3天烧掉820亿Tokens！MiMo与Opus组合拳实战全攻略

前脚刚把 MiMo 送的 16 亿配额磨掉 25%，早上一刷新，账户余额直接拉满到 820 亿——这数字膨胀得我数零都数了好几遍，恍惚间甚至想问问能不能折现成人民币！

这波操作属实离谱，数字一个比一个夸张。

更劲爆的是，MiMo 同步宣布了 API 永久降价，降幅高达 99%！

具体的细则还没来得及深究，但第一反应是：这是冲着 DeepSeek 那个永久 2.5 折去的吧？两家明显在较劲啊。

话又说回来，不管动机是什么，对用户而言都是实打实的利好。卷价格、卷规模、卷能力，这种行业竞赛越多越好！

唯一的遗憾是，这个月就剩三天了……额度重置加上 N 倍叠加，这波操作的时间窗口真叫人哭笑不得。

虽说是“纯度”不高的 Tokens，但这个体量摆在这儿，实打实地能用。问题随之而来——三天时间，820 亿到底怎么烧？

上一次我分享过一个思路：去问不同的 AI，怎样才能快速耗尽 Tokens。后来我按照它们的建议做了一个武侠知识库《江湖百晓生》，不过 MiMo 生成的版本效果一般，没能用起来。

接着我又另辟蹊径，做了一个文档网站——把 Claude 的整套 API 文档全部拉取到本地，然后让 MiMo 翻译成中文文档。

这个方案消耗 Tokens 的效率非常高，而且 MiMo 的翻译质量居然还过得去，比起硬啃全英文原始文档舒服太多了。

今天就重点复盘这个实战场景，顺带记录一下我是如何利用 Opus 4.7 + MiMo 这套组合拳来搭建整个网站的。

核心思路很明确：优质 Tokens 攻坚，普通 Tokens 铺量，二者各司其职，一个子儿都不浪费。

一、Opus 主攻高难度任务

第一步，让 Opus 啃掉最硬的骨头——网站分析、内容抓取、架构搭建。

先看一眼 Claude 官方文档站点：

整个网站数据体量不小，基本是全英文状态。虽然官网提供了中文选项，但翻译覆盖度差得远，不少页面残缺不全。

一、820亿Credits从天而降，但多少Tokens才靠谱？

一觉醒来，账户里凭空多出820亿——是小米MiMo赠送的Credits！这消息让我立刻奔走相告。

不过，很多朋友提醒：Credits不等于Tokens，别高兴太早。

我当然知道它们不一样。可核心问题摆在这儿：

• Credits和Tokens的换算比究竟是多少？
• 820亿Credits到底对应多少Tokens？
• 买Token Plan相比直接调用API到底省了多少？
• 为什么别人家的Credits只有几千到几万，小米一出手就是几百亿？

虽然暂时没搞清具体关系，但这820亿的数字，总让我想起津巴布韦币那种“数零”的迷幻感。于是我专门跑到官方站点，扒来了几组关键数据。

1. 关键截图

我一共收集了三张图表：

• API价格表

  

• Credits消耗明细

  

• 套餐价格

  

下一步，把这三张图交给AI，让它帮我抽丝剥茧。

二、让GPT-5.5试试水

先把前两张图丢给GPT-5.5 Thinking，得到的总结如下：

它甩出的结论是1元 = 100 Credits，我差点就信了。但转念一想，按这个比例，820亿Credits岂不就是8.2亿元？咱们掏几百块买一个月的Max套餐，小米白送价值8个亿的Credits，这可能性几乎为零。

三、更严谨的推导交给Opus4.7

于是，我把三张图片全部输入Opus4.7。

它承认小米这套定价逻辑确实绕人，然后一步步把换算关系理清楚。

核心换算关系

从图2可以直接反推Credit的单价。以MiMo-V2.5-Pro为例：

• API定价：输入未命中缓存 ¥3.00/百万tokens
• Credits消耗：300 Credits/token = 3亿 Credits/百万tokens

所以，¥3.00 = 3亿 Credits，换算下来 1元 = 1亿 Credits，也就是 1 Credit = 0.00000001元。

再用其他模型做交叉验证：

结论一致：1元人民币 = 1亿 Credits。

一、一张时间线图，揭开AI编程圈"双胞胎"的秘密

2026年6月初，开发者 Elie Bakouch 在 X 平台抛出一张令人瞩目的对比图。

这幅信息图绘制了从2025年2月绵延至2026年6月的时间轴，将 Claude Code 与 Codex 的相似功能逐一锚定在发布时间坐标上。橙色标记归属 Claude Code，蓝色则代表 Codex。

每一行条目都是双方共享或高度近似的功能：/goal指令、子智能体系统、上下文压缩机制、沙箱环境、技能库模块、dreaming 记忆引擎……

这张功能图谱在开发者社区激起层层涟漪，因为数据结论犀利到令人无法忽视：

18:4的悬殊比例。 橙色（Claude Code）几乎覆盖了时间轴的前半段版面。

Elie 并非凭印象论断。他交叉核验了 npm 发布记录、GitHub Release 日志和官方技术博客，逐条考据了每一项功能的首次亮相时间。

来源：Elie Bakouch 的 X 帖子及 GitHub Gist，36氪/新智元 2026-06-08 报道

二、11天——新功能的领先窗口正以"天"为单位消失

18:4 的统计已足够触目惊心。但更让人心头一紧的是追赶加速度。

Codex 率先推出的4项功能

身为后来者的 Codex（Claude Code 2025年2月推出，Codex 编程智能体同年5月才亮相），同样拥有原创时刻：

发现了没？区区11天。

近期发现一款颇为有趣的产品——叠叠社。纵观今年AI陪伴赛道，它很可能是我见识过技术底蕴最深厚的产品之一。

我深入挖了挖它的技术根基，发现这团队是真正在做研究，并非“套壳”。

创始人陆弘远，脸谱心智公司CEO，年仅26岁，香港中文大学AI博士出身，曾就职微软亚洲研究院，荣获EACL最佳论文奖。他自称“死宅”，热衷游戏与追番，最爱的动漫是《叛逆的鲁路修》。

近期，他们还官宣引入千亿市值上市公司联创作为商业化合伙人，引入万引知名业界大牛、深耕领域20年的知名教授作为首席科学家。

陆弘远曾表示：“米哈游的蔡浩宇说过要用虚拟偶像拯救宅男。但假如AI仅仅是让人宅得更深，那并非陪伴，而是逃避。”这番话出自一个比多数人更痴迷二次元的人之口，耐人寻味。

叠叠社是什么？

陆弘远打造的产品名为叠叠社，它是一个能够悬浮在手机、电脑任意应用之上的AI弹幕引擎。

不论打游戏、看视频、刷B站、逛小红书还是写文档，它都能以弹幕形式悬浮在屏幕上，实时分析屏幕内容并生成互动。

体验地址：nijigen.com.cn

与市面上AI陪伴产品的根本差异在于：它并非聊天框。其他产品多属于大模型1.0或2.0形态，需用户主动开启APP并对话，场景局限，依赖角色设定与记忆维系粘性。而叠叠社另辟蹊径，AI主动感知屏幕内容，并以弹幕形式给予反馈，用户无需操作，它就能自己运行。

目前支持macOS、Windows和Android，iOS还在开发中。

技术底蕴：学术论文变为产品

近期“马嘉祺”事件引发热议，一个大模型忽然无法念出“马嘉祺”这个名字，根源在于低频token。简言之，某些词语因日常出现频率过低，训练中被忽视，随着模型持续训练，反而丧失了表达的能力。

脸谱心智早在去年便开始攻克此难题。2025年，他们在EMNLP上发表SLoW，专门研究低频词对大模型的影响。其思路是针对模型不熟悉之处进行补充，无需重新训练模型，凭借轻量级词典提示即可改善。

今年4月，他们又发布Adam’s Law / TFL，并被ACL 2026收录。这更进一步：不仅词语有高频低频，句子表达同样存在频率差异。人类常用语句，模型更易理解，输出也更自然。好比“我对此表示遗憾”充满机器味，“这也太惨了吧”才像真人的口吻。

TFL致力于让模型优先采用真人高频表达；TFD负责扩展语料，供模型持续学习真人说话方式；CTFT则按照表达频率进行训练，逐步让模型更像人类。

更耐人寻味的是，Anthropic今年4月发布Claude Opus 4.7时也更换了新的tokenizer。Anthropic未公开实现细节，无法断言直接使用了脸谱心智的代码，但从时间序看，脸谱心智先在论文中阐明问题，Anthropic随后在产品中验证了该路径的可行性。

这也正是我认定叠叠社并非套壳的原因：它不是简单给大模型披上二次元外衣，而是实打实地在解决“AI为何说话不像人”的根本问题。

同时，其弹幕生成运行在本地端侧模型上，响应迅速，长期记忆则重点优化近三个月的关系沉淀。技术根基确实比多数AI陪伴产品更加坚实。

亲身体验：三个场景全面测试

技术归技术，实际好用才作数。我安装了macOS与Android端，各自跑了好几天。

场景一：与AI并行工作时

我让AI协助整理桌面，叠叠社的弹幕就在旁边飘动。正巧某个任务卡壳，弹幕飘过一句“这里是不是有点问题……”虽非实际debug，但那时机精准得就像身边有人一同凝视屏幕。整理完毕，弹幕又飘来“整理文件就像整理心情，轻松自在～”

坦率讲，此场景下它并非生产力工具，但当你独自奋斗项目至凌晨，屏幕上突然有东西陪你注视，那份氛围感出乎意料地温馨。

弹幕频率可自行调节，我在进行vibe coding时调至最低档，几乎不干扰思路，偶尔飘过，存在感恰到好处。

场景二：观看长视频或收听播客

近期我观看对谢赛宁长达7小时的马拉松访谈。

没想到这个场景异常适配。播客探讨技术观点时，弹幕会随之做出反应，虽非句句命中，但遇到争议观点或嘉宾金句，弹幕便会回应，仿佛身旁有人一同收听，时不时插话“扩散模型超酷的”或“这不对吧……”

更意外的是，长视频或播客这类天然独自静听、信息密度高却无需高度专注的状态，叠叠社的弹幕介入后，竟让“半专注”变得更为舒适。

马拉松式访谈，电脑前看两个小时便已疲惫。若想躺着或用手机继续，叠叠社还能变换形态继续陪伴。

场景三：追番实测——《名侦探柯南》中配版

追番场景是叠叠社最擅长的领域。选择柯南，是想挑战其推理剧情密度高、节奏快且超过千集的体量，检验其能否跟上。

第6集《情人节杀人事件》，小兰与园子拜访皆川家……开头弹幕活泼，“肌肉男配草莓蛋糕？这反差我先晕为敬”“蛋糕看起来好好吃”。

案件发生后，弹幕画风突变。当柯南揭晓凶手是皆川的亲姑姑时，弹幕飘出“这剧情走向太黑暗了吧！”那个落差感拿捏精准，正是真人面对此类反转时的叹息式反应。

另有弹幕“毛利大叔躺赢，咖啡杯成关键证据。”这个追番搭子确实能看懂剧情。

第340集《阳光照耀的所在》，毛利请静山大师为小兰画像，想试探对方手是否真抖。弹幕在他的谈话间明显活跃，不时飘过“毛利小五郎又在装模作样了！”

当毛利指出黑木为嫌疑犯，黑木立即声称有不在场证明，弹幕瞬间接上：“不在场证明？细节里必有破绽！”

这正是TFD“学习真人表达”的成效。柯南在B站积累多年的弹幕语料，高频表达、梗与情绪节点均为真实数据，均被吸纳。失误主要集中在推理细节陈述段落，弹幕偶尔跟不上具体线索，飘出一些通用话语，失误率约15%-20%。

三个场景体验下来，优点鲜明：形态新颖，无需主动交互；弹幕参数（大小、颜色、速度、位置）全面可定制；端侧运行响应快。缺点亦存在：屏幕识别偶有翻车，iOS端尚待上线，某些高信息密度场景下弹幕内容相关性仍有提升空间。

团队阵容：学术与二次元的双料天花板

该团队的学术背景可谓硬核。CEO Adam Lu（陆弘远），准00后，香港中文大学AI博士，前微软亚洲研究院研究员。博士期间发表14篇一作/通讯顶级会议论文，斩获EACL 2023最佳论文——该奖项在NLP领域属于top 0.1%级别，且为亚洲机构首次独立获得。目前担任ACL等顶会领域主席，拥有20项第一发明人专利。更绝的是，为了收集一线反馈，他竟直接把个人联系方式挂在系统公告上。

我们最近借助 Opus4.8 手搓了一款好玩的软件！界面帅气，可玩性极高。

这一波设计相当出彩，充满乐趣！

桌面端与网页版均已开发完成。

这个无限流终端本质上是一个主题探险故事生成器，主题完全由 AI 随机产生，但故事的走向则由你亲手塑造。

每一轮会提供 2–4 个选项，你的选择将决定后续的命运。

故事没有尽头，只要你想继续，就可以一直探索下去……当然，也可以随时一键重启，跳转到另一个平行时空！

这一创意来源于我们向 AI 提出的一个测试命题：打造一个无限流文字冒险游戏。

设计一个网页：请瞬间化身为一个复古文字冒险游戏引擎。用户输入“开始”，你需生成一个随机主题（如“火星殖民地生存”或“古代修仙”）。  
**要求：**  
1. 每一步选择都要实时生成一张**ASCII艺术插图**（用字符拼成的画）来渲染场景氛围，不能重复。  
2. 游戏必须包含隐藏的“蝴蝶效应”逻辑，如果用户在第 3 步选择了“捡起石头”，在第 10 步遇到怪兽时必须体现出这个选择的后果。  
3. 若用户输入无理取闹的指令（如“我一拳打爆地球”），你需要用幽默的方式拒绝并引导回剧情，不能报错。 

这个故事的核心魅力在于“无限可能”和“蝴蝶效应”。

最初我们尝试让 AI 生成固定的剧本，但在 Opus4.8 的启发下，我们直接接入了实时 API，让故事和选项得以动态生成，真正实现了无限流效果。

最令人着迷的是，没人能预知故事的走向——你的每一个选择，都决定着最终的结局。 当然，你也要为自己的每一个决定承担因果。

随着大模型能力的持续进化，这款游戏的可玩性也将不断增强。

下面我们来简单演示一下实际的操作流程。

双击启动程序后，会出现一个系统加载界面。

首次使用时会弹出引擎设置窗口：

在这里可以配置 API，支持兼容 Anthropic 协议的接口，几乎能接入国内外所有大模型。

考虑到国内网络环境和模型表现，我们默认配置了智谱的接口。你只需要前往官网获取 API Key，其他参数已经预填好，直接点击保存即可。

如果要接入其他模型，比如 DeepSeek，只需修改 Base URL 和模型名称。

保存后就会进入就绪状态：

无需任何复杂设置，直接点击“开始”！右上角会有一条“命运丝线”，它会记录你的特殊遭遇和选择，这些都可能在未来触发“蝴蝶效应”。

点击开始后，故事便会动态加载：

比如这次随机生成的主题是“克苏鲁废土深海科考站”！

第一幕：深渊的凝视

你从休眠舱的浑浊营养液中惊醒，刺鼻的臭氧味充斥着呼吸道。这里是「塔耳  
塔洛斯-9」号深海观测站，位于海平面以下一万米的深渊。控制台的红灯在幽暗  
中疯狂闪烁，残破的记录仪断断续续地播报着cTpykTypHaя  
целоCTHоCTь（结构完整性）告警。你虽然活了下来，但双臂传来  
钻心的刺痛，你发现沿条管线生长的诡异荧光海藻，已经扎破了你的防护服，  
深深刺入了你的皮肤。

当前可做的选择有：

[A]忍着剧痛，强行拔出扎进手臂的发光海藻
[B]不去管手臂，冲向控制台查阅航海日志寻找线索
[C]在四周破败的残骸中翻找，试图寻找医疗包和防身武器

#AI时代 #学习方法 #认知升级 #快速入门

当一个人能借助 AI 在三十天内系统地迈入一个陌生领域，并做出可展示的小项目时，“没人带就学不会”便不再是事实限制，而只是一句自我设限的托词。时代的游戏规则已经改写。

重新定义 Codex：从问答工具到专属「学习工程师」

很多人用 AI 学习的第一反应是打开聊天窗口提问。这种方式在入门初期也有帮助，但很快就会触及天花板：知识碎片化、难以复盘、无法沉淀迭代。

真正拉开差距的用法，是把 Codex 当作一个可以在本地项目里读写文件、执行命令、维护长期规则的“学习工程师”。你为每个想进入的领域创建一个项目仓库，把知识地图、练习库、项目任务和进度记录全部文件化，让 AI 像一个贴身领航员持续陪跑。

关键转变在于：从“讲给我听”跃迁到“陪我做到”。ChatGPT 善于解释概念；Codex 的优势则是把整个学习过程工程化，让它变得可运行、可测试、可复盘。你的学习节奏、薄弱环节和所有产出，都会沉淀为真实的文件，而不是散落在无穷的聊天记录中。

有了这套文件体系，下次进入学习时，不需要再向 AI 重新解释背景。这种稳定性，是纯聊天窗口永远做不到的。

第一步：创建你自己的「领域学习仓库」

这套方法的第一步不是买课，而是让 AI 帮你生成一整套学习系统。

先用 Codex 创建完整的目录结构：README、知识地图、核心概念、案例库、练习题、项目任务、闪卡集合、测验、每日复盘和进度追踪文件。然后精心编写一份 AGENTS.md，作为这间仓库的长期规则说明书，清晰告诉 AI 用什么流程教你、如何记录进度、怎样在你答错时自动调整后续学习计划。

目录结构一旦落地成文件，每次学习都从同一个稳健的上下文继续。这不是流程设计的问题，而是系统稳定性的问题。

先有地图，再深入细节

进入一个新领域最忌讳的，就是一头扎进资料洪流里。正确答案是：先让 Codex 帮你压缩领域结构，分清哪些是核心主干，哪些是入门之后再花时间看的。

让 AI 把知识拆成三类：必须现在掌握的关键概念、可以分阶段逐渐深入的内容、暂时可以安全跳过的部分。手里有了这张清晰的地图，你就不会在信息噪音中迷路，也不会轻易被带偏节奏。

把方法论封装成「学习 Skill」，一次构建，终身复用

如果你打算连续学习多个领域，这个方法还值得再封装一步：把整套流程打磨成一个 Codex Skill。以后每当面对一个新领域，只需启动这个 Skill，就能自动生成整套学习仓库，立刻进入高密度学习状态。

这本质上是在构建你自己的认知“操作系统”：复制的不是零散的知识点本身，而是你把新知识吸收进大脑时始终遵循的那套结构，把它刻进系统里。

AI 把学习的门槛从服务机构前移到个人文件系统。

学 AI 这件事，你甚至不需要再额外找老师

经常有人问我怎么学 AI。我的回答很简单：你直接去问 AI 就行。

这句话听上去像玩笑，但本质上是整个时代最真切的变革。过去，学习这件事与机构牢牢绑定：学校、培训班、导师推荐、课程体系。而现在，真正在学习效率上改写游戏规则的，是每个人手里可以持续运行的 AI 系统。

快速跨领域学习的代价依然存在，但知识的组织形式已经彻底移位。普通人想要翻身也许不见得更容易，但学习这件事本身确实已变得极其便宜。真正的问题在于：当信息获取的门槛几乎消失之后，能够定义你价值的，已经不再是你能否获取信息，而是你能否把信息快速重组为可交付的产出。

这才是重新估价的真正起点。

#Blender #MCP #AI建模 #3D工作流

如果把 Blender 比作一座工厂，过去只有鼠标和快捷键两条管线可以进厂；而现在，一条能够理解自然语言指令的新通道正在变为切实可用的现实。

本篇文章聚焦于 ahujasid/blender-mcp 项目。其架构简洁明了：Blender Addon 与 MCP Server 两层结构，AI 客户端只负责思考与指令，而真正对网格、材质和节点树的修改依然由 Blender 内部执行。

解决了什么问题

在传统工作流里，AI 生成内容与生产软件之间始终隔着格式断点。glTF 缩放、坐标系倒转、贴图路径不兼容等常识性差异，随时可能让看似完整的桥接方案报废。BlenderMCP 并非要替代 Blender 的建模能力，而是将 AI 直接接入 Blender 的 Python API：你只需描述目标，Claude 就能在 Blender 里创建、修改、截图、导入资产，从而形成闭环反馈。

快速了解项目架构

仓库中核心可直接使用的文件仅有两个：

• addon.py：安装进 Blender 后启动本地 TCP 服务（localhost:9876），接收命令并在主线程执行。
• src/blender_mcp/server.py：基于 FastMCP 的桥接层，为 Claude Desktop / Cursor / VS Code / OpenCode 提供标准化的工具端点。
• 通信层：命令打包为 JSON over TCP，MCP Server 与 Addon 分别运行在不同进程，Blender 侧通过 bpy.app.timers.register 将执行安全地挂回主线程。

详细安装步骤

Step 1 安装 uv：macOS 使用 Homebrew，Windows 则运行 PowerShell 安装脚本并将其加入 PATH。

你有没有经历过这样的崩溃瞬间？
录一段口播，五十句话顺顺利利，偏偏最不起眼的一句说错了。
AI给你生成了一个堪称完美的视频，可就差那么一个细节崩盘——为了这5分，你恨不得把整条片子推翻重来。
去海边拍素材，偏偏碰上个阴天；画面里人潮涌动，想要的干净背景一张都没了。
过去的选择只有一个：忍，或者全部重做。

但现在我遇到一个工具，给了我第三种可能——对着视频说句话，想修哪里修哪里。
它叫 Buzzy，刚完成2000万美元融资的“口喷式视频Photoshop”。

首先要区分一个关键概念：它不是用AI凭空生成视频的工具，而是一款专门修改视频的AI。
你用过的大多数AI视频产品，比如Sora、可灵、即梦，本质上都是生成器——你输入指令，它们从零创造画面。
Buzzy完全不一样。它不动你的核心创意，只修理你的最终成品。

官方给这种体验取了个很形象的名字，叫“口喷P视频”。
你开口说话，它动手干活。不用学任何剪辑软件，也不用搞时间线、图层、关键帧。你只需对着视频说一句话，它只改动你指定的部分，其他区域纹丝不动。
这才是真正的“视频版Photoshop”——不是从一张白纸画画，而是在已有的作品上精准修改。

上手测试：几个真实场景

1. 清掉视频里所有路人

想象一下，你去旅游拍了条素材，结果背景全是来往车辆和游客。不需要重拍，只需告诉Buzzy：

“把街道上来往的行人和车辆都去掉。”

它会自动判断画面里哪些是多余的元素，只移除那些干扰项，你的主体和场景完全不变。

（视频演示：清除背景人物车辆）

注意一个细节：它保留了街对面零星的过路人，街道的真实感并没有被破坏。按指令清理画面，却不粗暴地一扫而空。
这直接解决了视频博主一大痛点——就算现场人流如织，你也可以放心拍自己的vlog。

2. 给整个视频重新布光

室内拍摄时如果灯光没打好，画面偏暗，过去得重新布置灯光再来一遍。Buzzy的处理方式是直接说话：

“把室内光线调亮一点，做成暖色调。”

（视频演示：光线调整）

Buzzy会重新计算画面的光影关系，给你打出一套自然和谐的灯光。

3. 元素替换，直接换一套节日皮肤

刷到的视频素材想二次创作？比如把室内地板上的原木换成可乐瓶，再加点圣诞氛围。我给Buzzy的指令是：

“修改视频1中的画面，将地面上铺的所有的原木替换为图片1中的可乐瓶。视频从下午夕阳西下时展开，逐渐变成傍晚，窗外下着雪。屋内更换为圣诞气息的布置。”

几分钟后，圣诞可乐瓶的版本就生成了。

（视频演示：原木地板变成可乐瓶，窗外下雪）

窗外的天空也从夕阳暖光自然过渡到夜晚的雪景，节日氛围立马拉满。

4. 一键改变视频运镜

想给画面增加冲击力？
比如我有一段从森林上空俯拍的轿车行驶素材，想让它更酷一点。

（原视频）

对Buzzy说：“天气改为暴雨天，镜头更有冲击力一些，镜头俯冲向下聚焦在车身，随后镜头360度环绕车身拍摄细节。”

（调整后）

Buzzy直接把运镜路线重做了，连车轮压过积水溅起的水花都表现得相当到位。
你想让镜头更有呼吸感、冲击力，甚至电影质感，它都能调。

5. 换台词顺便换装

如果口播文案有误，连衣服都想换？也能办到。

前阵子我们给虚拟人小艺酱拍了一段口播，这次用Buzzy试验了换台词搭配换装：

“帮我把台词‘今年18岁，身高173’改成：‘今年22岁，身高168’。然后把女主的衣服换成休闲米色连衣裙，顺便给她戴一副金边眼镜。”

（修改前后对比）

Buzzy精准替换了所有要求的内容，口型跟新台词完美匹配，听起来也很自然。

6. 一键改画幅，多平台分发

竖版视频要发小红书和抖音，横版的要上传B站、YouTube？以前得手动裁剪，反复调整构图，担心把人像裁掉。
Buzzy的方式：直接说“把这个视频改成16:9横版”，它自动重新构图，人物始终在视觉中心，同时完整保留了画面的氛围和细节。

作为 Claude Code 的深度用户，最近遭遇了 Opus 4.8 在上下文管理与自动压缩上的严重问题：对话会卡死，无法执行压缩。
这件事直击两大痛点——“省钱”与“降智”，不得不深究！

目前问题已大体解决，遂记录成文，分享给同样受困扰的朋友。

1、默认 100 万上下文

100 万 token 的上下文窗口，至今仍是不少厂商的核心卖点，尤其是国产模型逐步支持 1M 后，铺天盖地都是对超长上下文的鼓吹。
但其实 Claude Code 搭配 Opus，早在今年三月就已默认开启了 100 万上下文。
更大的窗口确实能塞入更多历史，减少压缩频率，看似省心。
然而凡事有利必有弊。
上下文拉满会加剧模型降智，并疯狂吞噬 Token；降智拖累项目进度，烧 Token 则直接增加成本。 这是切身之痛！
笔者至少两次遭遇这类坑：一次把上下文推到 75~80 万，模型开始出现弱智行为，一个简单问题反复出错；另一次，缓存超时之后，仅一句请求就烧掉了 40% 的配额，却毫无产出，体验极差！

2、设置成 200K 上下文

从那以后，我开始刻意控制上下文长度，任务告一段落就立即新建对话。
就在此时，Opus 4.8 的更新带来了惊喜：Claude 客户端一度将默认上下文设置为 200K，使用体验极佳——尚未满额便自动压缩，几乎不用人为干预。
可惜好景不长，随后的更新又将配置改回了 1M，策略反复令人困惑。
与其被动适应，不如主动锁定，我决定自行调整参数。
早就听闻有相关变量可供控制，查阅后确认可通过环境变量禁用 1M：

CLAUDE_CODE_DISABLE_1M_CONTEXT=1

为图省事，Windows 下我手动添加了系统环境变量：

原本以为这样就能高枕无忧，但新问题接踵而至。
从状态信息可见（下图），上限虽为 200K，但实际上下文已被推至 302.9K，明显超限，压缩逻辑显然未生效。

我期望系统在接近上限前就主动压缩，但事与愿违，原因不明。
咨询 Opus 4.8 后，它建议直接修改配置文件 ~/.claude/settings.json，添加如下配置：

{  
  "env": {  
    "CLAUDE_CODE_DISABLE_1M_CONTEXT": "1"  
  },  
  "autoCompactEnabled": true,  
  "autoCompactWindow": 200000  
}

核心思路：强制 auto-compact 以 200K 作为窗口基准计算触发百分比，而非沿用底层的 1M。唯有如此，压缩阈值才能真正锁定在 20 万。
换言之，仅关闭 1M 上下文还不够，必须显式指定 autoCompactWindow 为 200000，并确认自动压缩已开启（通常默认启用）。
生效注意事项：

首次使用 Claude Code 时，几乎所有人都会被“授权提示”反复打断。

不断弹出的对话框让人心烦，有时你以为任务已经在进行，其实它仍在等待你的许可。想关闭这些提示，又不清楚该如何关闭，或者担心权限设置不当会引发问题。

之前我也懒得深究，一直沿用 acceptEdits 模式。直到最近，我计划在 JClaude 与 JCode 中加入一个“全自动”模式，才专门花时间梳理了一遍。

下面就把我整理好的内容分享出来。

一、六种权限模式概览

不查不知道，原来 Claude Code 提供了多达六种权限模式。

根据官方文档，当前支持的六种模式及启动方式如下：

claude --permission-mode default
claude --permission-mode acceptEdits
claude --permission-mode plan
claude --permission-mode auto
claude --permission-mode dontAsk
claude --permission-mode bypassPermissions

在启动时通过命令行参数指定，会覆盖 settings 文件中的 defaultMode 配置。

二、各模式含义与使用场景

我整理成下面这个表格，可以快速对照着学习不同模式的定义、用途及风险。

表格内容已经很清晰，如果需要也可以做成更直观的图示。