熟悉萝卜哥的朋友应该都知道，最近加入了一个 AI 编程出海社群，未来萝卜哥会结合自己的实践，分享一系列文章，从需求收集和整理到代码实现，从功能上线到支付闭环，每一步都值得思考和分享，大家可以期待一下呀。

今天先从最基础最重要的部分开始，AI 编程工具的选择与使用。

萝卜哥目前使用的 AI 编程工具就是 Claude Code，这个工具毫无意外是现在最牛的 AI 编程工具，正所谓工欲善其事，必先利其器，咱们选择最牛的工具肯定是没错的。

大家好可能会说，Claude Code 背后的官方 API 太贵了，用不起，不过现在国产大模型强势崛起，不慌。

今天咱们就横向测评国产的 GLM 4.5 和 DeepSeek V3.1，来看看到底谁更适合咱们初级出海者~

下面就跟着萝卜哥一起进入 Claude Code 的编程世界吧~

Claude Code 安装与第三方 API 接入

Claude Code 的使用全程需要在外网环境下进行，这个就不多说了，不明白的可以私聊萝卜哥。

为了方便安装，我们还是需要打开 TUN 模式哈，然后在终端执行下面的命令即可

npm install -g @anthropic-ai/claude-code --ignore-scripts

如果不报错，那么就是安装完毕了，我们在终端输入 claude 试一下

如果看到上面的打印，则说明 Claude Code 安装完毕。

首次登录需要登录与授权

我们不用官方的 API，太贵了，下面来分别介绍接入 GLM 4.5 和 DeepSeek V3.1 的方法。

GLM 4.5 接入

GLM 4.5 一经发布，就是霸榜的存在，其编程能力也是直追 Claude 4，

我们先来申请对应的 API。

访问智谱的开发平台，https://www.bigmodel.cn/invite?icode=k5Xuh7b9lTOzMG0gFrkexv2gad6AKpjZefIo3dVEQyA%3D

接下来我们进入下面的地址申请 API

然后我们拷贝这里的 API Key，放到下面的环境变量当中使用。

要把 GLM-4.5 接入到 CLaude Code 当中也很容易，只需要修改下面两个环境变量即可。

export ANTHROPIC_BASE_URL=https://open.bigmodel.cn/api/anthropic

export ANTHROPIC_AUTH_TOKEN={YOUR_API_KEY}

看到 API Base URL 是智谱的就说明配置成功

GLM 4.5 总参数 335B，激活参数 32B。在包含推理、代码、智能体的综合能力达到开源 SOTA，支持混合推理，而且性价比很高，0.8 元/百万tokens、输出 2 元/百万tokens，高速版输出速度超过 100 Token 每秒。

DeepSeek V3.1 接入

下面来看看 DeepSeek V3.1 的接入方法

先进入 DeepSeek 开放平台申请 API Key，然后充值也是在这个页面，DeepSeek 模型没有资源包的说法，所以我们用起来还是要注意一下余额哦~

https://platform.deepseek.com/api_keys

然后直接执行下面这条命令即可，DeepSeek V3.1 的 API 是完全兼容 Claude Code 的，只需要修改环境变量即可

export ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic
export ANTHROPIC_AUTH_TOKEN=${DEEPSEEK_API_KEY}
export ANTHROPIC_MODEL=deepseek-chat（deepseek-reasoner）
export ANTHROPIC_SMALL_FAST_MODEL=deepseek-chat（deepseek-reasoner）

目前 DeepSeek V3.1 支持两种模式，大家可以根据自己的需求来调整

这个时候我们重启终端然后执行下面命令即可

claude

我们看到 API Base URL 变成了 deepseek 的就是配置成功了。

V3.1 是首个支持“思考”与“非思考”两种模式的大模型，用户可自由切换以应对不同复杂度的任务。而且 Agent 能力大幅提升，在工具使用、编程和搜索等智能体任务上表现更强，尤其在复杂任务中性能提升显著。

“思考模式” (V3.1-Think) 相比旧版能用更少的计算量（token消耗减少20%-50%）达到同等甚至更优的性能，给出答案的速度更快。

只不过幻觉还是挺严重的，这也是 DeepSeek 系列大模型的老问题了~

GLM 4.5 与 DeepSeek V3.1 比较

下面来看一看几个案例，也都是萝卜哥认为比较好的适合新人练手的项目。

一、美学网站

这个 case 主要考验大模型在美学方面的能力

请生成一个单页滚动式美学概念网站的HTML和CSS代码。
主题： “日常生活中的美学”（Aesthetics in Daily Life）
内容板块： 1. 英雄区（大标题和引言） 2. 图片画廊（展示3张日常之美的图片） 3. 一段文字感悟 4. 页脚
设计要求：
- 风格：现代极简主义
- 配色：柔和、宁静的色调
- 排版：使用无衬线字体，具有充分的留白
- 技术：使用Flexbox或Grid布局，确保响应式设计
请严格遵循以下设计规范：
【色彩规范】
- 主色调： #F5F0EC (燕麦色) 作为背景
- 辅助色： #D6C6B9 (陶土红) 用于按钮和重要标头
- 强调色： #8BA69B (灰绿色) 用于悬停效果和边框
- 文字色： #333333 (深灰色) 用于正文， #666666 (中灰色) 用于辅助文字
【排版规范】
- 主要字体： ‘Helvetica Neue’, Arial, sans-serif 字体栈
- 英雄区标题： font-weight: 300; font-size: 3.5rem; letter-spacing: 0.05em;
- 正文： line-height: 1.8; font-size: 1.1rem;
【布局与交互规范】
- 画廊使用CSS Grid布局，三列，带圆角和细微的内部阴影（box-shadow: inset 0 0 10px rgba(0,0,0,0.05);）
- 导航栏固定在顶部，背景色使用主色调，滚动时产生细微的背景色变化（从透明到半透明#F5F0ECcc）
- 所有按钮无边框，有圆角，使用辅助色背景，悬停时背景色变为强调色，并伴有0.3秒的过渡动画。
确保在移动端上浏览时，画廊变为单列，文字大小自适应。

GLM 4.5

代码编写过程就不截图了，对于这些较为简单的需求，现在的大模型基本都是一次过，我们就以不调测的版本来对比两个大模型的编码能力。

GLM 4.5 生成的网页如下，整体还是非常简洁的

然后在网页内容上也完全遵照了提示词的要求

内容板块： 1. 英雄区（大标题和引言） 2. 图片画廊（展示3张日常之美的图片） 3. 一段文字感悟 4. 页脚

DeepSeek V3.1

DeepSeek 对于这个需求的生成速度也是挺快的。

生成的网页配色还不错，只不过没有放置案例图片，相比 GLM 4.5 就差了一些。

优劣对比

GLM 4.5 和 DeepSeek V3.1 的速度不相上下，但是整体完成度，GLM 4.5 更高！

不过 DeepSeek V3.1 生成的是纯中文网站，与我给的中文提示词相呼应，这个做的比较好。

二、小游戏制作

1、井字棋游戏

这个 case 主要考察大模型的二维数组数据处理、算法逻辑（如胜负判定）、状态更新等能力。

创建一个井字棋（Tic-Tac-Toe）游戏，并实现一个简单的AI对手。
技术栈： 使用JavaScript处理逻辑，CSS Flexbox布局。
游戏功能：
- 玩家执X，先手；AI执O。
- 在3x3的棋盘上点击空格落子。
- 实现一个基本的AI算法（例如：随机选择一个空位落子，或者使用极小化极大算法Minimax实现不可战胜的AI）。
- 实时判断胜负，连成一线（横、竖、斜）则立即高亮显示获胜的棋子，并宣布获胜方。
- 提供重置按钮。
UI设计：
- 棋盘使用简约风格，有细微的网格线。
- X和O使用不同的醒目颜色。
- 有一个状态栏显示当前轮到谁（Player X / AI O）或游戏结果。

GLM 4.5

这个小游戏 GLM 4.5 一分钟就完成了，效率还是很高的

整体可玩性也不错

DeepSeek V3.1

这个任务 DeepSeek V3.1 用了3分钟，要比 GLM 4.5 长

页面效果差不多，但是我玩下来发现，它这个 AI 下棋有点傻。。。

大家看到了吧，这个 AI 完全不懂下棋，DeepSeek V3.1 生成的这个小游戏，应该是没有给内部 AI 说明下棋的规则，要比 GLM 4.5 生成的弱智一些。

2、记忆配对游戏

这个 case 主要考验 AI 对状态管理和简单动画的实现能力。

请创建一个记忆配对卡片游戏。
技术栈： 使用纯JavaScript、CSS和HTML，利用CSS Grid进行布局。
游戏规则：
- 4x4的网格，共8对卡片。
- 玩家每次点击翻转两张卡片。如果匹配，则保持正面朝上；否则，一秒后自动翻转回去。
- 所有卡片匹配完毕後，显示用时和总步数。
设计要求：
- 卡片背面为深蓝色，正面为不同的Emoji表情（🎵, 🎮, 🚀, 🍕, 🐶, 😺, 🌍, ⭐）。
- 卡片翻转要有平滑的CSS过渡动画（使用 transform: rotateY 实现3D翻转效果）。
- 游戏界面顶部显示当前步数和一个重置按钮。
确保代码有良好注释。

GLM 4.5

这个小游戏看起来实现的更容易，不得不说，GLM 4.5 的速度是真的快。

DeepSeek V3.1

这个小游戏，DeepSeek V3.1 耗时还是3分钟，同样比 GLM 4.5 慢

生成的游戏页面倒是差不多，V3.1 做的比较好的一点是有个用时功能~

优劣对比

整体用时 GLM 4.5 胜出，第一个井字棋小游戏也是 GLM 4.5 完成的更好。

DeepSeek V3.1 在第二个小游戏当中表现的更强一些。

总体来说，还是 GLM 4.5 生成的代码更有优势。

三、笔记管理系统

这个 case 考察了大模型对于前后端代码的协调能力。

请使用Flask框架创建一个简单的个人Markdown笔记管理系统。
核心功能：
1.  **主页**：列出所有已存在的Markdown笔记文件（`.md`）。
2.  **查看笔记**：点击笔记标题，在一个新页面中渲染并显示该Markdown笔记的HTML内容（使用`markdown`库进行转换）。
3.  **创建笔记**：有一个按钮可以跳转到创建新笔记的页面，包含一个表单（标题和内容文本框）。
4.  **保存笔记**：提交表单后，程序将内容以`标题.md`为文件名保存到服务器本地的`notes`文件夹中。
5.  **删除笔记**：在每个笔记旁边有一个删除按钮，点击后删除对应的文件。
技术要求：
- 使用 `Flask` 框架。
- 使用 `markdown` 库将Markdown文本转为HTML。
- 使用Python内置的`os`和`pathlib`模块进行文件操作（创建、读取、删除）。
- 前端界面可以使用简单的HTML和Bootstrap CSS进行美化。
代码结构要求：
- 合理规划Flapp的路由（`/`, `/note/<filename>`, `/create`, `/delete/<filename>`）。
- 注意防范安全风险，如对`filename`进行安全检查，防止路径遍历攻击。

GLM 4.5

没想到这个需求 GLM 4.5 也是仅仅一分钟就完成了，有点出乎意料。

关键是这个任务完成的太好了，页面简洁，功能健全，感觉加一个图床功能就可以直接商用了。

DeepSeek V3.1

DeepSeek V3.1 用时4分钟，也不算慢。

整个项目完成的也很出色，就是这个笔记列表，有点丑，其他方面也是无可挑剔。

优劣对比

对于这个项目，GLM 4.5 和 DeepSeek V3.1 都完成的很好，功能没问题，如果非要比较一个高低，那么速度就是 GLM 4.5 最大的优势。