AI编程新手扫盲：从模型到API，从Key到网络，这一篇给你彻底讲透

➡️【好看的皮囊千篇一律，有趣的鲲志一百六七！】- 欢迎认识我～～ 作者：鲲志说 （公众号、B站同名，视频号：鲲志说996） 科技博主：全网【鲲志说】 全栈研发：java、go、ts，前电商、现web3 博主：多平台博客专家，IFClub星珩联盟智库星系专家 AI爱好者：脉脉AI领域创作者、阿里蚂蚁校友会技术AI分会副秘书长 社区Builder：杭州AI工坊联创；COC杭州开发者社区 、周周黑客松杭州主理人

目录

• 引子：你为什么需要这篇“终极扫盲”？
• 核心概念——别让术语把你吓退
  • Token——AI的“计量单位”
  • 上下文长度——AI的“短期记忆”
  • 推理——AI“思考”的过程
  • 训练与微调——模型是怎么“学会”编程的？
  • API、API Key、Base URL、Endpoint
• 模型全景——谁家的？擅长什么？编程到底谁强？
• • 国际阵营：OpenAI、Anthropic、Google
  • • OpenAI —— 通用能力王者
    • Anthropic —— 编程特化
    • Google —— 超长上下文 \+ 多模态
  • 国产阵营：DeepSeek、Qwen、GLM
  • • DeepSeek —— 性价比屠夫
    • Qwen —— 中文最强
    • GLM（智谱） —— 快速原型
  • 编程能力终极对比表
  • 场景化选择指南
• API与Key——从配置到精通
• • API Key的获取渠道
  • • 国内模型官方渠道
    • 国际模型中转渠道
  • 配置到编辑器（以Qoder为例，其他类似）
  • 计费模式详解
• CC Switch——它不是代理，但很有用
• • 它到底是什么？
  • 它是怎么工作的？
  • 核心功能详解
  • 我需要它吗？
  • 与API网关的区别
• 网络与合规——为什么国内用不了国外模型？
• • 根本原因
  • 解决方案对比
  • 中转平台工作原理
  • 国内模型的“知识差距”问题
• 新手实战路径——从零到稳定使用
• • 最低成本起步（推荐90%的新手）
  • 成本控制技巧
  • 故障排查清单
  • 安全提醒
• 你需要的不是最强模型，是最适合的组合
• 最后

模型、Token、上下文、API Key、Base URL、CC Switch……这些词你听过但没搞懂？读完这篇，你就能和任何AI编程老手平等对话了。

引子：你为什么需要这篇“终极扫盲”？

上篇文章发出后，后台收到一堆问题：

“鲲志，你说DeepSeek性价比高，但我想知道它和GPT-5.6在写具体某种代码时到底差多少？” “Token到底是什么？1M token能写多少行代码？” “我在编辑器里配了API Key，为什么还是报错‘401’？” “CC Switch我下载了，但开了之后Claude Code还是不能用啊？”

这些问题暴露了一个共同点：大家对AI编程的底层概念还停留在“模模糊糊”的阶段。

所以我决定写这篇“终极扫盲”——把每个概念用你听得懂的方式讲清楚。

这篇文章我会尽力做到：

• ✅ 专业：引用行业标准基准（SWE-bench、HumanEval、Aider），给出真实数据
• ✅ 客观：不吹不黑，每个模型的优劣势都摆出来
• ✅ 全面：覆盖模型、API、工具、网络四大板块
• ✅ 深入：不只告诉你怎么做，还告诉你为什么

文章很长，建议先收藏，分块阅读。

在这里插入图片描述

核心概念——别让术语把你吓退

在聊具体模型之前，必须先搞清楚几个基础概念。它们就像编程里的“变量”和“函数”，不懂就看不懂代码。

Token——AI的“计量单位”

Token是什么？

Token是AI模型处理文本的最小单位（中文常译为“词元”）。它不是一个字母，也不完全是一个词，而是介于两者之间的“碎片”。

直观理解：

• 英文：1个Token ≈ 0.75个单词（比如“Hello world”拆成“Hello”和“ world”两个Token）
• 中文：1个Token ≈ 0.5~1个汉字（具体取决于分词方式）

实战换算：

为什么Token重要？

• 模型有上下文长度限制（比如1M token），超了就会“忘记”前面的内容
• 你付的钱按Token计费（输入Token + 输出Token）
• 输出Token通常比输入Token贵（因为生成比理解难）

小技巧：用DeepSeek时，缓存命中后输入Token价格可以降到0.02元/百万——相当于你重复问同一个问题，几乎不要钱。

上下文长度——AI的“短期记忆”

定义：模型一次能“看到”的最大Token数量。

类比：上下文长度就像你的短期记忆。记性好的人能一次听完整段故事然后复述，记性差的听一半就忘了开头。

为什么重要？

• 处理长文档（比如整个代码仓库）需要大上下文
• 进行长对话（比如连续改一个功能几十轮）需要大上下文
• 跨文件代码重构需要模型同时“看到”多个文件

主流模型上下文对比（截至2026年6月）：

⚠️ 注意：上下文长不等于“都能记住”。超过一定长度后，模型对中间内容的召回率会下降。实测中Gemini的2M上下文质量保持最好。

推理——AI“思考”的过程

定义：当你把问题（输入）发给模型，模型计算并生成答案（输出）的过程。

两种模式：

• 标准推理（Standard）：模型逐个Token生成，每个Token只算一次。速度快，成本低，适合日常任务。
• 思维链推理（Chain-of-Thought）：模型在输出最终答案前，先生成内部思考过程（“让我想想……”）。这种模式能解决更复杂的问题，但更慢、更贵。代表模型：OpenAI o1、o3系列。

编程任务中推理的重要性：

• 简单任务（写一个for循环）不需要深度推理
• 复杂任务（定位跨服务Bug、重构状态机）需要深度推理——这就是为什么我在Web3案例中需要CodeX

训练与微调——模型是怎么“学会”编程的？

预训练（Pre-training）：模型在互联网海量数据（代码、文档、论文）上“通读”，学会基本的编程语法和模式。这一步成本极高，单次训练数百万美元。

微调（Fine-tuning）：在预训练基础上，用特定数据（比如高质量代码对、Bug修复记录）进一步训练，让模型更擅长编程。微调成本较低。

强化学习（RLHF）：通过人类反馈让模型学会“哪种答案更好”。这一步让模型更符合人类偏好（比如代码可读性、注释规范）。

你不需要自己训练模型，但知道这些能帮你理解：为什么有的模型更懂Web3？ 因为它的训练数据里Web3相关内容更多。

API、API Key、Base URL、Endpoint

这可能是最乱的一堆名词。我用一个生活类比帮你彻底理清：

完整调用过程：

你的代码 → Base URL + Endpoint → 完整地址 → 带上API Key → 发送请求 → 模型返回结果
举例：https://api.deepseek.com/v1/chat/completions + Header: Authorization: Bearer sk-xxx

常见错误：

• 把Endpoint也写进Base URL（比如 https://api.deepseek.com/v1）→ 编辑器会重复拼接成 /v1/v1/...
• API Key多了空格或换行
• 忘记设置模型名称（model字段）

模型全景——谁家的？擅长什么？编程到底谁强？

国际阵营：OpenAI、Anthropic、Google

OpenAI —— 通用能力王者

产品线：

编程能力详评：

• 前端/UI生成：GPT-5.6是目前最强，没有之一。给一张设计图或一段描述，它能直接输出可运行的React/Vue组件，样式接近设计师原稿。实测中，同样的“登录表单带动画”需求，GPT-5.6比Claude Sonnet 4.6少30%的CSS修正工作。
• Go语言：GPT系列在goroutine、channel、context等并发原语的正确性上明显优于其他模型。一位后端工程师实测：用GPT-4.1生成一个包含worker pool + 优雅退出的消费系统，人工只需调整2处边界条件。
• 算法题：LeetCode Hard难度通过率约60%，仅次于o系列。但代码风格偏“刷题风”，实际工程中需要二次优化。
• 代码解释：非常详尽，适合学习。

成本：GPT-5.6输出30-40/百万token，GPT-4.1输出8/百万token。

短板：长上下文（1.5M）实际表现不如Gemini；复杂Agent任务不如Claude。

Anthropic —— 编程特化

产品线：

编程能力详评：

• SWE-bench Verified：业界公认的真实GitHub issue解决率基准。Claude Sonnet 4.6得分72.7%，Opus 4.6约72.5%，大幅领先GPT-4.1的58.6%。这意味着用Claude修真实Bug，成功率比GPT高近15个百分点。
• 代码质量：Claude生成的代码更“工程化”——错误处理完整、日志规范、注释恰当。一个全栈开发者反馈：Claude Opus写的中型服务，Code Review改动量比GPT-5.6少约40%。
• 长上下文代码库理解：200K上下文虽然不大，但Claude对代码结构的理解深度极强。有团队测试：给Claude整个Spring Boot项目（约150个文件），它能准确指出某个Bean的依赖循环。
• Computer Use：Claude能“看屏幕+操作电脑”，这在自动化测试、UI自动化领域很有想象空间。

成本：Opus输出约25-40/百万token，Sonnet约15。

短板：价格贵；中文代码注释偶尔有英文残留；上下文不够大（相比Gemini）。

Google —— 超长上下文 + 多模态

产品线：

编程能力详评：

• 超长文档处理：2M上下文是当前最大。实测中可以一次塞入整个Linux内核的部分源码（约50万行），然后问“哪个函数调用了kfree”，模型能找到并给出调用链。Claude和GPT在1.5M以上召回率明显下降。
• 工具调用（Function Calling）：Gemini的工具调用准确率在MMT-bench上达到89%，比GPT-4.1高5个百分点。适合做Agent型任务（比如“查天气-然后推荐衣服-然后订外卖”的多步调用）。
• 多模态理解：能看懂图表、截图、手绘草图。例如你画一个流程图拍照上传，它能生成对应的Python状态机代码。
• 代码生成：不如Claude精致，但在超大型项目中做“代码搜索+简单补全”很有用。

成本：Pro输出约10/百万token，Flash约2.5。

短板：代码生成的“工程感”较弱；复杂逻辑推理不如Claude和GPT。

国产阵营：DeepSeek、Qwen、GLM

DeepSeek —— 性价比屠夫

产品线：

编程能力详评：

• SWE-bench：DeepSeek V4 Pro得分约74%，略高于Claude Sonnet！但注意：这是厂商自报，第三方复现约68-71%，依然非常强。
• HumanEval（代码生成经典基准）：V4 Pro得分88.2%，与GPT-4.1持平。
• 实际感受：日常编码任务（写CRUD、改Bug、生成测试）Flash版本完全够用。但遇到复杂算法（比如实现一个B+树）或Web3特定知识（如MetaMask升级），Pro版本更可靠，国际模型更专业。
• 缓存优势：重复对话中缓存命中后，输入价格降至0.02元/百万token。实测一个长对话30轮后，有效成本降低80%。

成本：Flash输入0.67元/百万token，输出1.34元；Pro约为5倍。

短板：中文代码注释偶尔奇怪；Web3等西方生态知识更新慢；复杂推理不如Claude。

Qwen —— 中文最强

产品线：

编程能力详评：

• Code Arena：这是一个让模型之间互评的竞技场，Qwen3.7-Max得分1541分，全球第二，仅次于Claude Sonnet。说明模型间的“品味”排名很高。
• 中文代码理解：如果你写的中文注释或文档中包含复杂的中文逻辑，Qwen的理解能力明显强于DeepSeek。例如“把所有‘已支付’但不是‘已完成’的订单筛选出来”，Qwen生成的SQL更准确。
• Agent长程任务：Qwen3.7-Max在AgentBench上持续运行35小时、调用工具超过1000次无崩溃，稳定性强。
• 全栈项目生成：用Qwen生成一个带前端的完整小应用，中文UI文案自然，适合国内业务场景。

成本：阿里云百炼平台，Max版本输出约¥4-8/百万token，Flash约¥0.4-1。

短板：上下文128K偏小；复杂算法不如DeepSeek Pro；Tool Calling能力弱于GPT/Gemini。

GLM（智谱） —— 快速原型

产品线：

编程能力详评：

• 速度：GLM-4.6是国内响应最快的模型之一，首Token延迟<300ms，适合实时补全场景。
• 完整项目生成：有开发者实测：从0开始，用GLM生成一个带登录、CRUD、简单权限的完整前后端项目，只需要5分钟，且自动装好依赖、没有报错。
• Bug定位：在一个几万行代码的遗留项目中，输入错误日志，GLM能在3分钟内指出错误文件和行号，准确率约70%。

成本：约¥2-3/百万token输出。

短板：上下文128K；复杂逻辑深度不够；社区生态不如前两者。

编程能力终极对比表

价格指数：以Claude Sonnet输出价$15/百万token为100，数值越小越便宜。

场景化选择指南

API与Key——从配置到精通

这部分会详细讲“怎么配”，以及“配错了怎么查”。

API Key的获取渠道

国内模型官方渠道

国际模型中转渠道

配置到编辑器（以Qoder为例，其他类似）

标准配置：

1. 打开设置 → 模型配置 → 添加模型
2. 提供商：如果列表里有（如DeepSeek），直接选；没有就选“OpenAI兼容”或“自定义”
3. API URL（Base URL）：
   • DeepSeek官方：https://api.deepseek.com
   • 原子引擎：https://api.atomclub.com（示例，以实际为准）
   • 注意：不要加/v1
4. 模型名称：严格按平台文档填写，如 deepseek-v4-flash、gpt-4.1
5. API Key：粘贴 sk-xxx 或 tp-xxx

测试配置是否正确：

在编辑器的聊天框输入 Hello，看是否能正常回复。如果报错，看错误信息：

计费模式详解

关键概念：输入 vs 输出

• 输入Token：你发给模型的prompt（包括历史对话）
• 输出Token：模型生成的回答
• 输出价格通常是输入的2-5倍，因为生成比理解更耗算力

缓存命中：

如果连续对话中，某段输入内容完全重复（比如系统prompt），模型会直接复用之前的计算结果，大幅降价。DeepSeek将缓存命中的输入价格降至0.02元/百万token，便宜30倍。

建议：写长prompt时，把固定指令放在system消息里，重复利用率高。

CC Switch——它不是代理，但很有用

很多人把CC Switch和网络代理搞混。这里深入讲清楚。

它到底是什么？

全称：Claude Code Switch

性质：开源桌面应用（Windows/macOS/Linux）

核心功能：统一管理多个AI编程CLI工具的配置，并提供本地代理做故障转移和日志记录。

它是怎么工作的？

传统方式：
[Claude Code] → 读取 ~/.claude/config.json (写死了一个API Key)
[Codex]       → 读取 ~/.codex/config.toml (另一个配置)

CC Switch方式：
[CC Switch] → 存储所有供应商配置（多个API Key + Base URL）
     ↓ 启动本地HTTP代理（例如 localhost:8080）
[Claude Code] → 将请求发送到 localhost:8080/v1/...
[Codex]       → 也发送到 localhost:8080/v1/...
     ↓
[CC Switch] → 根据当前选中的供应商，转发请求到真实API，并记录日志

关键点：

• CC Switch在本地启动了一个代理服务器（这是它名字里“Switch”的来源，但不是网络代理）
• 所有CLI工具的请求都经过这个本地代理
• 你可以在CC Switch界面上一键切换所有工具调用的模型

核心功能详解

我需要它吗？

你需要CC Switch当且仅当：

• ✅ 你使用多个CLI工具（Claude Code、Codex、Gemini CLI、OpenCode等）
• ✅ 你需要频繁在这些工具间切换模型（比如上午用DeepSeek省钱，下午用Claude攻坚）
• ✅ 你想集中查看所有工具的Token消耗和成本

你不需要CC Switch：

• ❌ 你只用Qoder、Cursor、VS Code插件这类图形界面编辑器（它们自己就有配置界面）
• ❌ 你只用一个模型（比如只DeepSeek）
• ❌ 你只是偶尔调用API，手动改配置不麻烦

常见误解澄清：

“我装了CC Switch，为什么还是无法在国内调用Claude？”

因为CC Switch不是网络代理。你的请求经过CC Switch后，最终还是要发到Claude官方API（api.anthropic.com），而这个域名在国内无法直接访问。你需要配合中转平台或者自建代理才能用。CC Switch只能管理配置，不能翻墙。

与API网关的区别

很多人把CC Switch和OneAPI、APICat这类“API网关”混淆。

简单说：CC Switch是给“你的电脑”用的，API网关是给“你们的服务器”用的。

网络与合规——为什么国内用不了国外模型？

根本原因

OpenAI、Anthropic、Google的AI服务，官方API禁止来自中国大陆IP的请求。这不是某个“墙”的问题，而是这些公司主动在服务器端做了IP过滤。

可能的原因：

• 合规考虑（这些公司未在中国大陆注册服务）
• 政策风险
• 商业策略（通过合作伙伴间接进入）

解决方案对比

中转平台工作原理

你的电脑（国内IP）
    ↓ 请求（带有API Key）
中转平台国内入口（例如 api.atomclub.com）
    ↓ 内部转发
中转平台海外节点
    ↓ 请求官方API（海外IP）
OpenAI/Claude/Gemini 官方API
    ↓ 返回结果
原路返回

中转平台的优势：

• 你不需要任何代理软件
• 支持支付宝/微信充值
• 一个Key可以调用多个模型
• 通常提供用量统计和额度预警

需要注意：

• 价格比官方略高（但大多数平台有折扣，实际可能持平）
• API Key存储在中转平台，有隐私考虑（但正规平台会加密）
• 偶尔有延迟或配额限制

推荐平台：

• 原子引擎：国内开发者常用，支持40+模型
• OpenRouter：国际老牌，模型最全，可用支付宝
• API2D：稳定，专注GPT系列

国内模型的“知识差距”问题

为什么国内模型在处理Web3、最新框架时不如国际模型？

这不是贬低国产模型——事实上在日常CRUD、国内业务逻辑上，国产模型完全不输甚至更强。只是在特定赛道（Web3、最新技术预览）有差距。

我的策略：日常用DeepSeek省钱，Web3/新东西用CodeX或GPT。

新手实战路径——从零到稳定使用

最低成本起步（推荐90%的新手）

目标：花20块钱，跑通AI编程，解决日常任务。

1. 注册DeepSeek，充值20元
2. 下载Qoder（或Cursor）
3. 配置DeepSeek Flash模型
4. 开始写代码

预算分析：20元 ≈ 高强度使用40-50小时（按我的实测）。一个中等项目开发周期足够。

遇到国产模型解决不了的问题时（比如Web3），再考虑：

• 配置CodeX（或GPT-4.1）
• 作为攻坚备用

成本控制技巧

故障排查清单

遇到问题按顺序检查：

API Key是否正确？重新复制，注意空格

Base URL是否正确？不要加/v1，检查末尾斜杠

模型名是否正确？去平台文档确认

余额是否充足？登录控制台查看

网络是否通？国内模型用curl测试：

curl -X POST https://api.deepseek.com/v1/chat/completions \
  -H "Authorization: Bearer sk-xxx" \
  -H "Content-Type: application/json" \
  -d '{"model":"deepseek-v4-flash","messages":[{"role":"user","content":"ping"}]}'

国际模型是否通过中转？不要直接调用官方API

安全提醒

• ❌ 不要把API Key提交到GitHub（会被盗刷）
• ✅ 使用环境变量或编辑器内置的加密存储
• ✅ 在平台控制台设置限额和预警
• ✅ 定期轮换Key（尤其团队使用）

你需要的不是最强模型，是最适合的组合

在这里插入图片描述

这篇扫盲篇写了近万字，但核心就一句话：

了解模型的能力边界，根据自己的场景组合使用，把成本控制在合理范围。

我不希望你成为一个“只会用Claude的土豪”，也不希望你成为一个“为省几毛钱死磕免费模型的守财奴”。

平衡点在哪里？

• 日常：DeepSeek Flash（时均0.5-1元）
• 攻坚：CodeX或Claude（时均2-5元）
• 总成本控制在每月100-200元

这个预算，能让你无焦虑地高强度开发，遇到任何问题都有备用方案。

如果你读完这篇文章还有疑问，欢迎留言。