AI

最近在 Claude Code 里遇到一个让人懵的错： An image in the conversation exceeds the dimension limit for many-image requests (2000px). Start a new session with fewer images. 我当时贴的是一张完全正常的 100×200 小图。按直觉这应该是"最后那张图超大"，但实际不是。这是一个累积性 bug，触发时机、原因、解法都反直觉，一旦踩到还会反复踩。这篇文章把规则、原理、可直接用的工具都讲清楚。 现象 一次典型触发路径： 某个 Claude Code 会话里，你聊了半天，中途贴过几张截图（假设有一张是 2500×1800，Retina 截图很容易超过 2000 px）。 继续往下聊，又贴了一张新的截图（不管多大）。 这次请求 直接失败，报上面那个 dimension limit。 之后你纯文字发消息也会失败。会话彻底卡住，除了开新会话没别的选项。 如果你用的是 Paseo（多 tab 聚合 Claude Code / Codex 的客户端），一个 tab 挂掉不影响别的，但那个 tab 里一整段有价值的上下文基本就废了。 原因：Anthropic API 的多图分档规则 Anthropic 的 Messages API 对图片有两档尺寸规则： ...

这篇是 OpenClaw 入门教程 的续集，假设你已经装好了 OpenClaw，跑通了基本的 Telegram 交互。这里讲的是真正把它用起来之后的进阶技巧。 多 Agent 任务分工 OpenClaw 支持在同一个 Telegram 群里配置多个 Agent，各自负责不同领域，这是它最容易被忽视的功能。 为什么要分 Agent 不分 Agent 时，你的 AI 助手是个通才——什么都能问，但没有专门的上下文和工具。问运维问题时它不知道你的服务器架构，问量化策略时它不知道你的持仓逻辑。 分 Agent 后，每个 Agent 有自己的： 系统提示词：注入对应领域的背景知识 Skill 集合：只挂载相关的工具 独立对话历史：不会被其他任务干扰 配置示例 在 ~/.openclaw/config.yml 里定义多个 Agent： agents: - name: "ops" description: "服务器运维助手" skills: - healthcheck - ssh-tools system_prompt: | 你是专门负责管理服务器基础设施的运维助手。 你熟悉 Nginx、Docker、系统监控等运维工作。 遇到需要执行命令的任务，先解释再操作。 - name: "quant" description: "量化策略助手" skills: - binance-watcher - grafana-query system_prompt: | 你是专门负责量化策略监控的助手。 你了解趋势跟踪策略的基本逻辑，能解读持仓信号和收益数据。 不公开具体策略参数。 - name: "writer" description: "写作助手" skills: - obsidian system_prompt: | 你是博客写作助手，帮助整理思路、起草文章、整理笔记。 写作风格：直接、有观点，不废话。 在 Telegram 里通过 /agent ops 切换到对应 Agent，之后的对话都走那个 Agent 的配置。 ...

OpenAI 在 2025 年初发布了 Codex CLI——一个在终端里直接用 AI 写代码、改文件、执行命令的工具。跟 ChatGPT 网页版不一样，Codex CLI 的核心是直接操作你本地文件系统，让 AI 真正帮你干活，而不是给你贴代码让你自己粘。 这篇文章覆盖完整的入门流程，从安装到能用，大约 10 分钟。 准备工作 需要两样东西： Node.js 18+（node --version 确认） OpenAI API Key（platform.openai.com 获取） API Key 需要绑定了付费方式，免费额度不支持 Codex 用的模型。 安装 npm install -g @openai/codex 安装完验证： codex --version 认证配置 有两种方式配置 API Key： 方式一：环境变量（推荐） export OPENAI_API_KEY="sk-xxxx..." 加到 ~/.zshrc 或 ~/.bashrc 让它持久化： echo 'export OPENAI_API_KEY="sk-xxxx..."' >> ~/.zshrc source ~/.zshrc 方式二：运行时输入 直接运行 codex，第一次会提示你输入 API Key，会保存到 ~/.codex/config.json。 ...

Google One AI Premium 是 Google 把旗下 AI 产品打包卖的订阅方案，$19.99/月，主要包含三样东西： Gemini Advanced：Google 最强 AI 模型（Gemini 1.5 Pro/Ultra 级别），无使用量限制 2TB Google 云存储：覆盖 Google Drive、Gmail、Google 相册 NotebookLM Plus：Google 的 AI 笔记/知识库工具，Plus 版无使用量上限 如果你本来就需要大容量 Google 云存储，这个订阅的 AI 功能相当于免费附赠。 Gemini Advanced 能做什么 Gemini Advanced 背后是 Google DeepMind 的旗舰模型，主要亮点： 长上下文处理：上下文窗口达 100 万 tokens，理论上可以一次性处理整本书或整个代码库。 多模态：图片、PDF、视频（YouTube 链接）都可以直接输入，跟文本一起分析。 Google Workspace 集成：可以直接在 Gmail 里用 Gemini 起草邮件、在 Google Docs 里辅助写作、在 Google Sheets 里分析数据。 ...

Claude Code 在 2025 年做了一个不太起眼但很重要的更新：支持接入 GitHub Copilot Pro+ 作为后端。这意味着你可以用 $19/月 的 Copilot Pro+ 跑 Claude Code，而不需要单独订阅 $20/月 的 Claude Pro。 但两个通道有明显差异，不了解的话会踩坑。这篇文章讲清楚两者的区别，以及我现在用的一套 alias 方案，让切换变成一条命令的事。 两个通道的核心差异 对比维度 官方通道（Claude Pro） Copilot 通道（Pro+） 月费 $20 $19（Copilot Pro+） 最大上下文 200k tokens 128k tokens 模型选择 Sonnet / Opus 自由选 每月 1500 次高级模型额度 网络要求 需要访问 claude.ai 需要访问 github.com 适合场景 大型项目、长对话 日常任务、成本控制 关键差距是上下文窗口：官方通道 200k，Copilot 通道 128k。 对于大多数日常任务（改一个文件、写一个脚本），128k 完全够用。但如果你要让 Claude Code 理解整个项目的代码库，或者对话轮数很多，200k 的差距就体现出来了。 ...

我目前每月花 $80 订阅了两个 GitHub Copilot Pro+ 账号。这个数字初看不小，但用了 3 个月后，我认为这是我所有 AI 订阅里 ROI 最高的。 这篇文章把账算清楚，让你自己判断值不值。 Copilot Pro+ 是什么 GitHub Copilot 有三个档位： 档位 月费 核心区别 Copilot Free 免费 基础补全，每月 2000 次补全 Copilot Pro $10 无限补全，GPT-4o 模型 Copilot Pro+ $19 无限补全 + 高级模型额度 Pro+ 的关键差异： 每月 1500 次高级模型使用：包括 Claude Sonnet 4.6、Claude Opus 4.6、o3 等 在 VS Code / JetBrains / Vim 里直接调用这些模型做代码生成 支持 Claude Code CLI 作为后端（OpenClaw 接入也是这个方式） 我的使用场景 我用 Copilot Pro+ 主要做两件事： ...

Anthropic 目前的主力模型线：Opus 4.6（最强）、Sonnet 4.6（均衡）、Haiku 4.5（最快最便宜）。很多人用 Claude 的时候不管什么任务都用 Opus，结果 API 账单高出 3-5 倍。 这篇文章从实际使用角度讲清楚：什么情况用 Opus，什么情况用 Sonnet，Haiku 什么时候值得考虑。 价格对比（2026年4月） 模型 输入价格 输出价格 相对成本 claude-haiku-4-5 $0.80/M tokens $4/M tokens 1× claude-sonnet-4-6 $3/M tokens $15/M tokens ~4× claude-opus-4-6 $15/M tokens $75/M tokens ~19× Opus 比 Haiku 贵将近 20 倍。 同样的任务，如果 Sonnet 能解决，用 Opus 就是纯粹浪费。 通过 GitHub Copilot Pro+ 订阅（$19/月）可以用有限额度的 Sonnet 和 Opus，超出额度后按 API 计费。 ...

OpenClaw 默认配置跑一段时间会遇到两个问题：额度消耗太快、长会话超时崩溃。这篇文章记录我实际调优的 8 个参数，以及背后的原因。 先说清楚架构 我用的组合： GitHub Copilot Pro+：月付 $19，提供 1500 次/月的 premium request 额度 Claude Opus 4.6：通过 Copilot 的模型路由访问，模型 ID github-copilot/claude-opus-4.6 OpenClaw：负责 Telegram 交互、Skill 调用、定时任务 额度计算逻辑：每次 AI 助手回复 = 1 次 premium request（包括 tool call 后的回复）。1500 次听起来很多，但没优化的话很快就不够用。 8 项标准优化 1. 模型只保留 Copilot，清空 fallbacks 问题：默认配置有多个 model provider 做 fallback，一旦主模型超时，会依次尝试所有 fallback，每次尝试都消耗额度。 优化： { "agents": { "defaults": { "model": { "primary": "github-copilot/claude-opus-4.6", "fallbacks": [] } } } } fallbacks 清空后，失败直接报错，不会触发 2-3 次无效重试。每月节省约 50 次。 ...

量化策略开发有个高门槛：你得懂交易逻辑，还得会写代码。Claude 把这个门槛降低了一半——你只需要懂交易逻辑，代码的部分可以让它来。 这篇文章记录我用 Claude 从零开始写一个完整量化信号系统的过程。 我的策略背景 我跑的是突破类趋势策略，核心逻辑是唐奇安通道（Donchian Channel）： 当价格突破过去 N 根 K 线的最高价 → 买入 当价格跌破过去 M 根 K 线的最低价 → 卖出 听起来简单，但要做成能在 8 个品种、3 个时间周期上自动跑的系统，并且每半小时推送信号到 Telegram，需要不少工程量。 第一步：跟 Claude 描述策略逻辑 我的输入很简单： “帮我写一个 Python 脚本，用 yfinance 拉 BTC 的 1 小时 K 线，实现唐奇安通道突破策略：价格突破过去 20 根最高价买入，跌破过去 10 根最低价卖出。每次信号变化时通过 openclaw 发 Telegram 消息。” Claude 给出的初版代码覆盖了： yfinance 数据拉取 信号计算逻辑 状态持久化（避免重复推送） openclaw CLI 调用发送消息 这一步花了约 10 分钟。 ...

如果你用过 Claude Code，OpenClaw 可以理解成它的"异步版本"——Claude Code 适合你坐在电脑前交互式干活，OpenClaw 适合让 AI 在后台持续帮你做事，即使你不在电脑旁。 OpenClaw 的核心定位 一句话：让 AI 助手能访问和操作外部工具，并通过 Telegram 等渠道跟你交互。 它解决的问题： AI 模型本身无法主动触达你（你要开口问，它才回答） AI 模型没有持久状态（每次对话从头开始） AI 模型无法直接操作外部系统（GitHub、Notion、服务器） OpenClaw 通过 Skill 系统 解决这三个问题。 Skill 系统 Skill 是 OpenClaw 的核心概念：一个 Skill 就是给 AI 挂载一个工具。 已有的 Skill 举例： Skill 功能 github 读写 Issue、PR、Actions obsidian 读写 Obsidian 笔记库 weather 查询天气（open-meteo） notion Notion 页面/数据库操作 healthcheck 系统安全巡检 skill-creator 创建自定义 Skill 安装一个 Skill： ...

Claude API 的成本很容易超出预期——模型能力越强，每次调用越贵，上下文越长越贵。这篇文章分享我控制成本的方法。 Claude 各模型价格对比（2026） 模型 输入 $/MTok 输出 $/MTok 适用场景 claude-opus-4-6 $15 $75 复杂推理、代码生成 claude-sonnet-4-6 $3 $15 日常任务、写作 claude-haiku-4-5 $0.8 $4 简单分类、摘要 MTok = 百万 token。1 个 token ≈ 0.75 个英文单词 ≈ 0.5 个汉字。 同样的任务，Haiku 比 Opus 便宜约 15-20 倍。 最有效的省钱手段：Prompt Cache Anthropic 的 Prompt Cache 功能：对同一个长系统提示词，第一次收费，后续命中缓存只收 10% 的价格。 # 开启 Prompt Cache 的写法 response = client.messages.create( model="claude-sonnet-4-6", system=[ { "type": "text", "text": "你的长系统提示词...", "cache_control": {"type": "ephemeral"} # 标记为可缓存 } ], messages=[{"role": "user", "content": "用户问题"}] ) 实际效果：我的量化运维 Skill，系统提示词约 2000 token，一天调用 50 次： ...

我从去年开始用 Claude Code（就是 Anthropic 出的那个 CLI 工具）管理我的一堆服务器，用下来感觉这才是 AI 应该有的使用方式——不是聊天，而是真正在帮你干活。 我的使用场景 9 台海外 VPS（AWS / DMIT / 腾讯云），分布在美国、香港、日本、新加坡，跑着： 代理节点（Xray + Hysteria2） 量化交易策略 监控系统（Prometheus + Grafana） 各种自动化脚本 以前这些机器要靠手动 SSH 进去一台台操作，现在我直接跟 Claude Code 说"把日本那台机器的 Xray 配置更新一下"，它就帮我 SSH 进去、修改配置、重启服务、验证状态。 Skill 系统：让 AI 有专业知识 Claude Code 支持自定义 Skill（类似系统提示词），我给不同的任务场景都写了专门的 Skill： 服务器运维 Skill # 服务器运维助手 你负责管理以下 VPS： - aws-us: 13.x.x.x（美国） - aws-hk: 43.x.x.x（香港） - aws-jp: 3.x.x.x（日本） SSH 端口统一 18022，用户名 ubuntu，使用 PEM 文件认证。 标准操作流程： 1. 连接前先检查机器是否在线（ping 测试） 2. 操作前备份配置文件 3. 修改后验证服务状态 4. 如有异常立即回滚 这样 Claude 就有了我的基础设施上下文，不需要每次都重复说一遍。 ...