🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Claude 随心用，限时 5 折。 👉 点击领海量免费额度

最近在尝试将AI编程助手集成到开发工作流中，发现很多工具要么配置复杂，要么对新手不够友好。特别是对于非技术背景或刚入门的朋友，面对一堆命令行和API文档常常无从下手。Codex作为一个功能强大的AI编程工具，其潜力巨大，但如何快速上手并应用到实际场景中，是很多人的痛点。本文将从一个完全小白的视角出发，通过图文并茂的步骤和多个真实场景的实操，带你从零开始掌握Codex的核心用法。无论你是想用它来辅助学习编程、自动化办公，还是提升开发效率，都能在这里找到清晰的路径和可复制的代码。

1. Codex是什么？它能帮你解决什么问题？

在深入实操之前，我们有必要先搞清楚Codex到底是什么，以及它能为我们带来哪些改变。这对于后续的有效使用至关重要。

1.1 Codex的核心定义与能力

简单来说，Codex是一个由AI驱动的代码生成与理解模型。它基于强大的自然语言处理技术，能够理解你用普通语言（比如中文或英文）描述的需求，并将其转化为可执行的代码。你可以把它想象成一个“超级懂编程的助手”，你告诉它“我想写一个Python程序，从Excel里读取数据并画成柱状图”，它就能为你生成相应的代码框架。

它的核心能力主要体现在以下几个方面：

• 代码生成：根据自然语言描述，生成Python、JavaScript、Java、Go等多种编程语言的代码片段或完整函数。
• 代码补全：在你编写代码时，根据上下文智能推荐下一行或下一个代码块。
• 代码解释：将一段复杂的代码“翻译”成通俗易懂的自然语言，帮助你理解其功能。
• 代码转换：将代码从一种语言翻译成另一种语言，或者将旧版本的语法升级到新版本。
• Bug查找与修复：分析代码，指出潜在的逻辑错误或语法问题，并提供修复建议。

1.2 适用人群与典型场景

Codex并非开发者的专属工具，它的应用场景非常广泛：

1. 编程初学者：当你对语法不熟悉时，可以用自然语言提问，如“Python里怎么遍历字典？”，Codex会给出示例代码，是绝佳的学习伙伴。
2. 非技术岗位（产品、运营、数据分析）：无需深入学习编程，即可通过描述需求来自动化重复性工作。例如，自动整理周报数据、批量重命名文件、从网页抓取特定信息等。
3. 经验丰富的开发者：快速生成样板代码（如API接口、数据库模型）、编写单元测试、重构代码逻辑，从而将精力集中在核心业务逻辑上。
4. 学生与研究人员：辅助完成课程作业、快速实现算法原型、处理实验数据等。

1.3 Codex与类似工具（如Claude Code）的简要区分

你可能也听说过GitHub Copilot、Claude Code等工具。它们都属于AI编程助手范畴，但各有侧重：

• GitHub Copilot：深度集成在VS Code等IDE中，主打代码补全和生成，与编辑器结合紧密。
• Claude Code：更侧重于代码解释、重构和安全性分析，在代码审查和优化方面表现突出。
• Codex：作为OpenAI的模型，其API接口灵活，不仅限于IDE插件，可以集成到各种自定义应用、聊天机器人或自动化流程中，可玩性更高。

对于小白用户，从Codex入手学习“如何与AI协作编程”的概念是非常合适的，其原理和交互方式具有通用性。

2. 环境准备：如何开始使用Codex？

Codex本身是一个模型，我们通常通过其提供的API来调用它。对于小白用户，最友好的起点是通过一些已经集成了Codex能力的平台或工具。

2.1 主要使用方式概览

1. 官方Playground（网页版）：OpenAI官网提供的交互式界面，适合快速体验和测试提示词（Prompt）。
2. API调用：最灵活的方式，通过编程（如Python）发送请求，获取Codex的响应。这是实现自动化集成的核心。
3. 第三方集成应用/插件：有些桌面应用或编辑器插件已经封装了Codex API，提供了更友好的图形界面。

由于网络访问限制，直接使用OpenAI官方服务对国内用户可能存在困难。因此，本文将重点介绍一种更通用、可访问性更强的路径：通过支持Codex模型的第三方平台API进行调用，例如DeepSeek等国内可访问的兼容服务。我们的教程将基于API调用的核心逻辑展开，这套方法具有普适性。

2.2 基础环境配置（以Python为例）

无论通过哪种方式，理解API调用的基本原理都是有益的。我们以Python环境为例，进行最小化的准备。

操作系统：Windows 10/11, macOS, 或 Linux 均可。Python版本：建议使用 Python 3.8 或更高版本。

首先，打开你的命令行终端（Windows上是CMD或PowerShell，macOS/Linux上是Terminal），检查Python环境并安装必要的库。

# 检查Python版本 python --version # 或 python3 --version # 安装用于发送HTTP请求的库，requests是最常用的 pip install requests # 如果你使用Anaconda，也可以用 conda install requests

安装成功后，你可以创建一个新的文件夹来存放我们的示例项目。

mkdir codex_tutorial cd codex_tutorial

2.3 获取API密钥（关键步骤）

要调用Codex或类似模型的API，你需要一个API密钥（API Key）。这个密钥就像一把钥匙，用来验证你的身份和计费。

重要提示：由于直接使用OpenAI API可能受限，你可以寻找提供类似Codex模型服务的国内或国际平台（如DeepSeek、通义千问等，具体需自行查询其最新开放情况）。这些平台通常会有以下步骤：

1. 注册平台账号。
2. 进入个人中心或开发者控制台。
3. 找到“创建API密钥”或类似选项。
4. 生成一个新的密钥，并立即妥善保存（它通常只显示一次）。

假设你从某个平台获得的API基地址（Base URL）为https://api.example.com/v1，API密钥为sk-your-secret-key-here。

安全警告：API密钥是高度敏感信息，绝不能直接写在提交到公开仓库的代码中。后续我们会介绍安全存储的方法。

3. 核心原理：如何与Codex对话（编写提示词）

与Codex交互的核心在于“提示词工程”。你给出的指令越清晰，它返回的代码就越准确。

3.1 提示词的基本结构

一个有效的代码生成提示词通常包含以下几个部分：

1. 角色/上下文设定：告诉Codex它应该扮演什么角色。例如：“你是一个资深的Python开发工程师。”
2. 任务描述：清晰、具体地说明你想要什么。使用自然语言，描述输入、处理和输出。例如：“请编写一个函数，接收一个包含整数的列表，返回这个列表中去重并排序后的新列表。”
3. 约束与要求：指定编程语言、代码风格、不能使用的库等。例如：“使用Python标准库，不要用pandas。函数名称为process_list。”
4. 示例（可选，但对于复杂任务很有效）：给出一个输入输出的例子，让模型更好地理解格式。例如：“例如，输入[3, 1, 2, 3, 2]，应返回[1, 2, 3]。”

一个组合起来的优秀提示词示例：

你是一个Python专家。请编写一个函数，用于统计一个英文文本文件中每个单词出现的频率。要求： 1. 函数名为 `count_word_frequency`。 2. 参数为文件路径 `file_path`。 3. 忽略大小写（即‘Hello’和‘hello’算同一个单词）。 4. 去除标点符号（如逗号、句号）。 5. 返回一个字典，键是单词，值是出现次数。 6. 请使用纯Python标准库实现，不要用NLTK等外部库。

3.2 与普通聊天的区别

和ChatGPT聊天不同，给Codex的指令需要更偏向“技术规格说明书”。避免开放式问题，多使用肯定句和具体的要求。

• 不好：“怎么用Python处理Excel？”（太宽泛）
• 较好：“用Python的pandas库，写一段代码读取名为‘sales.xlsx’的Excel文件的第一个工作表，并计算‘Revenue’列的总和。”
• 更好：在“较好”的基础上，增加输出格式要求：“将结果打印出来，格式为‘Total Revenue: [计算结果]’。”

3.3 迭代优化：当结果不理想时

如果Codex第一次生成的代码不完美，不要放弃。你可以：

1. 在原有提示词上增加更多细节。
2. 将错误信息反馈给它，让它修正。例如：“上面生成的函数运行时报错KeyError，请检查并修复。”
3. 要求它以特定风格重写。例如：“请将上面的函数改为使用列表推导式，并添加详细的文档字符串。”

4. 实战场景一：通过API进行代码生成（Python）

现在，我们将进行第一个实战：编写一个Python脚本，通过调用兼容Codex模型的API，来实现代码生成功能。

4.1 项目结构与安全配置

在codex_tutorial文件夹中，创建以下文件：

codex_tutorial/ ├── config.py # 存放配置，如API密钥（不提交到Git） ├── codex_client.py # 封装API调用的核心客户端 ├── main.py # 主程序，用于测试 └── .gitignore # Git忽略文件，确保config.py不被上传

首先，创建.gitignore文件，内容如下：

# 忽略Python缓存文件 __pycache__/ *.py[cod] # 忽略虚拟环境 venv/ env/ # 忽略本地配置文件，特别是包含密钥的！ config.py

接下来，创建config.py文件，用于安全地管理配置。我们不直接在这里写死密钥，而是从环境变量读取。

# config.py import os # 从环境变量中读取API配置 # 你需要在你的操作系统或IDE中设置这些环境变量 API_BASE_URL = os.getenv("CODEX_API_BASE", "https://api.example.com/v1") # 替换为你的API基地址 API_KEY = os.getenv("CODEX_API_KEY", "") # 你的API密钥 # 模型名称，根据你使用的平台提供的模型名填写，例如 "code-davinci-002" 或平台自有模型名 MODEL_NAME = os.getenv("CODEX_MODEL", "codex-model-pro")

如何设置环境变量？

• Windows (PowerShell):

  $env:CODEX_API_KEY="sk-your-actual-key" $env:CODEX_API_BASE="https://api.yourplatform.com/v1"

• macOS/Linux (Terminal):

  export CODEX_API_KEY="sk-your-actual-key" export CODEX_API_BASE="https://api.yourplatform.com/v1"

• 在PyCharm/VSCode等IDE中：通常可以在运行配置（Run Configuration）里添加环境变量。

4.2 封装API客户端

创建codex_client.py，这是与AI模型通信的核心。

# codex_client.py import requests import json from config import API_BASE_URL, API_KEY, MODEL_NAME class CodexClient: def __init__(self): self.api_url = f"{API_BASE_URL}/chat/completions" # 注意：许多兼容OpenAI的API使用此端点 self.headers = { "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json" } self.model = MODEL_NAME def generate_code(self, prompt, temperature=0.3, max_tokens=500): """ 向Codex模型发送请求，生成代码。 参数: prompt (str): 给模型的提示词。 temperature (float): 控制随机性（0.0-1.0）。值越低，输出越确定；值越高，越有创造性。代码生成建议用较低值如0.3。 max_tokens (int): 生成内容的最大长度。 返回: str: 模型生成的代码或文本。 """ # 构建请求数据，遵循OpenAI ChatCompletion格式 data = { "model": self.model, "messages": [ {"role": "system", "content": "你是一个专业的代码助手，精通多种编程语言。请根据用户需求生成准确、高效、可运行的代码。"}, {"role": "user", "content": prompt} ], "temperature": temperature, "max_tokens": max_tokens } try: response = requests.post(self.api_url, headers=self.headers, json=data, timeout=30) response.raise_for_status() # 如果状态码不是200，抛出异常 result = response.json() # 从响应中提取生成的代码内容 # 注意：不同API的响应结构可能略有不同，需要根据实际情况调整 generated_content = result["choices"][0]["message"]["content"] return generated_content.strip() except requests.exceptions.RequestException as e: print(f"网络请求错误: {e}") return None except (KeyError, IndexError) as e: print(f"解析API响应错误: {e}") print(f"原始响应: {result if 'result' in locals() else 'N/A'}") return None # 提供一个全局客户端实例，方便使用 client = CodexClient()

4.3 编写主程序进行测试

创建main.py，让我们来实际调用一下。

# main.py from codex_client import client def test_simple_code_generation(): """测试简单的代码生成""" prompt = """ 请用Python编写一个函数，名为 `fibonacci`，接收一个整数n作为参数，返回斐波那契数列的第n项。 要求使用递归实现，并添加类型提示。 例如，fibonacci(5) 应该返回 5。 """ print("提示词：") print(prompt) print("\n" + "="*50 + "\n") generated_code = client.generate_code(prompt) if generated_code: print("生成的代码：") print(generated_code) # 尝试执行生成的代码（注意：在生产环境中直接exec有安全风险，此处仅用于演示） # 首先，我们需要从生成的文本中提取出函数定义部分。这里假设生成的是纯净的Python代码。 try: # 创建一个安全的命名空间来执行代码 namespace = {} exec(generated_code, namespace) # 获取生成的函数 fib_func = namespace.get('fibonacci') if fib_func and callable(fib_func): # 测试函数 result = fib_func(5) print(f"\n测试 fibonacci(5) = {result}") if result == 5: print("✅ 函数测试通过！") else: print("❌ 函数结果与预期不符。") else: print("未能在生成的代码中找到 'fibonacci' 函数。") except Exception as e: print(f"执行生成的代码时出错: {e}") else: print("代码生成失败。") if __name__ == "__main__": test_simple_code_generation()

4.4 运行与结果分析

在终端中，确保已设置好环境变量，然后运行：

python main.py

如果一切配置正确，你将看到类似以下的输出：

提示词： 请用Python编写一个函数，名为 `fibonacci`，接收一个整数n作为参数，返回斐波那契数列的第n项。 要求使用递归实现，并添加类型提示。 例如，fibonacci(5) 应该返回 5。 ================================================== 生成的代码： ```python def fibonacci(n: int) -> int: """ 计算斐波那契数列的第n项（递归实现）。 参数: n (int): 斐波那契数列的项索引（从0或1开始取决于定义，此处按F(0)=0, F(1)=1）。 返回: int: 第n项的值。 """ if n <= 0: return 0 elif n == 1: return 1 else: return fibonacci(n-1) + fibonacci(n-2)

测试 fibonacci(5) = 5 ✅ 函数测试通过！

**成功！** 你刚刚通过API调用，让AI为你编写并测试了一个函数。这就是Codex的核心魔力。 ## 5. 实战场景二：非开发者福音——用Codex处理Excel自动化 对于不写代码的产品、运营、财务同事来说，重复处理Excel表格是家常便饭。现在，你可以用自然语言描述任务，让Codex生成Python脚本来帮你完成。 ### 5.1 场景描述与提示词设计 假设你有一个 `员工绩效.xlsx` 文件，里面有 `姓名`、`部门`、`季度评分` 三列。你需要： 1. 读取这个文件。 2. 计算每个部门的平均评分。 3. 将结果保存到一个新的Excel文件 `部门平均分.xlsx` 中。 我们可以直接让Codex生成完整的脚本。 ```python # 在 main.py 中添加新函数 def test_excel_automation(): """测试Excel自动化任务""" prompt = """ 我需要处理一个Excel文件，请帮我写一个完整的Python脚本。 任务： 1. 使用pandas库读取当前目录下名为‘员工绩效.xlsx’的Excel文件。 2. 假设表格中有‘部门’和‘季度评分’两列（请处理可能存在的列名空格问题）。 3. 计算每个部门的‘季度评分’的平均值。 4. 将结果（包含‘部门’和‘平均评分’两列）保存到一个新的Excel文件，命名为‘部门平均分.xlsx’。 5. 最后在控制台打印出处理完成的信息。 要求： - 脚本应该包含必要的异常处理（比如文件不存在）。 - 使用中文注释。 - 确保生成的代码可以直接运行。 """ print("正在生成Excel处理脚本...\n") generated_script = client.generate_code(prompt, max_tokens=800) if generated_script: print("生成的脚本：") print(generated_script) # 将生成的脚本保存到文件，方便查看和运行 script_filename = "process_excel_auto.py" with open(script_filename, 'w', encoding='utf-8') as f: f.write(generated_script) print(f"\n✅ 脚本已保存至 {script_filename}") print("提示：你需要先安装pandas库 (`pip install pandas openpyxl`)，并准备一个‘员工绩效.xlsx’文件来运行此脚本。") else: print("脚本生成失败。") # 在主函数中调用 if __name__ == "__main__": # test_simple_code_generation() # 可以注释掉上一个测试 test_excel_automation()

运行后，Codex可能会生成类似下面的脚本：

# process_excel_auto.py (AI生成示例) import pandas as pd import os def process_employee_performance(): try: # 1. 读取Excel文件 file_path = '员工绩效.xlsx' if not os.path.exists(file_path): print(f"错误：文件 '{file_path}' 不存在。") return # 读取时去除列名可能存在的空格 df = pd.read_excel(file_path) df.columns = df.columns.str.strip() # 去除列名两端的空格 # 检查必要的列是否存在 required_columns = ['部门', '季度评分'] for col in required_columns: if col not in df.columns: print(f"错误：文件中没有找到‘{col}’列。现有列名为：{list(df.columns)}") return # 2. 计算每个部门的平均评分 # 确保评分列是数值类型 df['季度评分'] = pd.to_numeric(df['季度评分'], errors='coerce') department_avg = df.groupby('部门')['季度评分'].mean().reset_index() department_avg.columns = ['部门', '平均评分'] # 3. 保存结果到新Excel文件 output_path = '部门平均分.xlsx' department_avg.to_excel(output_path, index=False) print(f"处理完成！部门平均分已保存至：{output_path}") print("\n各部门平均评分如下：") print(department_avg.to_string(index=False)) except Exception as e: print(f"处理过程中发生未知错误：{e}") if __name__ == "__main__": process_employee_performance()

你看，即使你不懂pandas的groupby语法，只要会描述需求，Codex就能帮你生成专业、健壮的脚本。你只需要安装依赖 (pip install pandas openpyxl) 并准备好数据文件，就能运行。

6. 实战场景三：代码解释与调试

当你遇到一段看不懂的他人代码，或者自己的代码报错时，Codex可以充当一个“代码翻译官”和“调试助手”。

6.1 代码解释

在main.py中添加：

def test_code_explanation(): """测试代码解释功能""" complex_code = """ def mysterious_func(lst, k): n = len(lst) if n == 0: return [] k = k % n return lst[-k:] + lst[:-k] """ prompt = f""" 请用中文解释下面这段Python代码的功能、输入、输出以及它的潜在用途。 代码： {complex_code} 请分点说明，并给出一个调用示例。 """ print("正在请求代码解释...\n") explanation = client.generate_code(prompt, temperature=0.1, max_tokens=600) if explanation: print("代码解释：") print(explanation) else: print("解释生成失败。") # 调用 # test_code_explanation()

运行后，你可能会得到这样的解释：

这段代码定义了一个名为 `mysterious_func` 的函数。 1. **功能**：该函数实现的是列表（数组）的“旋转”操作。它将输入列表 `lst` 的最后 `k` 个元素移动到列表的最前面。 2. **输入**： - `lst`：一个列表（任何元素类型均可）。 - `k`：一个整数，指定要旋转的元素个数。 3. **输出**：返回一个新的列表，是原列表旋转后的结果。 4. **关键逻辑拆解**： - `n = len(lst)`：获取列表长度。 - `if n == 0: return []`：处理空列表的特殊情况，直接返回空列表。 - `k = k % n`：这是非常关键的一步。它对 `k` 取模 `n`。目的是处理当 `k` 大于列表长度 `n` 时的情况。例如，列表长度为5，`k=7`，那么旋转7次等价于旋转2次（7 % 5 = 2）。这确保了 `k` 始终在有效范围内 [0, n-1]。 - `return lst[-k:] + lst[:-k]`： - `lst[-k:]`：切片操作，获取列表最后 `k` 个元素。 - `lst[:-k]`：获取列表从开头到倒数第 `k` 个元素之前的所有元素。 - 用 `+` 将这两部分连接起来，就实现了“后k个元素移到前面”的效果。 5. **潜在用途**： - 循环移位问题。 - 密码学中的简单变换。 - 数据处理中调整数据顺序。 6. **调用示例**： ```python print(mysterious_func([1, 2, 3, 4, 5], 2)) # 输出：[4, 5, 1, 2, 3] print(mysterious_func(['a', 'b', 'c', 'd'], 5)) # k=5, n=4, k%n=1, 输出：['d', 'a', 'b', 'c']

### 6.2 代码调试与修复 假设你有一段有Bug的代码： ```python buggy_code = """ def calculate_average(numbers): total = 0 for i in range(len(numbers)): total = total + numbers[i] # 这里可能有问题 average = total / len(numbers) return average print(calculate_average([10, 20, 30])) print(calculate_average([])) # 这里会出错！ """

你可以让Codex找出问题并提供修复方案：

def test_debug_code(): buggy_code = """ def calculate_average(numbers): total = 0 for i in range(len(numbers)): total = total + numbers[i] average = total / len(numbers) return average """ prompt = f""" 请分析以下Python代码中的潜在问题或Bug，并提供修复后的版本。 重点关注边界情况，例如空列表输入。 原代码： {buggy_code} 请指出问题，并给出健壮的修复代码。 """ print("正在请求调试帮助...\n") debug_advice = client.generate_code(prompt, temperature=0.1, max_tokens=700) if debug_advice: print("调试分析与修复建议：") print(debug_advice) else: print("调试请求失败。")

Codex很可能会指出：当numbers为空列表时，len(numbers)为0，会导致ZeroDivisionError。并提供一个修复版本，在函数开头添加检查：if not numbers: return 0或抛出更合适的异常。

7. 常见问题与排查思路

在实际使用Codex或类似API时，你可能会遇到一些问题。下面是一个快速排查指南。

关于“cc switch local proxy failed”等错误：这类错误通常出现在某些特定的桌面客户端或插件中，与本地网络代理配置有关。解决方案通常是检查客户端的网络设置，确保其能正确访问API端点，或者尝试在系统设置中配置正确的代理。

8. 最佳实践与进阶建议

掌握了基础用法后，遵循以下最佳实践能让你的Codex使用体验事半功倍。

8.1 提示词工程进阶技巧

1. 提供范例（Few-Shot Learning）：在提示词中给出1-2个输入输出的例子，能极大提升模型在特定格式或逻辑上的表现。

   请编写一个将中文日期字符串转换为标准格式的函数。 示例1： 输入：“2023年12月5日” 输出：“2023-12-05” 示例2： 输入：“二零二三年十月一号” 输出：“2023-10-01” 请根据以上规律编写函数。

2. 指定输出格式：明确要求输出格式，如“请输出一个JSON对象”、“请用Markdown表格展示”。
3. 分步思考（Chain of Thought）：对于复杂问题，要求模型“一步一步思考”，并展示中间步骤，最后再给出最终答案。这能提高复杂推理的准确性。
4. 设定角色和风格：“你是一个严谨的C++专家”、“你写的代码要符合PEP8规范”。

8.2 代码集成与安全

1. 永远不要信任未经审查的AI生成代码：尤其是涉及文件操作、数据库访问、系统命令、网络请求的代码。必须人工审查逻辑，特别是权限和安全相关部分。
2. 在沙盒中测试：先在隔离环境（如虚拟环境、Docker容器）中运行AI生成的代码，确认其行为符合预期且无危害后，再集成到主项目。
3. 管理API成本：API调用通常按token收费。在开发调试阶段，可以设置较低的max_tokens，并使用缓存机制避免重复生成相同内容。
4. 密钥管理：绝对不要将API密钥硬编码在代码或提交到版本控制系统（如Git）。务必使用环境变量、密钥管理服务或配置文件（并加入.gitignore）。

8.3 工程化应用思路

1. 构建你自己的代码助手工具：将我们上面封装的CodexClient类扩展成一个命令行工具或图形界面，方便团队非技术人员使用。
2. 集成到CI/CD流程：用Codex自动生成单元测试、检查代码风格、生成文档注释。
3. 自动化数据报告：定期运行由Codex生成的脚本，从数据库拉取数据，生成分析图表和报告，并自动发送邮件。
4. 辅助代码审查：将新提交的代码diff发送给Codex，让它从代码风格、潜在Bug、性能问题等方面给出审查意见。

从“小白友好”的入门教程出发，我们一步步拆解了Codex的核心概念、环境搭建、提示词编写，并通过三个实战场景（API调用生成代码、Excel自动化、代码解释调试）进行了全流程实操。关键在于理解，Codex是一个强大的“杠杆”，能将你的自然语言意图转化为可执行指令。而有效使用这个杠杆的技能——提示词工程——是需要通过不断练习来掌握的。建议从身边的小任务开始，尝试用Codex解决一个具体的Excel问题、写一个简单的网页爬虫、或者解释一段看不懂的代码。在实践过程中，反复优化你的指令，观察模型的输出变化，你就能越来越熟练地驾驭这个AI编程伙伴，真正实现“不会代码也能用Codex”的目标，大幅提升学习和工作效率。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Claude 随心用，限时 5 折。 👉 点击领海量免费额度