Claude Code 跑 GLM-5.1 的长时编码任务：Key 用 TaoToken

1. 从 50 轮衰减到 600 次迭代GLM-5.1 在 Claude Code 里怎么扛住长任务GLM-5.1 挂在 Claude Code 上跑长时编码任务Key 用 TaoToken创建入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 。原文对 GLM-5.1 的描述里最值钱的其实不是单轮代码质量而是那组长时数据600 次迭代、6000 次工具调用之后仍在持续改进。这句话直接决定了接入方式该怎么做——会话要挂很久通道就必须稳定可长期供血而不是本地起一个进程、机器休眠一次就断。所以这篇把原文那套 Ollama Cloud 路径整体换掉模型映射保留、/loop用法保留、Todo API 实战保留只改两个位置——Key 从哪里来Base URL 填什么。配置写完之后/status里看到的是glm-5.1和 198K 上下文请求则走统一通道出去你不需要在本机维护任何推理服务。1.1 短会话模型和长时模型落到 Claude Code 里的差别原文给过一个判断传统模型通常在 50 轮对话后性能开始往下掉开头几轮表现很好但很快把已知套路用光你把思考时间拉长也换不来新进展。落到 Claude Code 的实际体感就是——头几轮它把目录结构、主文件、依赖清单都搭好从第十几轮起改动越来越保守你让它再优化一版它开始在两三个方案之间绕圈或者把同一个建议换个说法再讲一遍。GLM-5.1 的定位差别在于它被设计成能处理模糊需求把任务拆开、做实验、读实验结果、识别哪一步卡住、换策略再来一轮。这种能力在长时会话里是复利前面几十轮定下的约束用 FastAPI、用 SQLite、分页走 cursor 不走 offset、错误统一成一种响应结构在第一百轮加缓存时它还记得不会推翻重来。你要做的不是挑一个更聪明的模型而是别让基础设施在它跑到第八十轮的时候掉链子。1.2 198K 上下文窗口和/loop是一对组合不是两个独立卖点Claude Code 的/loop是这次实战里最容易被低估的命令。写一句/loop 30m 检查我的 PR 状态并总结它就会按周期反复执行会话被拉得极长。这类任务的成败一半取决于上下文够不够长如果窗口只有几十 K前面几轮定下的验收标准、目录约定、测试命令会在中途被挤出去模型只好重新问一遍或者按错误的前提继续改。198K 的窗口在这时候不是参数表上的装饰而是让/loop真正可用的前提。原文在实战里用它做 Todo List REST API先建项目、再审查、再优化、再解决性能问题一轮一轮往下推。你把这套流程搬到自己仓库上时上下文越长中间越不容易失忆。确认窗口有没有生效也很简单接完通道在 Claude Code 里敲/statusContext Window: 198K tokens就是最直接的证据如果这一栏显示的不是你预期的值先别急着跑长任务回头检查模型映射那一节。2. 原文那行 ANTHROPIC_BASE_URLhttp://localhost:11434 的代价原文的手动配置路径是ANTHROPIC_AUTH_TOKEN填成ollamaANTHROPIC_BASE_URL填成http://localhost:11434模型映射写进~/.claude/settings.json。这套做法在单机调试时没问题但它把 Claude Code 的请求绑在了一个必须常驻的本地服务上。想跑长任务这个绑定就成了最脆弱的一环。2.1 本地端口带来的隐性成本第一个成本是进程必须一直在。ollama serve停了、终端关了、机器睡眠了Claude Code 下一次工具调用就会报连接失败而长时会话最怕的就是中途断掉——断一次前面几十轮建立起来的上下文和实验记录全没了你只能重开一轮。第二个成本是机器状态和服务状态耦合在一起。你出门带笔记本、切到省电模式、开一次系统更新都可能让服务重启。第三个成本是排查方向变多模型回答异常时你得分清是模型的问题、本地服务版本的问题还是端口被别的东西占了。换到统一 API 通道之后本地只剩 Claude Code 一个进程出问题只在一个方向上查。2.2 换通道只动两行模型映射原样保留从 Ollama 路径切到统一通道真正需要改的只有两个环境变量ANTHROPIC_AUTH_TOKEN从固定的ollama换成你自己的 KeyANTHROPIC_BASE_URL从http://localhost:11434换成https://taotoken.net/api末尾不要加/v1。~/.claude/settings.json里那三行模型映射完全不用动glm-4.5-air、glm-5.1、glm-5.1该怎么写还怎么写。这么做还有一个额外好处长时任务里 Token 消耗是被统一记录的。600 次迭代、6000 次工具调用跑下来用量有多少、什么时候集中消耗都能在一个地方看到不用自己去数本地日志。对需要估算成本、判断某个任务值不值得继续跑的开发者来说这一点比省下来的部署时间更重要。3. 环境准备装好 Claude Code再去拿一把属于你的 Key这一章对应原文的环境准备与安装和注册账户两段。原文让读者去平台官网注册、登录、拿 API Key这里统一改成去 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 完成同一件事注册账号、进控制台、创建 API Key。Claude Code 的安装步骤保持不变只是安装完之后不再指向本地端口。3.1 系统要求和 Claude Code 安装硬件门槛不高8 GB 内存可以起步16 GB 以上更稳磁盘留出 10 GB 空间网络保持稳定即可。因为推理不发生在你本机所以不需要独立显卡也不需要为了长任务去堆显存——这正是换掉本地服务之后最大的解脱。macOS、Linux 或 WSL 下安装curl -fsSL https://claude.ai/install.sh | bashWindows PowerShellirm https://claude.ai/install.ps1 | iex装完先确认版本别跳过这一步claude --version如果这个命令找不到说明 PATH 没生效重新开一个终端再试而不是急着去改配置文件。工具本身没跑起来的时候任何settings.json的修改都验证不了。3.2 打开官网注册创建一把 API Key安装确认之后浏览器里打开 TaoToken 完成注册登录进入控制台创建 API Key。这一步对应原文里注册账户并获取 API 密钥只是入口换了地方后续所有配置都依赖这把 Key。创建完之后有两件事值得顺手做一是把 Key 复制到只有你自己能看到的地方二是在模型广场确认一下当前可用的模型 ID。本文示例里沿用了原文的glm-5.1和glm-4.5-air但模型列表会更新实际该填什么以模型广场当时展示的为准不要凭记忆写一个带日期后缀的名字。3.3 把 ANTHROPIC_AUTH_TOKEN 换成你的 KeymacOS、Linux 或 WSL在~/.bashrc或~/.zshrc里追加export ANTHROPIC_AUTH_TOKENYOUR_API_KEY export ANTHROPIC_BASE_URLhttps://taotoken.net/api保存后重新加载source ~/.zshrcWindows PowerShell$env:ANTHROPIC_AUTH_TOKENYOUR_API_KEY $env:ANTHROPIC_BASE_URLhttps://taotoken.net/api注意这里两个细节。第一YOUR_API_KEY是占位符替换成你在控制台创建的那把真实 Key不要把YOUR_API_KEY这串字符原样留在配置里。第二ANTHROPIC_BASE_URL的值末尾没有/v1多写这一段是最常见的连接失败原因之一后文排障会专门讲。4. 在 ~/.claude/settings.json 里沿用 glm-5.1 的模型映射环境变量管的是往哪发、拿什么身份发模型映射管的是不同难度的任务分别交给谁。原文把这两件事分在环境变量和配置文件两处这个结构值得保留环境变量里不放模型名模型名不进 shell 配置改起来互不影响。4.1 三段模型映射怎么写编辑~/.claude/settings.json文件不存在就新建{ env: { ANTHROPIC_DEFAULT_HAIKU_MODEL: glm-4.5-air, ANTHROPIC_DEFAULT_SONNET_MODEL: glm-5.1, ANTHROPIC_DEFAULT_OPUS_MODEL: glm-5.1 } }这三行的分工和原文一致轻量任务改注释、补类型标注、整理格式走glm-4.5-air日常编程任务走glm-5.1复杂高难度任务也交给glm-5.1。GLM-5.1 的强项是长时迭代所以复杂的那些活儿没必要再往下分一个更弱的模型分下去反而会因为推理不足而返工。改完这个文件别忘了如果同一台机器上还留着旧的环境变量指向本地端口先清掉。export ANTHROPIC_BASE_URLhttp://localhost:11434这种遗留配置会覆盖你的新设置表现就是模型映射明明改了/status里却还是旧信息。4.2 需要自动化时用非交互模式原文提到过给 CI/CD、Docker 或批量处理用的非交互模式这套用法在换通道之后照样成立只是不需要再带--yes去拉模型claude -p 分析这个项目的目录结构列出三个最可能影响启动速度的问题在长时任务里这个模式适合做两件事。一是给/loop的周期性任务做一次手动预演确认输出格式能被后续步骤消费二是把某个独立小任务扔给脚本跑避免它和主会话抢上下文。跑批量任务时把输出重定向到文件后面回看比翻终端滚动条方便得多。5./status验证模型是 GLM-5.1、Context Window 198K配置写完不验证等于没配。验证分两步先看 Claude Code 自己报出来的状态再用一次真实请求确认通道通不通。5.1 期望看到的输出启动 Claude Codeclaude进去之后输入/status。接好之后输出里应该能看到模型是glm-5.1上下文窗口是198K tokens。这两项对上了说明模型映射和通道都生效了如果模型名显示的是别的值回到第 4 章检查settings.json如果状态里根本读不出模型信息先看环境变量有没有在正确的 shell 里生效。这里有个容易忽略的点/status显示的是 Claude Code 当前使用的配置不代表请求一定成功。长时任务最怕配置看着对、请求实际失败所以在正式跑/loop之前务必做一次真实的短对话测试。5.2 用一次短对话确认通道真的通在 Claude Code 里发一条轻量请求比如让它解释当前目录下某个文件的用途。能正常返回才算通道打通。如果想更直接地对照模型和 Key也可以打开 TaoToken 的模型对话页用同一把 Key 发一条消息确认模型 ID 没有写错。两步都过了之后再跑长任务。顺序不能反长时会话跑到一半才发现 401浪费的不是几分钟而是前面所有迭代累积的上下文。验证通过之后你的 Claude Code 就是一个能长时间挂机、由统一通道供血的编码智能体了。6. 实战Todo API 的长时优化诊断 SQL 由你在本地执行原文的实战场景是让 GLM-5.1 从零搭一个 Python FastAPI 的 Todo List REST API再逐步加测试、加分页、加日志、处理性能问题。这套流程非常适合用来测长时能力因为它天然分很多轮而且后面几轮依赖前面几轮的产出。6.1 首轮生成骨架建目录、进目录、启动 Claude Codemkdir todo-api cd todo-api claude然后给一段明确的约束型提示帮我创建一个基于 Python FastAPI 的 Todo List REST API 项目要求 1. 使用 SQLite 数据库 2. 包含 CRUD 操作 3. 有输入验证 4. 包含基本的错误处理 5. 提供 Docker 支持这一轮它会把目录结构、依赖清单、主应用、数据库模型、Dockerfile 一起铺出来。这时候不要急着夸也不要急着改先把项目跑起来确认第一版能启动。长时任务的节奏是每轮都可运行而不是攒到最后一起调。6.2 万条数据变慢生成诊断 SQL你本地执行把结果贴回来第二轮加测试、优化连接管理、补 Swagger UI、实现分页、加日志。第三轮开始碰性能当 Todo 数量涨到一万条以上列表查询明显变慢。这一步是全文最需要说清楚的地方——Claude Code 能生成诊断 SQL、能解释执行计划、能给出索引和查询改写的建议但它不应该、也不允许直接连上你的数据库去执行。所有 SQL 都由你在本地终端跑跑完把输出贴回对话。先让它生成诊断语句EXPLAIN QUERY PLAN SELECT id, title, done, created_at FROM todos WHERE done 0 ORDER BY created_at DESC LIMIT 20;你在项目目录下自己执行sqlite3 todo.db EXPLAIN QUERY PLAN SELECT id, title, done, created_at FROM todos WHERE done 0 ORDER BY created_at DESC LIMIT 20;把输出原样贴回 Claude Code让它根据执行计划判断是不是走了全表扫描、需不需要给(done, created_at)建联合索引、排序能不能被索引覆盖。它给出索引语句后仍然由你在本地建索引再把新的执行计划贴回来对比。这套生成 SQL → 本地执行 → 贴回结果 → 再生成的循环就是长时任务里最典型的迭代模式。它可能来来回回几十轮每轮只解决一个小瓶颈但方向始终是收敛的。原文提到这种长时优化在外部案例里跑到 600 多次迭代才把性能拉起来这正是 GLM-5.1 这类模型擅长的场景——不指望一次写对而是每轮都比上一轮好一点。6.3 用/loop把重复劳动挂起来当主流程稳定之后可以把周期性检查交给/loop/loop 30m 检查我的 PR 状态并总结也可以把测试和运行放在里面/loop 15m 运行一次 pytest如果失败就分析最近的改动并给出最小修复方案注意一点/loop里的任务要写得可独立执行并且让 Claude Code 只做读、分析、给方案实际改代码、跑命令、连库这些还是你来拍板。长时会话里最怕的是无人值守的自动执行把工作区改乱你回头连哪一步出的问题都找不到。把这个边界守住/loop才是提效工具而不是风险源。7. 排障401、模型名不认、长会话被截断排障只列这套配置真正会碰到的几类不把常见的网络问题全抄一遍。遇到报错先看关键词再对着下面的方向查不要一上来就把配置全删重写。7.1 配置相关报错对照现象可能原因处理方式请求返回 401 或认证失败Key 没生效或者环境变量写在别的 shell 里重新加载 profile确认ANTHROPIC_AUTH_TOKEN是控制台创建的那把 Key而不是YOUR_API_KEY占位符返回 404路径相关错误Base URL 末尾多写了/v1改成https://taotoken.net/api末尾不带/v1模型名报错、找不到模型模型 ID 写错或已下线去模型广场核对当前可用 ID别用记忆里的旧名字/status里模型不是 glm-5.1settings.json被旧配置覆盖或环境变量残留清掉指向本地端口的旧变量重启 Claude Code 再看还有一个不在表里的坑Key 是明文写在配置文件里的如果这个项目目录会被推到远程仓库先把配置加进忽略规则。这类问题不会立刻报错但后果比一次 401 严重得多。7.2 长会话被截断或响应变慢会话跑到很久之后如果发现 Claude Code记不住前面的约定通常是上下文被清掉了或者中途重开过会话。先确认/status里上下文窗口还是 198K如果中间手动/clear过历史就没了前面的约定需要重新给一次。另一个建议是给长任务分段。不是所有迭代都要塞进同一个会话像搭骨架补测试调性能完全可以分三段跑每段开头把上一段的结论和约束复述一遍。这样做看起来多写了几行提示词实际比在一个超长会话里反复纠正要省事。分段的另一个好处是出问题时定位快哪一段进入的报错就查哪一段的配置和输出。8. 跑通之后去控制台对一下这次调用配置存盘、/status里看到glm-5.1和 198K、短对话能正常返回这三步走完才算真的接上了。接下来先去 TaoToken 模型对话 里用同一把 Key 发条消息确认模型 ID 和通道都没填错打算长期挂着跑/loop和 Todo API 这类长时优化就去 Coding Plan 看套餐是否够用需要再建一把给别的工具用Key 在 控制台 API Keys 创建环境变量和settings.json的完整字段对照在 Claude Code 接入文档 里。最后提醒一件事长时任务跑起来之后回控制台看一眼这次会话记了多少用量。600 次迭代的活儿不是小数早点知道消耗节奏比跑到一半发现额度不够要主动得多。