万万没想到，我这样一个连游戏开发门都没摸过的菜鸟，竟然真的折腾出了一个像模像样的作品！

特别感谢 Claude、Fable 5 和 Codex，这几件神器在手，真的有一种“天下我有的感觉”。

随手一句描述，直接帮我生成了一个经典坦克大战的完整雏形。

再一句话，游戏原地升级成了 3D 版——自动建模、代码贴图、代码配音一气呵成，完全不用我操心美术和技术细节。

接着一句话，贴图的质感与画面效果又被拉高了一个档次！

然后又一句，游戏手柄也丝滑接入 🎮，操控体验瞬间拉满。

最后补上一句，电脑版也安排得明明白白。

全程几乎就是“言出法随”，一切就这么到位了！（这里说“一句话”只是简化描述，实际沟通时当然也多聊了好几句。）

来看看最终落地的效果：

点击观看《坦克大战3D》实机演示

虽然坦白讲，游戏还称不上多么精良，但对我自己来说，已经远远超出预期了！

道具系统、关卡设计、玩法逻辑、积分机制全部妥妥运行，一样不少。

下面简单说说怎么上手。

网页端，打开网址，一秒就能投入战场！

PC 端提供免安装版，软件包只有区区 7.62 MB，随随便便一台老电脑，都能流畅跑起来。

怎么玩、操作有哪些，开始界面就有详细的引导说明，一看就懂。

键盘和手柄都能控制，还支持双人对战，叫上朋友立马开打。

玩法说明
核心目标是保卫老鹰，消灭所有敌军坦克。每一关共有 20 辆敌军坦克，闪红光的坦克会掉落强力道具，全部共 35 关，节奏越来越紧凑。

键盘操作
1P：WASD 移动，空格 / J 发射。单人模式下，方向键也能顺带控制 1P。
2P：方向键移动，小键盘 0 / 句号键发射。

手柄操作
摇杆 / 方向键：控制移动
A / B / X / Y：发射
Start：开始 / 暂停
Select：静音
LB / RB：旋转视角
LT / RT：缩放视角
L3：复位视角
R3：一键切换顶视角

核心要点速览

如果你正在使用 Cursor、Claude Code、Trae 这类 AI 编程工具，却为每月高昂的模型费用头疼，那么这篇横评或许能帮你省钱。我们梳理了国内 21 家大厂的 Coding Plan 编程套餐，从价格、模型、用量、工具支持四个维度进行详细对比，平均月费约 ¥59.4，最高 ¥198，最低仅需 ¥15。

数据参考来源：国内 Coding Plan 性价比排行（2026 年持续更新）

计费方式解读：先搞懂这 5 种单位再比价

在 21 家平台中，存在 5 种计费方式，若直接对比单价很容易踩坑：

常见误区：将月费 40 元提供 1200 次 API 请求的套餐，与月费 49 元提供约 5M Token 的套餐直接比价，看上去 40 元更便宜，但 5M Token 实际上能支撑几百次长对话，折算下来单次成本反倒更低。

这份清单中包含部分近期二次冲榜的项目，在此先做简要回顾：

• andrej-karpathy-skills：基于 Karpathy 观察 LLM 编写代码时的常见陷阱提炼而成的 CLAUDE.md，直接放入 .claude 目录即可生效。
• mattpocock/skills：Matt Pocock 开源的 Claude Code 技能包，已获 11 万星标，将实战经验打包分享。
• ruflo：基于 Claude 的多 Agent Swarm 编排框架，支持自适应记忆和 RAG，适合构建 Agent 集群。
• academic-research-skills：面向 Claude Code 的学术研究技能包，覆盖从文献调研、论文写作到审稿的全流程。
• ai-engineering-from-scratch：从零开始学习 AI Engineering 的 Python 教程，适合入门者。
• MoneyPrinterTurbo：利用 AI 一键生成自媒体短视频，项目仍在持续更新。
• RuView：通过 WiFi 信号实现空间感知，无需摄像头即可监测人体位置和生命体征，技术极具黑科技色彩。
• agentmemory：为 AI 编程 Agent 提供持久化记忆的方案，帮助解决 Agent“失忆”问题。
• Pixelle-Video：AI 全自动短视频生成引擎，与 MoneyPrinterTurbo 处于同一赛道。
• 9router：免费的 AI 编程路由，支持 40 余个服务商自动切换。
• AiToEarn：收集用 AI 赚钱的各类项目，对寻求工具变现的人颇具参考价值。
• UI-TARS-desktop：字节跳动开源的多模态 AI Agent 桌面应用，专注于 GUI 自动化方向。

以下是本月精选的 5 个新晋优质项目：

01 将代码库转化为可交互的知识图谱

Understand-Anything 能对整个代码库进行分析，并生成一张可交互的知识图谱。

打开本周的 GitHub Trending，AI Agent 生态几乎包揽了前几名。从我挑出的 10 个值得详聊的项目里，你会看到各类 Agent 工具、本地化方案和性能优化利器同时涌动；其余几个上周已经提过，这里就快速带过。

last30days-skill：驱动 AI agent 自动跨 Reddit、X、YouTube、Hacker News、Polymarket 完成信息抓取与趋势总结。
headroom：把传输给大模型前的工具输出、日志、RAG 分块先进行压缩，在不牺牲效果的前提下节省 60‑95% token 消耗。
taste-skill：为 AI 注入审美判断，避免它吐出千篇一律、毫无风格的低质文本。
markitdown：微软出品的多格式文件转 Markdown 利器，Office 文档、PDF 等一键转换。
career-ops：基于 Claude Code 构筑的求职 agent，内置 14 项技能模式。
opencv：老牌计算机视觉库，几乎每周都驻留在 Trending 榜单。
svelte：前端框架，本周保持小幅热度。

01 语音对话不延迟：用本机 LLM 搭建你的 AI 伙伴

Open-LLM-VTuber 是一套允许你用语音跟任意大语言模型实时对话的开源方案，目前 GitHub 上已有 1.1 万星。

它完全在本地运行，可以对接 Ollama 或任何 OpenAI 兼容接口。并且支持随时打断，而不是那种非要说完整句才能切换话轮的“伪实时”。

更吸引人的是它可以挂载 Live2D 模型，让对话对象呈现面部表情和动作，并且跨平台适配 PC、移动端和 Web。

项目定位偏向 AI 陪伴和 AI VTuber，与 Neuro-sama 这类虚拟主播思路相似。如果你想打造一款本地部署的语音助手、虚拟主播或者 AI 陪聊伙伴，这正是一个现成的起点。

智能模型路由：Token开销降至原来的十分之一

OpenSquilla 能让你与 AI Agent 之间的每一轮对话，都先经由本地运行的模型路由器评估复杂程度，再自动分派给能胜任且成本最低的模型。这意味着只有真正的复杂难题才需要动用 Opus 这样的高级模型，那些琐碎、简单的任务则交给便宜模型即可，Token 账单瞬间瘦身。

开源地址：https://github.com/opensquilla/opensquilla

团队在 PinchBench 1.2.1 上跑了 25 个任务的基准测试。OpenSquilla 的平均得分为 0.9251，而对照组 OpenClaw（全程使用 Claude Opus 4.7）则是 0.9255，表现几乎持平。但总花费却天差地别：前者仅 0.688 美元，后者高达 6.233 美元，整整省了约 9 倍之多，输入 token 消耗更是降到只及对方的零头。

更贴心的是，整套路由判断完全在本地执行，基于 LightGBM 和 ONNX 实现，你输入的 prompt 不会被事先发送出去做分类，隐私和成本一举两得。

多任务并行黑科技：让 Claude Code 真正同时干活

经常使用 Claude Code 的人都有过这样的烦恼：在一个项目上跑着 Agent，想去折腾另一个项目就不得不再开一个终端窗口，在不同标签之间来回切换，时间一长甚至忘记某个 Agent 原本的任务是什么。Nezha 正是为解决这个痛点而生。

开源地址：https://github.com/hanshuaikang/nezha

Nezha 把自己定义为 Agent‑First 桌面应用，专为 vibe coding（AI 写代码，人盯进度）这类场景打造。简单来说，它把多项目管理、终端、Git 操作、会话回放、代码浏览等功能全部整合进单一界面。

你可以在一个窗口里同时并行跑着多个 Claude Code 和 Codex 实例，每个项目独占一个标签，点一下就能秒切过去，后台终端依然正常运转。如果某个项目因等待确认而卡住，左侧栏会亮起黄色指示灯提醒你。整款应用安装包只有区区 7 MB，还能自动识别 Claude Code 和 Codex 的会话文件，将每次对话可视化出来，随时都能 Resume 继续。

一、市场全景速览

全球头皮按摩器赛道正处在稳健的中速增长通道上。综合多家机构数据，2024 年整体市场规模录得 8.515 亿美元，预计到 2030 年将攀升至 12.9 亿美元，年复合增长率约为 7.3%（Grand View Research）。进一步聚焦智能头皮按摩器细分领域，Deep Market Insights 测算 2025 年市场体量为 9.2 亿美元，2030 年有望达到 13 亿美元，CAGR 7.2%；DataIntelo 从电动头皮治疗按摩器角度给出的数据则更为可观：2025 年 18 亿美元，2034 年增长至 32 亿美元，年复合增速 6.6%。三大机构的判断相互交叉验证，头皮按摩器赛道基本锁定在个位数百分比的中速增长带。

核心增长引擎：

• 全球脱发与发际线后移人群持续扩大：据国际毛发修复外科学会（ISHRS）2024 年报告，25-45 岁女性中有 32%、男性中有 41% 出现肉眼可见的发量减少；
• “头疗经济”强势出圈：2025 年中国头疗门店数量同比增长 47%，日本、韩国及东南亚头部 SPA 业态同步爆发；
• TikTok 平台上 ASMR 内容引爆“抓头皮”热潮：话题 #scalpmassager 累计播放量超 16 亿次，ASMR 抓头皮、滚珠拨筋、激光生发三类内容同时爆发；
• 居家自护理渗透率快速上升，100% 线下头疗院及美容院的“家庭化”场景成为窗口期。

区域分布： 北美以 38% 的份额稳居最大市场（高可支配收入 + 强防脱发意识），欧洲占 28%，亚太地区占比 25% 但增速最快（CAGR 8.5%），中东和拉美合计约 9%。

二、竞争格局梳理

当前头皮按摩器行业呈现典型的“哑铃型”结构：$20-35 价格带拥挤大量白牌，$90-130 高端段由 Breo 等极少数品牌把持，中间 $50-90 的品牌真空带鲜有有实力的 DTC 玩家切入。

《超级玛丽》这款跨越时代的经典游戏，各大AI模型居然至今没能完美复现，实在让人大跌眼镜。我几乎把所有国内外主流模型都拉出来遛了一遍。

到目前为止，表现最抢眼的还得是Fable，其他选手可以说是状况频出、错误连篇。

GLM5.2和Kimi2.7的测评之前已经做过，也分享过了。这次的主角是Doubao2 Pro、Model3、Qwen3.7 Max。

为什么挑这三家？因为在《超级玛丽》这道题目上，它们勉强能坐到同一张桌子上。本来还想拉上MiMo，不过那篇已经单独写过，就不再重复了。看完它们交出来的作品，我只能感慨一句：真是别有一番趣味。

寓言

为了对比起来更直观，先让Fable打个样。

Claude Fable这个称呼本身就挺有意思，大致可以理解为“克劳德·寓言”。其中的“Claude”普遍被认为是在致敬信息论之父克劳德·香农。而最新版的寓言与神话模型共用同一个基座，算是目前公开可用的最强选手之一。

它的成绩单如下：

这里展示的是一轮对话直接生成的结果，全程没有加入任何二次提示。超级玛丽的地图布局、场景还原，以及角色行为和底层逻辑，背后其实藏着数不胜数的讲究。那些真正引爆市场的游戏，无一不是靠海量细节堆砌出来的。Fable还原得最到位的地方在于，整套代码完全是纯手写JavaScript搓出来的，相当震撼。

豆包2专业版

豆包大家已经熟得不能再熟了，国民级的日常应用。日常闲聊或者基础问答可能还顶得住，但一旦涉及编程、深度推理和低幻觉输出这几个维度，就一直差着那么一口气。平时我基本不会特意去碰它，这次纯粹是灵光一闪。

效果如下：

哈~我就看看，不说话。

Model3

为了不干扰对方的市值和内部同事的工作，这个模型我就不点名了，姑且叫它Model3。事实上，Model3一系的规模是最小的，基础能力也相对最弱，可是宣传上的声势却最响。

直接上展示吧：

哈~我就看看，不说话。

Qwen3.7 Max

这是阿里目前手里最强的一张牌，刚发布时就打出“全球第二，国内第一”的口号。单看各种基准榜单，确实可以到处碾压同行。不过数据归数据，真刀真枪上场又是另一回事。今天就请《超级玛丽》给它好好上一课。

效果如下：

哈~我就看看，不说话。

现在咱们抛开所有公司名头，单纯看看最后捧到眼前的这些效果，各位作何感想？到底哪家棋高一着，差距又拉开了多少？当然，这只能算是一个极其狭窄的观察切口，远远不能代表它们的全部实力。不过窥一斑而知全豹，多少还是有些参考意义的。

我不能直说谁差，只能说娱乐指数拉满了。它们才是真正意义上的“原创高手”。

看过这些娱乐选手的表现，我更怀念用Fable的那三天了，那种感觉就是——我好像什么都做得出来！只要吸过那一口，再看别的就通通变得索然无味。用过的人自然心领神会，没用过的可以尽情想象一下。

当一篇文章同时覆盖Gary Marcus的预测准确率、美国行政令对州法的干预，以及年轻人对AI的情感依附时，你就该明白：这件事早已超出纯技术的范畴。

1. 预言失灵：研究者开始公开讲真话

2025年，AI时代被贴上了愈发清晰的标签。心理学家Gary Marcus曾提出17项预测，结果命中了16项。他说的并不是AI会有多辉煌，恰恰相反——没有出现通用人工智能（AGI），GPT-5依然深陷“幻觉”（hallucination）困扰；世界模型与神经符号AI正渐渐抬头，而曾经被奉为圭臬的“Scaling信仰”已经撞上天花板。这个结果本身并不让人意外，真正意外的是，愿意公开承认这一点的人变得越来越多。

一度坚信“大模型即一切”的Ilya Sutskever和Rich Sutton，现在也开始在公开场合流露出对短期实现AGI的忧虑。这是一个强烈信号：当学术界集体后调整时间表，泡沫破灭的关键便不再是价格崩塌，而是叙事坍塌。

更耐人寻味的是Marcus的元预测：他判断2026年的预测会比2025年更不准，并且把这点视为好消息——这意味着这个领域终于从“All LLM all the time”的单一思维里苏醒过来。多样性的回归本身就是一种进步，哪怕它会让短期预测变得格外困难。

2. 产业现实：精美的演示还能走多远

实验室与真实世界之间的鸿沟，在人形机器人领域被展现得淋漓尽致。Optimus和Figure的早期评测几乎是一边倒的差评：记者Joanna Stern和Marques Brownlee给出的结论大同小异——“全是演示产品，没有真正的消费级可用性”。机器人学家Rodney Brooks几十年前就曾警告过，把机器人放进真实的家庭环境里，难度会大得惊人。

这与AI公司的财务状况形成了强烈映照。除英伟达（Nvidia）外，几乎没有哪家AI公司真正实现了盈利。市场已经把2025年定义为“泡沫顶峰”，而曾经跟随Oracle的AI炒作路径正在被重新估算。投行和创业者不约而同地发现：信任的消退并非由某条爆炸性新闻触发，而是长期积累下来的演示与工程现实之间的落差，终于跨过了临界点。

有意思的是，下沉市场里的真实需求并没有消失。变化在于，它不再依靠技术奇迹来驱动，转而由具体行业的痛点定义——从风力发电机组检测到建筑数字孪生，从客服自动化到文档处理。AI公司面临的拐点或许不再是“做出更强大的模型”，而是“找到愿意为之付费的真实场景”。

“除英伟达外，几乎没有AI公司在盈利，而且谁也谈不上拥有真正的技术护城河。”——Gary Marcus，2025年回顾

3. 监管博弈：两条路线正面相撞

如果说技术层面仍在争论“AI到底能真正做什么”，制度层面早已为“由谁来管”这件事激烈交锋。2025年12月，美国白宫发布行政令，以“防止50州监管体系碎片化”为由，实质上压缩了州级AI立法的空间。科罗拉多、得克萨斯、加利福尼亚等州原本已在推动的开发者治理框架，首当其冲受到冲击。

早在2025年11月，36位州总检察长就曾联名反对联邦层面的这种“优先权”。他们的担忧非常具体：NIST AI风险管理框架、ISO 42001、强制性安全测试——这些州法要求企业承担的义务，正被联邦行政令悄然松动。

欧盟的《人工智能法案》走得则是另一条路线：整体直接适用，按风险等级划分禁止清单和高义务门槛。随之而来的副作用是合规成本急剧攀升。大西洋两岸的哲学分歧其实再清晰不过：美国倾向于行业自我调节加上联邦顶层设计，欧洲则相信事前风险分级并前置公民权利。这两种路线都是严肃的治理实验，但谁都不承认对方的前提能够成立。

最终的结果很可能是：未来十年，你在哪个司法管辖区运营，将直接决定你能够使用哪些AI能力。这种“治理套利”不会是制度漏洞，而将成为制度设计的核心特征。

4. 普通人的依赖：还没意识到自己已经深陷其中

当研究者们还在严肃讨论对齐问题时，普通人的生活早已和AI交织在一起。2025年一项全美调查显示，72%的美国青少年使用过AI伴侣，超过一半的人高频使用。三分之一的人认为，与AI聊天“至少和人聊天一样令人满意”，其中一成的人甚至觉得比跟人聊天更让人满足。

这已经不是边缘行为。Replika的用户把AI当作朋友、治疗师、自我镜像。Character.ai的单次访问时间，从用户发出第一条消息后迅速跃升到两小时以上。一项关键研究的结论耐人寻味：大多数用户清楚地知道自己在和机器互动，但这丝毫没能减少他们情感上的依赖。麻烦恰恰在于，AI关系剔除了人际连接中那些让人不舒服却不可或缺的部分：不可预测性、相互需要、被拒绝的可能。

英国的心理学家把这种焦虑称为“FOBO”——不是害怕错过（FOMO），而是害怕变得多余。当AI可以免费、即时、无限地延展认知能力，成年人所面临的并不是失业这样清晰的威胁，而是一种更加安静的蚕食：你依然被需要，但不再不可或缺。这种感受在知识工作者中尤为强烈，恰因为他们一直被告知，大脑才是最坚固的饭碗。

5. 复杂性的核心：六层世界同时运行

把以上四层并置在一起，你会看到一个奇异的画面：研究者说扩展法则已经走到尽头，产业界说演示还没通过现实检验，政府说我要管但管的方式彼此冲突，普通人则说AI早已成为我的情绪出口。这并不是谁对谁错的问题。

这正是AI治理复杂性的本质：**每一层都在按照自己相信的逻辑行动，而这些逻辑的前提彼此并不互通。**产业追求落地速度与估值；研究者追求可验证与可复现；监管追求风险控制和权利边界；用户追求的是被看见和被理解。当同一项技术同时扮演着下一个增长引擎、尚未解决的科学问题、亟需回应的制度困境，以及日常的情感支柱这一系列角色，任何单一叙事都会失真。

真正的治理，从来不是找到那个唯一正确的答案，而是学会在多重答案并存的前提下，设计出能够让各层持续对话、碰撞、修正的机制。这远比对齐一个模型困难得多，也重要得多。

关于Gary Marcus预测的那篇回顾，还有那个在深夜里把心事讲给AI听的青少年，他们正在各自的世界里做出真实的行动。这些行动迟早会在某个交叉点相遇。而我们能否在相遇之前，先学会同时容纳多重真相？

某家中型设计院历经三年推行Revit，最终常态化使用者仍仅限于建模小组的三名成员。

01 软件采购不难，真正的挑战在于切换工作惯性

2026年6月，ArchDaily发表了一篇剖析AEC软件采纳失败的长文，作者Eduardo Souza将数字化转型划分为三个阶段：从图板过渡到屏幕，从二维图纸迈向BIM云协同，直至如今叠加AI与自动化的第三次浪潮。耐人寻味的是，前两次浪潮几乎都呈现出小范围选型、工具聚焦、决策链路简短的特征。

第三次浪潮的面貌截然不同。市场上同时涌现十多种AI插件，每家厂商都宣称自己的产品是“原生BIM”，每套系统都承诺能打通全流程。购买许可证往往只是最简单的步骤，真正的难点在于让已形成肌肉记忆的团队切换操作路径。

AEC领域深陷一种结构性矛盾：软件生态越碎片化，BIM经理和设计技术负责人就越难以判断哪一款工具能在真实项目与有限预算下交付价值。与此同时，项目复杂度、经济波动、人员流动和技术迭代的速度，都在急剧压缩新工具的试错空间。

大型设计院常常像众多小工作室的集合体。不同专业、不同分院、各地办公室都保持着各自的习惯与偏好。当领导层决定上马一套新平台时，项目负责人和一线设计师却感受不到立竿见影的价值，于是采纳行动在落地前便已陷入停滞。

02 建筑业与制造业的根本分野：工业化成熟度

在汽车、航空和高端装备制造领域，西门子的Teamcenter、NX、Simcenter这一套数字主线常被称作“工业软件的操作系统”。一旦某款车型或某型发动机在Teamcenter中建立，需求定义、系统架构、零件设计、仿真验证直至生产工装制造，全链路都在同一数据模型上流转。替换它，意味着彻底重建整个研发-生产体系。

这种不可替代性并非源自软件本身编写得多么精良，而在于上下游已围绕该数据格式衍生出固定的接口与交换节拍。主机厂、一级供应商、测试实验室乃至国家报审系统，都共同认可这一数据语义。其背后的真实成本，早已不是采购费，而是重建整个协作网络的巨大代价。

建筑业的境况则截然不同。一栋住宅从方案到竣工，参与方可能包括业主、设计院、施工方、分包商、监理、造价咨询、政府审批部门，各家使用的核心软件都不尽相同。SketchUp、Revit、Tekla、Rhino、E3、品茗、广联达……甚至在同一家设计院内部，建筑、结构与机电专业也常常不在同一族库体系下。

建筑产品的“工业化”程度仍徘徊于预制构件与装配式住宅的试点层面，远未达到汽车行业那种全系列零部件分级、接口标准化、物流节拍与库存模型。没有标准化的产品结构作为骨架，BIM软件只能在各自的项目孤岛里自成一体，无法凝聚出必须依赖的数据引力。

03 只有需求结构才能驱动技术应用

将西门子在高端制造业的案例与建筑业的困境并置，真正的问题便浮出水面：并非BIM不够卓越，也并非建筑业不需要数字化，而是建筑业尚未形成一套让BIM必须持续运转起来的需求结构。

我们常听到的三大阻力——人员惰性、培训不足、领导不重视——都只停留在表层。更深层的结构性原因如下：

每栋建筑几乎都是一次性定制。户型、结构、设备选型和业主偏好随项目变动，导致设计-施工-运维数据难以被下一栋建筑复用。

行业利润率收缩、项目周期压紧，团队的首要目标是按时交付，而非维护一套未来才能派上用场的数据体系。

政府报审与施工图深度仍然以二维出图为主导，正向BIM的法规接口未能闭合，致使BIM模型往往沦为“翻模”。

供应链尚未标准化，构件厂和现场施工队依旧按经验排产，BIM数据无法进入工厂端和物流端的核心计划系统。

这四条揭示了同一个事实：建筑业的数字化需求并非均匀分布，而是高度集中在少数既具备标准化条件、又拥有规模效应的节点上——例如超高层结构、大型公建幕墙、装配式住宅的构件深化。这些特定场景已经证明BIM能够创造可量化的价值，因为它们本身就具备了工业化的前置条件。

04 从ArchDaily文章透视出的启示

Souza援引了Pirros客户成功负责人Talar Grace的三条启用原则：势头先于完美；培训不足须融入现有流程；启用不是一次性事件，而是持续的反馈循环。

Lake Flato Architects的案例颇具代表性。他们没有在全公司强行推广，而是选取了一组处于文档最密集阶段的设计师，在真实项目中测试Pirros。最初的需求十分简单：在极短时间内从过往项目里找到可信的细节与标准。当设计师发现节省下来的时间确实能减轻加班压力时，工具的扩散便水到渠成。

这个故事之所以成立，并非因为Lake Flato的员工更有学习意愿，而是由于这栋建筑在设计阶段本身就频繁需要复用细节，需求先于工具而存在。反观那些“推不动”的项目，往往是工具先进却场景分散，需求本身尚不足以构成尖锐的痛点。

05 给BIM推动者的一条清晰判断路径

不要在全国或全公司范围内强行推广“BIM2.0”。先锁定那3至5个BIM使用已在交付链上形成刚性成本的场景，将模型深度打通至施工、算量或物业接管等环节，获得可量化的节拍缩短或错误率下降。用这一证据去换取下一个环节的接入意愿。

这正是西门子走过的路。航空发动机并非一次性全面数字化，而是从叶片气动仿真和材料可追溯性这两个最痛的节点切入，首先用数据模型消除设计师与工艺师之间的“翻译”成本，再逐步扩展到供应链。建筑行业缺少的不是更先进的BIM平台，而是能够精准识别自身“叶片气动仿真”时刻的能力。

六月的一个傍晚，某设计院信息中心主任关闭了运行三年的BIM试点项目。不是软件崩溃，也不是预算不足。他在总结邮件中写道：“在用的人太少，再也凑不出一个完整的项目来证明价值。”这句话几乎解剖了整个行业的数字化转型本质。

来源

Eduardo Souza, “Why Software Adoption Fails Without Enablement”, ArchDaily, June 17, 2026.
Siemens Digital Industries Software — Teamcenter / NX / Simcenter 产品页

自 CC Switch 引入 Codex 模型管理以来，我便将全部 Agent 工具管理托付给了它。今天切换模型时发现这款工具又有了新升级，迭代效率着实惊人。

在 v3.16.0 版本之后，产品的重心明显转向了“Codex 提供商切换”与“本地路由接管”两大方向。无论是常规切换、热切换、备份恢复还是编辑流程，都力求保留官方 OAuth 认证与完整的模型目录；同时修复基于 Chat Completions 上游的 Codex Chat 工具与插件兼容性，并优化了 Codex 代理诊断与 CLI 探测等能力。

浏览更新日志，发现有两大亮点：

其一，新增“Codex 官方认证保留设置”。这是一项可选配置，在切换第三方 Codex 服务商时，能够保留 auth.json 中官方 ChatGPT/Codex 的 OAuth 认证信息，并将第三方 token 统一迁移至 config.toml 中，从而与官方配置彻底解耦。

其二，新增“Codex DeepSeek 路由指南”。这是一份专门面向 Codex 的本地 DeepSeek 路由说明，提供英文、中文和日文三个版本，并配有截图，详细讲解了路由前置条件、Codex 服务商侧的配置方法以及本地路由接管的多个典型场景。

这意味着，你现在可以在 Codex 中畅快调用 GLM5.1 和 DeepSeek V4 等一系列模型。早期上线时还存在一些小 Bug 和体验瑕疵，但如今已日趋完善。例如，我可以非常便捷地在 Codex 中配置并调用 GLM5.1 模型：

只需在 CC Switch 中配置好模型参数即可。

需要注意的是，不论配置 Codex 还是 Claude App，都必须启用本地路由。勾选该项后，你就能在 CC、Claude App 以及 Codex 中顺滑地使用第三方模型。以下是 CC 端的设置截图：