说，如果你只打算在 IDE 里使用 OpenCode，就完全不需要再单独安装 OpenCode CLI 或 OpenCode 桌面应用——IDE 内部的实例已经够用了。

当然，如果你同时在终端中也需要 OpenCode，可以另行安装 CLI（curl -fsSL https://opencode.ai/install | bash）。IDE 内的 OpenCode 和终端中的 OpenCode 各自拥有独立的运行时进程，但共享同一份全局配置——~/.config/opencode/opencode.jsonc（模型配置）和 ~/.config/opencode/AGENTS.md（全局规则）都是通用的。后面两节写好的配置，对 IDE 内的 OpenCode 和终端中的 OpenCode 同时生效。

二、使用 OpenCode Zen 的预置免费模型

在动手配置自定义模型之前，不妨先了解一下 OpenCode 官方提供的 Zen 服务。OpenCode Zen 是 OpenCode 团队维护的模型网关，收录了一批经过测试和基准验证的模型，涵盖 GPT、Claude、Gemini、DeepSeek、Qwen 等主流系列。Zen 采用按量付费模式，但其中有几款模型目前限时免费提供：

这些免费模型的输入、输出和缓存读取均为 $0，适合在评估阶段或轻量使用场景下零成本体验 OpenCode 的 Agent 能力。不过需要注意，"限时免费"意味着随时可能调整，具体以官方页面为准。

接入 Zen 的方式很简单：

1. 前往 opencode.ai/auth 注册并登录，复制你的 API 密钥（免费模型无需充值）。
2. 在 IDE 的 AI Assistant 聊天面板中，选择 OpenCode 作为 Agent，在输入框中执行 /connect 命令，选择 OpenCode Zen，粘贴 API 密钥。

凭据会存储在 ~/.local/share/opencode/auth.json 中，IDE 内的 OpenCode 和终端中的 OpenCode 共享这份凭据，只需配置一次。之后在模型切换菜单中就能看到 Zen 提供的全部模型，包括上述免费模型，直接选用即可。

如果免费模型已经能满足你的日常需求，到这里就可以开始使用了。但如果你已有 DeepSeek、硅基流动等国内服务商的 API 密钥，或者想接入本地 Ollama 模型，可以继续看下一节配置自定义模型。

三、配置自定义大模型

OpenCode 支持标准的 OpenAI 兼容协议，这意味着任何提供 OpenAI 风格 API 接口的服务商——DeepSeek、硅基流动、Moonshot，甚至本地 Ollama——都可以接入。

配置方式是修改 OpenCode 的全局配置文件。在 Linux 和 macOS 上，路径为 ~/.config/opencode/opencode.jsonc；在 Windows 上，路径为 %USERPROFILE%\.config\opencode\opencode.jsonc。

这里以火山引擎的 Coding Plan 为例：

打开终端，创建并写入配置文件：

~/.config/opencode/opencode.jsonc

{
  "$schema": "https://opencode.ai/config.json",
  "model": "volcengine-plan/ark-code-latest",
  "provider": {
    "volcengine-plan": {
      "npm": "@ai-sdk/openai",
      "name": "Volcano Engine（Responses API）",
      "options": {
        "baseURL": "https://ark.cn-beijing.volces.com/api/coding/v3",
        "apiKey": <APIkey>
      },
      "models": {
        "glm-5.2": {
          "name": "glm-5.2",
          "limit": {
            "context": 1024000,
            "output": 65536
          },
          "modalities": {
            "input": [
              "text"
            ],
            "output": [
              "text"
            ]
          }
        },
        "deepseek-v4-flash": {
          "name": "deepseek-v4-flash",
          "limit": {
            "context": 1024000,
            "output": 65536
          }
        },
        "deepseek-v4-pro": {
          "name": "deepseek-v4-pro",
          "limit": {
            "context": 1024000,
            "output": 65536
          }
        },
        "kimi-k2.7-code": {
          "name": "kimi-k2.7-code",
          "limit": {
            "context": 256000,
            "output": 32000
          },
          "modalities": {
            "input": [
              "text",
              "image"
            ],
            "output": [
              "text"
            ]
          }
        }
      }
    }
  }
}

几个关键参数说明：

• provider 的键名（my-custom-ai）：自定义的提供商标识，后续在模型选择菜单中会作为分组名显示。
• npm：指定 @ai-sdk/openai-compatible，告诉 OpenCode 使用 OpenAI 兼容协议来通信。
• baseURL：你的 API 服务商的基础地址。以 DeepSeek 为例是 https://api.deepseek.com；如果用硅基流动，则是 https://api.siliconflow.cn/v1；如果是本地 Ollama，则是 http://localhost:11434/v1。
• models 中的键名（如 deepseek-chat）：必须严格对应 API 服务商提供的 Model ID，写错了会调用失败。
• model：默认使用的模型，格式为 提供商标识/模型ID。

如果你同时使用多个服务商，可以在 provider 下添加多个条目，OpenCode 会在模型切换菜单中按提供商分组展示。

四、让 OpenCode 输出中文

安装完 OpenCode 后你可能会发现一个问题：即便 Android Studio 的 Natural Language 设置已经改为中文，OpenCode 的回复仍然是英文。

这是因为通过 ACP 接入的第三方 Agent 会绕过 JetBrains 官方的语言设置，直接使用模型自身的默认语言行为。解决方法是通过 OpenCode 的全局规则文件 AGENTS.md 进行最高优先级的指令注入。

OpenCode 在启动时会按以下顺序查找规则文件：

1. 项目目录中的 AGENTS.md（项目级规则，可提交到 Git 与团队共享）
2. ~/.config/opencode/AGENTS.md（全局规则，个人偏好）
3. ~/.claude/CLAUDE.md（Claude Code 兼容，回退方案）

我们要做的是在全局规则文件中写入语言控制指令：

~/.config/opencode/AGENTS.md

# 全局语言与行为规范

- **CRITICAL LANGUAGE RULE**: You must think, plan, analyze code, and reply STRICTLY in Simplified Chinese (简体中文).
- Never use English for dialogue responses, even if the user prompts you in English or the underlying system defaults to English.
- All code explanations, architecture reviews, and chat interactions within the IDE must be generated in natural, fluent Chinese.

这个文件不会被提交到 Git，只影响你本地的 OpenCode 会话。如果你在某些项目中需要 AI 用英文回复，可以在项目根目录创建一个项目级 AGENTS.md 来覆盖全局规则。

五、重启验证

配置修改完成后，需要确保没有旧的 OpenCode 进程在后台运行，否则它会继续使用旧配置。

最简单的方式是直接关闭并重新打开 Android Studio：关闭 Android Studio 后，IDE 内的 OpenCode 进程会随之退出；重新打开 Android Studio 后，AI Assistant 插件会自动重新拉起 OpenCode 进程，此时读取的就是最新的配置了。

当然，如果你不想重启 IDE，也可以在终端手动杀掉残留进程：

pkill -f opencode

然后在 AI Assistant 聊天面板中点击右上角的 + 开启一个全新会话（这一步很重要，旧会话不会重新加载配置）。在 Agent 下拉菜单中选择 OpenCode，再点击模型切换下拉菜单，你应该能看到新增的 Custom-AI-Source 分组和配置的自定义模型。

选好模型后，随便输入一句话或让它解释当前打开的代码文件，如果 AI 用流利的中文回复，说明配置已经生效。

六、日常使用建议

Token 消耗优化：中文分词相比英文会多消耗约 1.5 倍的 Token。日常提问时建议采用"中英混编"策略——提问直奔主题，专有名词保持英文，让 AI 用中文输出解释。例如：「优化这段 Room 数据库的 Migration 逻辑」就比全英文或全中文长句更省 Token。

本地离线方案：如果你追求完全的离线和隐私，可以用 Ollama 在本地跑 qwen2.5-coder 或 deepseek-r1，然后把 opencode.jsonc 中的 baseURL 改为 http://localhost:11434/v1，Authorization 头去掉或留空，即可实现免费、离线的工程级 Agent 辅助。不过本地模型的能力和速度取决于你的硬件配置，在复杂重构任务上可能不如云端模型。

项目级规则：除了全局的中文规则，建议在每个项目根目录创建项目级 AGENTS.md，写入项目的技术栈、目录结构、编码规范等信息。可以运行 opencode 命令后执行 /init，让 OpenCode 自动分析项目并生成初始的 AGENTS.md，然后再手动补充。这个文件应该提交到 Git，让团队共享同一套规则。

七、附录：跨平台配置文件路径

在 AI 辅助创作的时代，工具的选择决定了内容的上限。与其让 AI 泛泛而谈，不如用专业的 Skill 把它变成你的专属编辑、设计师和研究员。

以下为你精选了 10 个能显著提升中文内容创作效率与质量的 Skill，覆盖了从选题、写作、润色到视觉包装的全流程。

️ 写作与润色

1. Humanizer-zh

   • 功能：中文“去 AI 味”神器。
   • 亮点：由“归藏”汉化，专门针对 AI 写作中常见的空话、套话、三段式、过度排比等“机器腔”进行优化，让文本读起来更像真人所写，自然流畅。
   • 地址：http://github.com/op7418/Humanizer-zh

2. dbskill

   • 功能：内容“选题诊断器”。
   • 亮点：帮你诊断商业表达的痛点，深度剖析爆款逻辑，并为你构思更具吸引力的小红书标题，让内容从源头就具备传播潜力。
   • 地址：http://github.com/dontbesilent2025/dbskill

3. content-research-writer

   • 功能：一站式写作工作流。
   • 亮点：打通了从选题、资料搜集、列提纲到撰写初稿的完整流程。无论是公众号长文还是 Newsletter，都能高效完成。
   • 地址：http://github.com/openakita/openakita (skills/content-research-writer)

4. notebooklm-skill

   • 功能：基于资料库的深度写作。
   • 亮点：让 NotebookLM 先进行资料检索，再由 Claude 动笔撰写。这种方式能确保内容基于你的专属资料库，有效减少 AI 的“胡编乱造”，特别适合深度文章和行业研究。
   • 地址：http://github.com/claude-world/notebooklm-skill

5. khazix-skills

   • 功能：卡兹克的开源写作合集。
   • 亮点：由“数字生命卡兹克”开源，其中包含多个写作相关的 Skill。其写作流侧重于深度分析，非常适合用来啃 AI 热点、撰写万字长文和输出深度观点。
   • 地址：http://github.com/KKKKhazix/khazix-skills

视觉与包装

1. ian-xiaohei-illustrations

   • 功能：正文配图神器。
   • 亮点：能将你的观点、流程或情绪，转化为独特的“小黑”风格手绘插图。它不是简单地给你一张图，而是为你的内容量身定制插画，增强文章的独特性和趣味性。
   • 地址：http://github.com/helloianneo/ian-xiaohei-illustrations

2. guizang-social-card-skill

   • 功能：社交媒体图文生成器。
   • 亮点：写完长文后，可以直接用它将内容切片，一键生成适合小红书发布的图文卡片和公众号封面图，极大提升了内容二次分发的效率。
   • 地址：http://github.com/op7418/guizang-social-card-skill

3. baoyu-skills

   • 功能：宝玉的视觉工具箱。
   • 亮点：一个功能全面的视觉工具包，无论是文章封面、信息图、结构图还是知识图解，都能轻松制作，专门负责提升文章的“颜值”和信息传达效率。
   • 地址：http://github.com/jimliu/baoyu-skills

4. guizang-ppt-skill

   • 功能：内容多格式转换工具。
   • 亮点：能将文章的核心观点一键转换为 PPT、演讲图，同时也能生成公众号头图和小红书封面，让一份内容实现多渠道、多形式的价值最大化。
   • 地址：http://github.com/op7418/guizang-ppt-skill

5. html-anything

   • 功能：HTML 页面与海报生成器。
   • 亮点：可以将 Markdown 或纯文案，快速转化为设计精美的 HTML 页面、海报或知识卡片。无论是杂志风格还是知识卡片风格，都能轻松实现，让内容展示更具吸引力。
   • 地址：http://github.com/clockless-org/html-anything