怒改祖传测试平台：GLM-5.2 的 1M 上下文实测

前言

今年以来大模型卷的飞起，AI能做的任务越来越复杂，逐渐能像资深前端、后端工程师那样干活了。但我相信还是有很多小伙伴跟我一样，目前工作中大部分还是在用以前的测试技术，平台，还没有接入AI相关的功能，甚至说，还没有可能连平台都还没有。

我手上有个组里在用的测试平台，暂时还没有对接AI的相关功能，然后领导也不止一次在周会上强调，大家有空一定要把AI用起来。最近测试圈有个 testhub 挺火，集成了一堆 AI 能力，二十来万行代码。我就想：能不能让大模型参考它，把那套 AI 能力整个迁到我平台上来，顺便扩出知识库、用例生成、接口管理，最后能在对话框里用中文支使它干活。

最近智谱新出的 GLM-5.2火得不行，在全球百万用户参与盲测的前端开发评估系统Code Arena上，GLM-5.2取得全球可用模型第一的表现。好不容易抢到了它家编程套餐，开蹬！

GLM-5.2模型实测

利用大模型改造项目现有功能

目前的项目是一个我们部门小组内目前正在用的一个测试平台，原来只有1个AI能力（代码审查）。然后发现近期在测试领域有一个testhub_platform的项目很火，里面集成了很多AI相关的功能，代码大概有22万行左右，所以我想让GLM的模型把testhub里与UI自动化解耦的AI能力，完整地迁移到我目前的平台中，并扩展出平台自身的AI能力，因为目前不需要用到UI自动化测试的相关功能，就准备把知识库的搭建，用例生成，接口自动化的管理与AI数字人的集成，希望最终达到的效果就是能够在AI对话窗口中跟大模型用中文对话，然后帮我去操作做一些事情，比如自动生成用例并执行等

直接跟大模型对话，让他帮我参考testhub项目的源码分析里面AI相关的功能，然后适配我现在平台的技术架构，在我的平台中加入相应的功能，经过多轮对话，最终完成了改造任务：

最终交付了56个 /api/ai/* API端点、5个前端模块（AI模型配置、知识库维护、统一对话、场景编排、MCP调试台）、13个新MongoDB集合，对原有功能零侵入[1][4]。

上下文使用情况：

整个迁移会话结束时，上下文窗口的实际占用情况如下：

Messages（对话历史）是主要消耗项，占56%。会话结束时仍有40%的空闲空间。

这个使用率说明，1M上下文对于这次任务来说是够用的。剩余空间意味着如果后续需要追加功能或修复问题，大概率不需要开新会话。

通过与GLM-5.2模型的多轮对话之后，最终在平台实现了一个AI相关的模块，接下来就是慢慢调试功能是否正常的一个过程：

利用GLM5.2大模型养虾

之前自己养龙虾，尤其是绑微信用的那种，得在腾讯云服务器上一步步配 hermes agent、拉环境、调依赖，折腾大半天，中途要人工干预的地方还特别多，配通一次属实费劲。

刚好智谱有个针对小白用户的龙虾应用 AutoClaw，下载下来安装就能用，GLM-5.2 已经内置在里面，不用再单独配模型、配 key，开箱即用。

同样是养虾，这次几乎没要我手动干预，省心太多了。

https://autoglm.zhipuai.cn/autoclaw/

而且在初次安装的时候，AutoClaw会直接给出一些关于龙虾的安全与风险，命令的权限，网络等问题的通俗易懂的说明:

并且在快速配置的页面，是可以很人性化的进行个性化的配置，包括限制文件的访问范围和工作目录，这样就不用担心乱操作你本地的文件了：

而且在最新版的AutoClaw里面已经内置了GLM-5.2的模型：

我让他帮我分析开发代码里面的一个接口，让他给我一个curl的请求参数，他的回答让我挺满意的：

我以为只会给我提供一个curl的样例数据，没想到他直接给我返回了所有需要测试的场景样例，并帮我分析了接口的逻辑说明

将近100+的接口文档和测试场景数据可一次生成，会自动采用Agent集群的方式并行操作，生成的文档风格统一，符合要求：

1M上下文的使用体感

基于这次使用GLM-5.2模型的1M上下文的使用过程，说说真实感受：

好的方面

能"记住"整个任务的脉络。

1、在 Claude Code 等 Agent 工具中，终于不用再频繁遇到"到达上下文限制"的提示，在跨项目，跨文件以及长文档处理方面优势尽显

2、在多轮规划-执行-测试-交付的闭环任务中，模型能记住最初的约束和约定，不会"改到后面忘了前面"，但是前提是自己需要制定好约束，否则大模型还是容易忘记一些上下文

3、在修改一些代码中的疑难杂症的bug时，表现很好，思路清晰，下面这个问题我之前用过多个其他模型和工具一直都没解决，结果GLM帮我找到问题的原因了

需要注意的地方

上下文大≠不会犯错。 在让他帮我改造代码的过程中，路由冲突这个bug，所有代码和路由信息都在上下文中，并没有超过上下文1M的长度，但排查过程中依然走了弯路——问题不在"缺信息"，而在"怎么用信息"。排查思路比上下文长度更重要。

即使拥有1M窗口，也要根据自己的预算设置一些上限，除非必要，否则不要全量输入，不然token的消费可能会非常快，让你体验到什么叫花钱如流水

如何使用 1M 上下文

Api key获取地址

https://bigmodel.cn/apikey/platform 无apikey的在页面新建apikey即可

通过 API 方式使用

接口文档地址：

调用示例

新增参数「reasoning_effort」，优先使用「max」（不传时默认值也为 max）

• high：增强推理
• max（默认值）：深度推理

为保持和其他协议兼容，传入 none或minimal模型会放弃思考；传入low 或medium 将映射为 high；传入 xhigh 将映射为 max

国内：

说明：
国内api调用地址：https://open.bigmodel.cn/api/paas/v4/chat/completions
国外api调用地址：https://api.z.ai/api/paas/v4/chat/completions

curl --request POST \
  --url https://open.bigmodel.cn/api/paas/v4/chat/completions \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: application/json' \
  --data '
{
  "model": "glm-5.2",
  "messages": [
    {
      "role": "system",
      "content": "你是一个有用的AI助手。"
    },
    {
      "role": "user",
      "content": "请介绍一下人工智能的发展历程。"
    }
  ],
  "stream": false,
  "reasoning_effort":"max",
  "temperature": 1,
  "thinking": {
      "type": "enabled",
      "clear_thinking": false
  }
}
'

通过 Claude code 方式使用

1. 安装 & 配置 Claude code
   1. 若之前未安装和配置过 Claude code，可以按文档示例方式安装
   2. https://claude.com/product/claude-code
   3. https://docs.bigmodel.cn/cn/guide/develop/claude
2. 修改配置文件（修改 settings.json 文件），如下： MacOS & Linux 为 ~/.claude/settings.json Windows 为用户目录/.claude/settings.json ，或者直接 %USERPROFILE%/.claude然后修改settings.json
   • 将「ANTHROPIC_DEFAULT_SONNET_MODEL」和「ANTHROPIC_DEFAULT_OPUS_MODEL」修改为「glm-5.2」
   • 新增参数："CLAUDE_CODE_AUTO_COMPACT_WINDOW": "1000000"
   • 同时，可以在配置文件中直接指定effortLevel为xhigh/max/ultracode

补充关于 Claude code 里的映射关系说明（Coding 任务推荐切换至 max effort）：

配置完成的最终settings.json文件长下面这样：

{
  "effortLevel": "xhigh",
  "env": {
    "ANTHROPIC_AUTH_TOKEN": "xxxxxxxxxx",  # 此处需替换为自己的api-key
    "ANTHROPIC_BASE_URL": "https://open.bigmodel.cn/api/anthropic",
    "API_TIMEOUT_MS": "3000000",
    "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": 1,
    "CLAUDE_CODE_AUTO_COMPACT_WINDOW": "1000000",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "glm-4.5-air",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "glm-5.2",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "glm-5.2"
  }
}

在CC Switch中配置使用

请求地址啥的CC Switch工具都帮你改好了，直接在页面输入秘钥，然后修改模型映射关系，可以勾选上下文长度以及思考强度：

未购买情况下如何使用

通过ZCode体验使用

下面是我加入的社群里面别人使用zcode的感受：

总结

1. Coding：国产第一、开源第一

GLM-5.2 通过注意力 结构层面的创新，把 1M 长度下的效果衰减 和推理成本同时压了下来，是"真正能用的 1M"。代码质量高，没有冗余，但是开始1M上下文以及调整effort的时候，Max模式推理时间相对较长，响应还是略微有点慢，有时候一个简单的问题也要思考很久才会响应，但能减少对话轮数，整体Token消耗相对可控，性价比高。1M是延长模型"有效工作时长"的基础设施。

1. 真·1M 上下文：不是标称，是真正有效的记忆力

1M上下文我在使用过程中还没有真正意义上达到这么长的上下文，但是已经远超其他模型，说它是国产最强Coding模型一点也不为过