AI

最近在 Claude Code 裡遇到一個讓人懵的錯： An image in the conversation exceeds the dimension limit for many-image requests (2000px). Start a new session with fewer images. 我當時貼的是一張完全正常的 100×200 小圖。按直覺這應該是"最後那張圖超大"，但實際不是。這是一個累積性 bug，觸發時機、原因、解法都反直覺，一旦踩到還會反覆踩。這篇文章把規則、原理、可直接用的工具都講清楚。 現象 一次典型觸發路徑： 某個 Claude Code 會話裡，你聊了半天，中途貼過幾張截圖（假設有一張是 2500×1800，Retina 截圖很容易超過 2000 px）。 繼續往下聊，又貼了一張新的截圖（不管多大）。 這次請求 直接失敗，報上面那個 dimension limit。 之後你純文字發訊息也會失敗。會話徹底卡住，除了開新會話沒別的選項。 如果你用的是 Paseo（多 tab 聚合 Claude Code / Codex 的客戶端），一個 tab 掛掉不影響別的，但那個 tab 裡一整段有價值的上下文基本就廢了。 原因：Anthropic API 的多圖分檔規則 Anthropic 的 Messages API 對圖片有兩檔尺寸規則： ...

這篇是 OpenClaw 入門教程 的續集，假設你已經裝好了 OpenClaw，跑通了基本的 Telegram 互動。這裡講的是真正把它用起來之後的進階技巧。 多 Agent 任務分工 OpenClaw 支援在同一個 Telegram 群裡配置多個 Agent，各自負責不同領域，這是它最容易被忽視的功能。 為什麼要分 Agent 不分 Agent 時，你的 AI 助手是個通才——什麼都能問，但沒有專門的上下文和工具。問運維問題時它不知道你的伺服器架構，問量化策略時它不知道你的持倉邏輯。 分 Agent 後，每個 Agent 有自己的： 系統提示詞：注入對應領域的背景知識 Skill 集合：只掛載相關的工具 獨立對話歷史：不會被其他任務干擾 配置示例 在 ~/.openclaw/config.yml 裡定義多個 Agent： agents: - name: "ops" description: "伺服器運維助手" skills: - healthcheck - ssh-tools system_prompt: | 你是專門負責管理伺服器基礎設施的運維助手。 你熟悉 Nginx、Docker、系統監控等運維工作。 遇到需要執行命令的任務，先解釋再操作。 - name: "quant" description: "量化策略助手" skills: - binance-watcher - grafana-query system_prompt: | 你是專門負責量化策略監控的助手。 你瞭解趨勢跟蹤策略的基本邏輯，能解讀持倉訊號和收益資料。 不公開具體策略引數。 - name: "writer" description: "寫作助手" skills: - obsidian system_prompt: | 你是部落格寫作助手，幫助整理思路、起草文章、整理筆記。 寫作風格：直接、有觀點，不廢話。 在 Telegram 裡透過 /agent ops 切換到對應 Agent，之後的對話都走那個 Agent 的配置。 ...

OpenAI 在 2025 年初發布了 Codex CLI——一個在終端裡直接用 AI 寫程式碼、改檔案、執行命令的工具。跟 ChatGPT 網頁版不一樣，Codex CLI 的核心是直接操作你本地檔案系統，讓 AI 真正幫你幹活，而不是給你貼程式碼讓你自己粘。 這篇文章覆蓋完整的入門流程，從安裝到能用，大約 10 分鐘。 準備工作 需要兩樣東西： Node.js 18+（node --version 確認） OpenAI API Key（platform.openai.com 獲取） API Key 需要繫結了付費方式，免費額度不支援 Codex 用的模型。 安裝 npm install -g @openai/codex 安裝完驗證： codex --version 認證配置 有兩種方式配置 API Key： 方式一：環境變數（推薦） export OPENAI_API_KEY="sk-xxxx..." 加到 ~/.zshrc 或 ~/.bashrc 讓它持久化： echo 'export OPENAI_API_KEY="sk-xxxx..."' >> ~/.zshrc source ~/.zshrc 方式二：執行時輸入 直接執行 codex，第一次會提示你輸入 API Key，會儲存到 ~/.codex/config.json。 ...

Google One AI Premium 是 Google 把旗下 AI 產品打包賣的訂閱方案，$19.99/月，主要包含三樣東西： Gemini Advanced：Google 最強 AI 模型（Gemini 1.5 Pro/Ultra 級別），無使用量限制 2TB Google 雲端儲存：覆蓋 Google Drive、Gmail、Google 相簿 NotebookLM Plus：Google 的 AI 筆記/知識庫工具，Plus 版無使用量上限 如果你本來就需要大容量 Google 雲端儲存，這個訂閱的 AI 功能相當於免費附贈。 Gemini Advanced 能做什麼 Gemini Advanced 背後是 Google DeepMind 的旗艦模型，主要亮點： 長上下文處理：上下文視窗達 100 萬 tokens，理論上可以一次性處理整本書或整個程式碼庫。 多模態：圖片、PDF、影片（YouTube 連結）都可以直接輸入，跟文字一起分析。 Google Workspace 整合：可以直接在 Gmail 裡用 Gemini 起草郵件、在 Google Docs 裡輔助寫作、在 Google Sheets 裡分析資料。 ...

Claude Code 在 2025 年做了一個不太起眼但很重要的更新：支援接入 GitHub Copilot Pro+ 作為後端。這意味著你可以用 $19/月 的 Copilot Pro+ 跑 Claude Code，而不需要單獨訂閱 $20/月 的 Claude Pro。 但兩個通道有明顯差異，不瞭解的話會踩坑。這篇文章講清楚兩者的區別，以及我現在用的一套 alias 方案，讓切換變成一條命令的事。 兩個通道的核心差異 對比維度 官方通道（Claude Pro） Copilot 通道（Pro+） 月費 $20 $19（Copilot Pro+） 最大上下文 200k tokens 128k tokens 模型選擇 Sonnet / Opus 自由選 每月 1500 次高階模型額度 網路要求 需要訪問 claude.ai 需要訪問 github.com 適合場景 大型專案、長對話 日常任務、成本控制 關鍵差距是上下文視窗：官方通道 200k，Copilot 通道 128k。 對於大多數日常任務（改一個檔案、寫一個指令碼），128k 完全夠用。但如果你要讓 Claude Code 理解整個專案的程式碼庫，或者對話輪數很多，200k 的差距就體現出來了。 ...

我目前每月花 $80 訂閱了兩個 GitHub Copilot Pro+ 賬號。這個數字初看不小，但用了 3 個月後，我認為這是我所有 AI 訂閱裡 ROI 最高的。 這篇文章把賬算清楚，讓你自己判斷值不值。 Copilot Pro+ 是什麼 GitHub Copilot 有三個檔位： 檔位 月費 核心區別 Copilot Free 免費 基礎補全，每月 2000 次補全 Copilot Pro $10 無限補全，GPT-4o 模型 Copilot Pro+ $19 無限補全 + 高階模型額度 Pro+ 的關鍵差異： 每月 1500 次高階模型使用：包括 Claude Sonnet 4.6、Claude Opus 4.6、o3 等 在 VS Code / JetBrains / Vim 裡直接呼叫這些模型做程式碼生成 支援 Claude Code CLI 作為後端（OpenClaw 接入也是這個方式） 我的使用場景 我用 Copilot Pro+ 主要做兩件事： ...

Anthropic 目前的主力模型線：Opus 4.6（最強）、Sonnet 4.6（均衡）、Haiku 4.5（最快最便宜）。很多人用 Claude 的時候不管什麼任務都用 Opus，結果 API 賬單高出 3-5 倍。 這篇文章從實際使用角度講清楚：什麼情況用 Opus，什麼情況用 Sonnet，Haiku 什麼時候值得考慮。 價格對比（2026年4月） 模型 輸入價格 輸出價格 相對成本 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 貴將近 20 倍。 同樣的任務，如果 Sonnet 能解決，用 Opus 就是純粹浪費。 透過 GitHub Copilot Pro+ 訂閱（$19/月）可以用有限額度的 Sonnet 和 Opus，超出額度後按 API 計費。 ...

OpenClaw 預設配置跑一段時間會遇到兩個問題：額度消耗太快、長會話超時崩潰。這篇文章記錄我實際調優的 8 個引數，以及背後的原因。 先說清楚架構 我用的組合： GitHub Copilot Pro+：月付 $19，提供 1500 次/月的 premium request 額度 Claude Opus 4.6：透過 Copilot 的模型路由訪問，模型 ID github-copilot/claude-opus-4.6 OpenClaw：負責 Telegram 互動、Skill 呼叫、定時任務 額度計算邏輯：每次 AI 助手回覆 = 1 次 premium request（包括 tool call 後的回覆）。1500 次聽起來很多，但沒最佳化的話很快就不夠用。 8 項標準最佳化 1. 模型只保留 Copilot，清空 fallbacks 問題：預設配置有多個 model provider 做 fallback，一旦主模型超時，會依次嘗試所有 fallback，每次嘗試都消耗額度。 最佳化： { "agents": { "defaults": { "model": { "primary": "github-copilot/claude-opus-4.6", "fallbacks": [] } } } } fallbacks 清空後，失敗直接報錯，不會觸發 2-3 次無效重試。每月節省約 50 次。 ...

量化策略開發有個高門檻：你得懂交易邏輯，還得會寫程式碼。Claude 把這個門檻降低了一半——你只需要懂交易邏輯，程式碼的部分可以讓它來。 這篇文章記錄我用 Claude 從零開始寫一個完整量化訊號系統的過程。 我的策略背景 我跑的是突破類趨勢策略，核心邏輯是唐奇安通道（Donchian Channel）： 當價格突破過去 N 根 K 線的最高價 → 買入 當價格跌破過去 M 根 K 線的最低價 → 賣出 聽起來簡單，但要做成能在 8 個品種、3 個時間週期上自動跑的系統，並且每半小時推送訊號到 Telegram，需要不少工程量。 第一步：跟 Claude 描述策略邏輯 我的輸入很簡單： “幫我寫一個 Python 指令碼，用 yfinance 拉 BTC 的 1 小時 K 線，實現唐奇安通道突破策略：價格突破過去 20 根最高價買入，跌破過去 10 根最低價賣出。每次訊號變化時透過 openclaw 發 Telegram 訊息。” Claude 給出的初版程式碼覆蓋了： yfinance 資料拉取 訊號計算邏輯 狀態持久化（避免重複推送） openclaw CLI 呼叫傳送訊息 這一步花了約 10 分鐘。 ...

如果你用過 Claude Code，OpenClaw 可以理解成它的"非同步版本"——Claude Code 適合你坐在電腦前互動式幹活，OpenClaw 適合讓 AI 在後臺持續幫你做事，即使你不在電腦旁。 OpenClaw 的核心定位 一句話：讓 AI 助手能訪問和操作外部工具，並透過 Telegram 等渠道跟你互動。 它解決的問題： AI 模型本身無法主動觸達你（你要開口問，它才回答） AI 模型沒有持久狀態（每次對話從頭開始） AI 模型無法直接操作外部系統（GitHub、Notion、伺服器） OpenClaw 透過 Skill 系統 解決這三個問題。 Skill 系統 Skill 是 OpenClaw 的核心概念：一個 Skill 就是給 AI 掛載一個工具。 已有的 Skill 舉例： Skill 功能 github 讀寫 Issue、PR、Actions obsidian 讀寫 Obsidian 筆記庫 weather 查詢天氣（open-meteo） notion Notion 頁面/資料庫操作 healthcheck 系統安全巡檢 skill-creator 建立自定義 Skill 安裝一個 Skill： ...

Claude API 的成本很容易超出預期——模型能力越強，每次呼叫越貴，上下文越長越貴。這篇文章分享我控制成本的方法。 Claude 各模型價格對比（2026） 模型 輸入 $/MTok 輸出 $/MTok 適用場景 claude-opus-4-6 $15 $75 複雜推理、程式碼生成 claude-sonnet-4-6 $3 $15 日常任務、寫作 claude-haiku-4-5 $0.8 $4 簡單分類、摘要 MTok = 百萬 token。1 個 token ≈ 0.75 個英文單詞 ≈ 0.5 個漢字。 同樣的任務，Haiku 比 Opus 便宜約 15-20 倍。 最有效的省錢手段：Prompt Cache Anthropic 的 Prompt Cache 功能：對同一個長系統提示詞，第一次收費，後續命中快取只收 10% 的價格。 # 開啟 Prompt Cache 的寫法 response = client.messages.create( model="claude-sonnet-4-6", system=[ { "type": "text", "text": "你的長系統提示詞...", "cache_control": {"type": "ephemeral"} # 標記為可快取 } ], messages=[{"role": "user", "content": "使用者問題"}] ) 實際效果：我的量化運維 Skill，系統提示詞約 2000 token，一天呼叫 50 次： ...

我從去年開始用 Claude Code（就是 Anthropic 出的那個 CLI 工具）管理我的一堆伺服器，用下來感覺這才是 AI 應該有的使用方式——不是聊天，而是真正在幫你幹活。 我的使用場景 9 臺海外 VPS（AWS / DMIT / 騰訊雲），分佈在美國、香港、日本、新加坡，跑著： 代理節點（Xray + Hysteria2） 量化交易策略 監控系統（Prometheus + Grafana） 各種自動化指令碼 以前這些機器要靠手動 SSH 進去一臺臺操作，現在我直接跟 Claude Code 說"把日本那臺機器的 Xray 配置更新一下"，它就幫我 SSH 進去、修改配置、重啟服務、驗證狀態。 Skill 系統：讓 AI 有專業知識 Claude Code 支援自定義 Skill（類似系統提示詞），我給不同的任務場景都寫了專門的 Skill： 伺服器運維 Skill # 伺服器運維助手 你負責管理以下 VPS： - aws-us: 13.x.x.x（美國） - aws-hk: 43.x.x.x（香港） - aws-jp: 3.x.x.x（日本） SSH 埠統一 18022，使用者名稱 ubuntu，使用 PEM 檔案認證。 標準操作流程： 1. 連線前先檢查機器是否線上（ping 測試） 2. 操作前備份配置檔案 3. 修改後驗證服務狀態 4. 如有異常立即回滾 這樣 Claude 就有了我的基礎設施上下文，不需要每次都重複說一遍。 ...