VS Code + CC-Switch + ClaudeCode 使用教程

发表于2026-06-29|更新于2026-06-29|技术

|总字数:1.9k|阅读时长:6分钟|浏览量:

本教程旨在帮助开发者通过 VS Code 结合 CC-Switch 工具，快速实现 Claude Code 对第三方模型（API）的无缝调用与灵活配置。

前言：先搞清楚几个角色

1. Claude Code 是什么

Claude Code 是 Anthropic 官方的编程 Agent 工具。

它可以：

1.读项目代码
2.改文件
3.执行命令
4.分析报错
5.帮你重构项目

正常情况下，它默认走 Claude 官方账号或 Anthropic Console API。

2. Claude Code for VSCode 是什么

Claude Code for VSCode 是 VSCode 里的 Claude Code 插件。

它本质上还是Claude Code，只不过把交互界面嵌入到了VSCode右侧面板里。

需要注意：

命令行里的 claude 和VSCode里的Claude Code插件，不一定读取同一套环境变量。

这是容易踩坑的原因之一。

3. cc-switch 是什么

cc-switch是一个Claude/Codex/Gemini等AI编程工具的供应商切换器。

它可以把：

Claude Code发出的Anthropic请求

转发到：

1.DeepSeek
2.SiliconFlow
3.OpenAI 兼容接口
4.其他第三方平台

它相当于一个中间层：

Claude Code
↓
CC-switch
↓
第三方API

一、安装 VS Code（若已安装，可跳过此步骤）

🌐 官方下载地址：https://code.visualstudio.com/Download
📥 请根据您的操作系统选择合适的版本下载并安装，如下图所示：

二、安装 cc-Switch

1. 访问 GitHub 开源仓库：https://github.com/farion1231/cc-switch

2. 下载最新的发行版本（Release）：

进入仓库后，点击右侧的 Releases 区域，或直接访问链接：Releases 页面

在最新版本的 Assets 列表中，选择对应的系统版本进行下载：

3. 执行安装：打开刚才下载的 .msi 安装包（Installer 程序包），按照向导提示完成安装即可：

4. 启动程序：安装完成后，打开 cc-Switch 客户端，准备后续配置：

三、在 VS Code 中安装 Claude Code 扩展

1. 打开扩展商店：在 VS Code 左侧活动栏中点击“扩展”图标（或使用快捷键 Ctrl+Shift+X）。

2. 搜索并安装扩展：在搜索框中输入 Claude Code 并点击安装。

3. 验证安装：扩展安装完成后，点击 VS Code 右侧边栏的 Claude Code 图标。若出现红框所示的侧边栏界面，即说明安装成功：

四、通过 cc-Switch 调用第三方模型

（1）原理解析

为何使用 cc-Switch：
- 免去手动编辑复杂 settings.json 配置文件的繁琐。
- 支持预存多套 API 方案，实现一键无缝切换。
- 轻松接入各路中转站，完美适配各类第三方 API 聚合服务。
核心机制：
- cc-Switch 在底层动态覆盖了 ANTHROPIC_BASE_URL 和 ANTHROPIC_API_KEY 这两个关键环境变量。它将 Claude Code 原本发往官方的请求，“拦截”并重定向至您配置的第三方接口，从而在底层实现模型的无缝替换。

（2）前置准备

① 获取调用凭证：在开始配置前，需要从第三方平台获取以下信息（本文以硅基流动 (SiliconFlow) 为例，其他支持的模型或中转平台配置逻辑完全一致）：

API Key（密钥）
Base URL（接口地址）
模型名称

② 创建 API 密钥：登录硅基流动官网，在控制台生成您的 API 密钥：

③ 获取模型名称：进入模型广场，选择您需要的模型，点击模型名称即可复制：

④ 确认 Base URL：查阅官方 API 接口文档获取 Base URL。硅基流动的地址通常为 https://api.siliconflow.cn/（其他中转平台请参考其官方说明）：

（3）本地环境配置指南

① 添加供应商：回到 cc-Switch 客户端，点击添加新的服务供应商：
注意：新的cc-switch版本会有claude cli和claude desktop，使用的是第一个claude cli

② 填写配置信息：

按照下图指示进入配置页面：

向下滚动页面，将刚才获取的凭证填入对应位置：

其他高级配置可按需修改。最后请核对红框内的核心信息，确认无误后点击添加：

③ 启动 Vibe Coding：重新打开 VS Code 中的 Claude Code 扩展。如果无需登录账号，直接跳转至对话窗口，即说明配置大功告成，您可以开始使用啦！

（4）远程环境（Remote - SSH）配置指南

① 开启本地代理服务：在 cc-Switch 中开启本地代理，并务必记住生成的服务地址与端口：

② 验证代理状态：

点击上图步骤②中的图标，进入终端：

在终端中执行以下指令。若弹出的文本文件中包含代理信息，说明代理开启成功。请复制红框中的内容备用：

1	notepad "%USERPROFILE%\.claude\settings.json"

③ 远程配置 Claude Code（需提前安装 VS Code 的 Remote - SSH 插件）：

编辑 VS Code 远程连接配置文件，添加 RemoteForward 参数进行端口转发，格式请参考下图：

在远程服务器上安装 Claude Code 扩展：

对远程扩展进行环境配置：

将之前复制的代理地址与密钥填入空括号 [] 中，完成后的效果参考红框内容：

④ 完成配置并运行：操作逻辑与本地运行一致。点击右侧边栏的 Claude Code 图标，若直接进入对话界面，说明远程配置成功。现在，尽情享受您的远程 Vibe Coding 体验吧！

五、Claude Code扩展使用

（1）权限模式

单击对话框的右下角

里面一共有5个模式

这里如果你想让 ai 自己全程开发，直接选择最后那个选项 — 绕过权限。
从 “yes”程序员变成“一键”程序员
这个还是慎用。
像我们一般的流程是先单击“规划模式” 然后给出方案后，再执行，这样就能够生成的效果会更好些。

还有底部有一个“推理预算”
如果和我一样走国内 API（硅基流动/百炼等），Effort 档位要更保守使用。国内平台按输入+输出 token 计费，而 High/Max 档位的 thinking tokens 会计入输出费用。

官方数据显示 Max 比 Extra high 多耗近一倍 token 却只提升 3% 质量，在国内按量计费下这个性价比极低。建议日常默认 Medium，简单任务切 Low，遇到棘手 Bug 再临时拉高到 High，Max 档除非极难任务否则不建议开。

（2）撤销操作

vs code 如果ai生成的内容不中意，就可以直接来退回

在这两个选项，单击随机一个即可。

① Rewind code to here

代码回退，但还在当前对话里继续聊

单击 Rewind 来进行撤销退回即可

② Fork conversation and rewind code

代码回退，同时新开一个独立对话

（3）让ai查看特定文件

第一个是上传项目以外的文件

第二个是上传项目当中的文件

如果文件在当前项目里，直接空格一下，然后输入@ 符号即可快速调用。

通过以上四个部分的分享，相信你已经掌握了在VS Code中高效使用Claude Code的核心技巧。

六、CC-Switch 调用本地模型

在添加供应商时选择自定义配置，并编辑如下：

注意：

1.API Key可以任意填写。

2.请求地址为本地搭建大模型的URL，图中为llama搭建为例。

3.还有本地模型需要开启路由。

文章作者: formeasy

文章链接: http://www.formeasy.cc/2026/06/29/LLM/VS Code + CC-Switch + ClaudeCode 使用教程/

版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源易锦风的博客！

相关推荐

AI探索大模型权重的分类：Chat、Code、Embedding和Rerank

在机器学习和自然语言处理领域，大模型（如GPT-3、BERT等）已经成为了强大且广泛应用的工具。大模型的权重通常可以根据其应用场景分为不同的类别，如Chat、Code、Embedding和Rerank。了解这些分类及其差异对于我们在实际应用中选择合适的模型至关重要。本文将详细讲解这四种权重分类，并说明它们的差异。 1. Chat（对话） Chat模型专注于对话生成和自然语言理解。这些模型经过专门训练，能够理解并生成连贯、自然的对话。Chat模型通常用于客服机器人、虚拟助手等场景。特点：自然语言生成：能够生成流畅且有意义的对话。上下文理解：能够记住对话的上下文并进行相关的回答。人性化交互：与用户进行类人互动，提供友好的用户体验。应用场景：在线客服智能助手（如Siri、Alexa）社交媒体聊天机器人 2....

Qwen3-Coder-30B-A3B-Instruct-IQ4_NL.gguf大模型本地部署指南：从下载到运行全流程（CPU+大内存也能玩转大模型）

一、前提提醒重点：能纯CPU跑，大概需要26G内存。（我停止运行后，已使用内存从32G降到6G）也可以CPU+GPU一起跑大概需要(26G - 显存 × 2)内存本人刷视频刷到llmfit软件，发现它说我32G内存+8G显存的电脑上能部署千问3 30B这种大模型我感到非常兴奋，30B啊，这可是30B啊，很久以前我部署过7B大小的模型，那7B真的跟个小学生一样，推理能力差，记忆能力差，输出速度还慢。现在跟我说，我能部署30B的大模型，这我真得尝试尝试了后面也是成功部署到本地，且推理能力和记忆能力比7B强好多好多，给你们看看实际用了多少内存显存。下面图片的运行参数是-ngl 16 -c 8192 -t 8（16块专家在显卡上跑，上下文长度8192token，用CPU 8个线程）显存用了7G，内存用了11.5G (i3 12100 RTX2080) cpu+gpu输出速度在11~15 token/s 纯cpu输出速度大概10 token/s 二、准备工作 1.下载 llama.cpp ：官方 GitHub...

llama-server启动参数说明文档

1. 概述 llama-server 是 llama.cpp 项目中的一个核心组件，用于将大语言模型（LLM）以 HTTP 服务器的形式发布。通过简单的命令行参数配置，它可以提供包括文本补全、对话补全（Chat Completions）、文本嵌入（Embeddings）和重排序（Reranking）在内的多种功能，并支持多用户并发、推测解码等高级特性。 2. 核心启动参数 llama-server 的参数涵盖了模型加载、服务监听、上下文管理、性能调优以及功能开关等多个方面。以下是一些最常用的参数分类说明。 2.1 模型与基础配置这是启动服务最基本的参数，用于指定要加载的模型和服务监听地址。示例: 1llama-server -m models/<模型路径> --host 0.0.0.0 --port 8080 2.2 上下文管理与并发这些参数控制模型运行的上下文窗口大小和并发处理能力，直接影响显存占用和服务吞吐量。示例: 12# 支持4个并发请求，每个请求可用上下文为4096 (总16384/4)llama-server -m...

向量数据库的分类概况_向量库类型

向量数据库的分类概况保存和检索矢量数据的五种方法：像 Pinecone 这样的纯矢量数据库全文搜索数据库，例如 ElasticSearch 矢量库，如 Faiss、Annoy 和 Hnswlib 支持矢量的NoSQL 数据库，例如 MongoDB、Cosmos DB 和 Cassandra 支持矢量的SQL 数据库，例如 SingleStoreDB 或 PostgreSQL 1.纯矢量数据库纯向量数据库专门用于存储和检索向量。示例包括 Chroma、LanceDB、Marqo、Milvus/Zilliz、Pinecone、Qdrant、Vald、Vespa、Weaviate 等。在纯矢量数据库中，数据是根据对象或数据点的矢量表示来组织和索引的。这些向量可以是各种类型数据的数值表示，包括图像、文本文档、音频文件或任何其他形式的结构化或非结构化数据。纯载体数据库的优点利用索引技术进行高效的相似性搜索大型数据集和高查询工作负载的可扩展性支持高维数据支持基于 HTTP 和 JSON 的...

技术人的大模型应用初学指南

Excerpt 随着人工智能技术的快速发展，检索增强生成（RAG）作为一种结合检索与生成的创新技术，正在重新定义信息检索的方式。本文深入探讨了 RAG 的核心原理及其在实际应用中的挑战与解决方案。文章首先分析了通用大模型在知识局限性、幻觉问题和数据安全性等方面的不足，随后详细介绍了 RAG 通过 “检索 + 生成” 模式如何有效解决这些问题。具体而言，RAG 利用向量数据库高效存储与检索目标知识，并结合大模型生成合理答案。此外，文章还对 RAG 的关键技术进行了全面解析，包括文本清洗、文本切块、向量嵌入、召回优化及提示词工程等环节。最后，针对 RAG 系统的召回效果与模型回答质量，本文提出了多种评估方法，为实际开发提供了重要参考。通过本文，读者可以全面了解 RAG 技术的原理、实现路径及其在信息检索领域的革命性意义。前言人工智能（AI）时代的到来为技术人员提供了丰富的学习和发展机会。对于没有算法背景的技术同学来说，迎接这种新兴机遇与挑战并做好应对准备和知识储备是非常重要的。结合笔者这一段对于大模型和 AI 技术的一些学习以及对基于 AI...

靠这九款国产AI大模型，就实现了6亿人的AI梦

2024年 10 月 13 日，工业和信息化部总工程师，赵立国发表讲话：“我国人工智能核心产业的规模在不断提升，企业数量超过了 4500 家，完成注册并提供服务的生成式人工智能服务大模型数量已经超过200个，注册用户数超过了 6 亿。” 这些大模型在各个领域中发挥着重要作用，推动了技术创新和产业变革。可以看出 2024 年，中国的人工智能技术发展速度真可谓是日新月异，国产AI大模型如雨后春笋般涌现，从 1 月份的 80 多个到 10 月份已经突破超过 200 个，不到十个月时间就激增了 100 多个大模型。这些大模型中主要以通用大模型 Kimi、智谱清言、通义千问、文心一言、豆包、天工AI、讯飞星火、秘塔和腾讯元宝这九大模型格外引人注目。在科技大国走向科技强国的号召下，AI 大模型的重要性尤其凸显，这九款国产大模型发展相当出色，它们铸就了中国人我们中国人的 AI 梦。下面，让我们一起探索这些大模型的特点和面临的挑战，普及和了解它们在AI领域的地位和潜力。 ...

评论

数据加载中