首页
场景化落地教程，含真实截图、Prompt、工作流模板与踩坑记录。
把蚂蚁开源 6B 生图模型 LLaDA-Image 跑起来的五步 SOP：①环境准备（依赖与国内镜像加速下载）；②四档权重怎么选（Base 50 步 / Turbo 4 步 × BF16 / FP8，国内走 ModelScope）；③跑通第一张图（Base 与 Turbo 最小可用命令）；④进阶（参考图编辑、文字渲染、ComfyUI 接入、显存不足时的降级策略）；⑤生产化（批量队列、并发容量规划、成本监控、结果入库与故障降级）。含 6 条踩坑与 10 项上线自检清单，命令逐字取自官方 README；仓库 license 为 null，商用前须确权。
从零把 OpenMAIC 跑起来的完整 SOP：①零部署路线（open.maic.chat 取访问码即用）；②本地标准部署（pnpm >= 10，clone → pnpm install → .env → pnpm dev）；③生产化（pnpm build && pnpm start、Vercel 一键、docker compose up --build）；④进阶（Postgres 持久化 profile、ACCESS_CODE 访问码、MP4 导出 profile、Lemonade/FunASR 本地化）；⑤接进 agent 工作台（clawhub install openmaic 或导入 skills/openmaic/，从飞书/Slack 发消息生成课堂）。含 6 条踩坑与 10 项上线自检清单，全部命令逐字取自官方 README。
月之暗面 2026-09-02 宣布 Kimi API 原生双协议：OpenAI Responses（`api.moonshot.cn/v1`）+ Anthropic Messages（`api.moonshot.cn/anthropic`），主推模型 kimi-k3。实战 SOP：改 Claude Code 的 `~/.claude/settings.json` 把 ANTHROPIC_BASE_URL 指向 /anthropic、模型设 kimi-k3[1m]；改 Codex 的 `~/.codex/config.toml` 设 wire_api="responses"。即可把 Kimi 当统一模型路由网关，切底层模型不改客户端代码。边界：Responses 仅文本+图片、K2.7 Code 强制思考、旧 ANTHROPIC_API_KEY 须删。
基于 GPT-6 Astra 真实能力（105 万上下文、12.8 万输出、对齐越权 0%）搭建长任务智能体的实战 SOP：先完成三项准备（OpenAI Python SDK 1.50+、OPENAI_API_KEY 环境变量、API 白名单），再按长上下文规划→定义工具（函数调用 + 计算机使用）→异步调用模式→中途纠偏→验收与成本控制的顺序落地。重点：开局只放任务目标、验收标准、工具清单与关键背景让模型先出计划；工具须写清 name/description/parameters；异步用流式事件 + 后台队列 + 任务 id 轮询；纠偏直接注入新指令无需重启；验收用独立脚本做断言、默认收小 max_output_tokens 并设日花费上限。
Kimi 开放平台（月之暗面）现可把 OpenAI/Anthropic 兼容工具原生指向 Kimi，无需自建代理。两条路：① OpenAI Responses API 接 Codex——base_url=https://api.moonshot.cn/v1，~/.codex/config.toml 配 KIMI_API_KEY 与 wire_api="responses"；② Anthropic Messages API 接 Claude Code——base_url=https://api.moonshot.cn/anthropic，~/.claude/settings.json 的 env 配 ANTHROPIC_BASE_URL/ANTHROPIC_AUTH_TOKEN=Kimi Key/ANTHROPIC_MODEL=kimi-k3[1m]（[1m] 选 1M 上下文）。模型含 kimi-k3(1M)/kimi-k2.7-code(256K 强制思考)/kimi-k2.7-code-highspeed/kimi-k2.6。Responses API 暂不支持视频。本文给可套用配置片段、最小验证步骤与 6 条避坑（含 [1m] 不可省、kimi-k2.7-code 强制思考、配额分档）。速率为分档制，确切数字以控制台为准。
2026-09-01 Fable 5.1 发布列了三条破坏性 API 变更，任何一条都可能在切模型时直接 400 或静默退化。① tool_choice=any/tool 返回 400，改用 auto + strict tool use/structured outputs；②思考块模型绑定单向兼容——Fable 5.1 能读旧模型的 thinking block，旧模型读不了新的，降级时丢失推理链；③编辑历史轮次使思考块失效，对 2026-08-31 及之后创建的账号强制报错。本文给出升级前三步自查、逐条迁移代码、迁移后回归验证（并行调用分布、thinking 连续性、20+ 轮压测、水印/C2PA 下游兼容）、灰度降级与回滚，以及八条避坑（含整文件重写倾向、低 effort 凭记忆作答、改写历史击穿缓存）。beta 能力 turn-scoped system messages 与 context-editing 为解药，header 确切名称以官方文档为准。
写给已在跑 OpenClaw 的工程师：怎么安全升 2.0、升不上去怎么退、升完怎么收紧凭证。第一原则——升级前整体备份 Gateway 的 configuration 与 state（不是单个客户端），并验证可恢复。四步升级：检查→openclaw doctor --fix→重启 Gateway→验证健康（模型访问验证通过才算生效）。两个 breaking change：OpenProse 插件与 /prose 命令移除（.prose 源文件保留）、codex/* 与 openai-codex/* 路由迁 openai/*（冲突手动修）。2026-09-01 插件 SDK 弃用（plugin-sdk-config-runtime-subpath → api.pluginConfig）死线就在今天。降级有界：SQLite 之后新建会话旧版读不到，整体回滚还会带回 approvals 与 dedup 记录。升后主动配五件事：开掩码凭证请求、配 proxy 白名单、精确授权、角色收敛、纠正 Incognito 误用。
2026 年 8 月 31 日集中发生三件事：Sonnet 5 的 API 费率从 2 与 10 美元恢复到 3 与 15 美元、GPT-5.4 与 GPT-5.4 mini 对 ChatGPT 登录的 Codex 用户停止提供、kimi-k2.5 与 moonshot-v1 同日下线。这三类变更的处理方式完全不同，但很多团队用同一套动作应对，结果要么过度反应要么反应不足。这篇给一套四步流程：第 0 步先分类，用公告里的关键词判断是下线（sunset / deprecated，当天必须处理）、替换（replace / default 变更，本周内，不报错但模型变了，需回归）还是涨价（只写 pricing，本月内，业务不中断但要重算成本）；第 1 步依赖盘点，用一条 grep 把散落在各处的模型 ID 全扫出来，收敛到集中配置并接进 CI；第 2 步按类型执行迁移动作；第 3 步用分词放大系数、峰谷时段占比、缓存命中率三个系数重算月度成本。另附 11 条可复制检查清单、第 4 步的限额与告警与降级路径配置，以及七个踩坑点——最常见的一条是模型 ID 散落在代码里，改一处漏三处。
把 Qwen3.8-Flash-Next 从「能跑起来」推到「跑得省」的三层路线。托管层零运维：QwenCloud API 兼容 OpenAI 与 Anthropic 规范，QwenWork 的 Standard 模式由它驱动。服务化自部署给四条逐字出自官方 README 的命令：transformers serve（--continuous-batching）、SGLang（--tp-size 4 --context-length 262144 --reasoning-parser qwen3 --tool-call-parser qwen3_coder）、vLLM（--tensor-parallel-size 4 --max-model-len 262144 --enable-auto-tool-choice）与 TokenSpeed，四者都在 localhost:8000/v1 提供 OpenAI 兼容 API。本地与端侧另有 llama.cpp 的 GGUF、Apple Silicon 的 mlx-vlm 与 Unsloth。工程上最值得记的一点是额外那 51B N-gram embeddings 可以卸载到主机内存，靠异步预取与模型计算重叠——README 未给官方显存基线，故不猜硬件门槛，标注以官方 recipe 与实测为准。含 YaRN 外推 1M 的取舍、微调框架选择（Unsloth / Swift / Llama-Factory）与 7 条踩坑，其中第一条就是：GitHub 仓库无 LICENSE 文件，商用前先去模型页核对协议。
自部署腾讯 770B 旗舰 Hy4 preview 的完整 SOP。先泼冷水算清显存账：FP8 权重约 770GB，官方 vLLM recipe 明确基线是 16×B200 或 8×B300（weights+KV cache），8×H100（640GB）连 FP8 权重都放不下--激活 49B 省的是算力，770B 权重必须整份驻留显存。两条部署路线命令逐字出自官方 README：vLLM 预构建镜像（MTP 投机解码 num_speculative_tokens=3、FLASHMLA_SPARSE 注意力后端、hy_v4 工具/推理解析器）与 SGLang 预构建镜像（NEXTN 投机、tp-size 8）。含 OpenAI 兼容调用（temperature 0.9/top_p 1.0，no_think 关深度思考省输出 token）、AngelSlim 自量化、finetune 管线、7 条踩坑与 10 项上线 checklist；不自部署的可走腾讯云 TokenHub/OpenRouter 或 WorkBuddy/CodeBuddy 两周免费。