AI智能体协同开发工作流：从Claude Code、Hermes到Dify的工程实践
🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度
如果你在2026年找工作，面试官问你是否了解AI编程工作流，而你只能说出“我用过ChatGPT写代码”，那可能已经不够看了。真正的分水岭，是能否理解并运用一套由多个AI智能体（Agent）协同工作的“代理化”开发流程。这不再是简单的问答，而是让AI成为你团队中的“架构师”、“工程师”和“测试员”，它们之间能对话、能协作、能自动流转任务。
最近，一个名为Shubham Saboo的开发者分享了他的工作流：他通过Telegram给一个叫Hermes的智能体发一条消息，比如“开发一个能监控特定关键词并告警的CLI工具”，然后Hermes就会自动将任务分发给Codex去构建，构建完成后交给Claude Code进行代码审查，整个过程在一个看板（Kanban Board）上自动流转。他本人则完全不用守在电脑前。这种“Codex构建，Claude Code审查，Hermes Agent编排”的模式，正在重新定义“交付”的含义。
这背后是一整套工具链的成熟：Claude Code、Codex、Hermes Agent、OpenClaw、Dify、Coze，以及Skill（技能）的配置。它们各自扮演着不同的角色，从代码生成、任务编排到应用构建，形成了一个完整的闭环。掌握这套组合，意味着你不仅能提升个人效率，更能理解未来软件工程团队的组织形态——人机协同，智能体分工。
本文将为你彻底拆解这套“2026找AI大模型工作必备技能”。我不会只告诉你这些工具是什么，而是会深入分析：
- 为什么是这套组合？它们各自解决了什么痛点，组合起来又产生了怎样的化学反应？
- 如何从零开始搭建？从环境准备、安装配置到第一个协同任务跑通。
- 真实场景下的最佳实践与避坑指南，包括成本控制、权限管理、上下文优化等。
- 这套技能对你的职业发展意味着什么？是成为单纯的工具使用者，还是能设计智能体工作流的架构师？
无论你是想提升个人开发效率的工程师，还是关注团队效能的技术负责人，这篇文章都将提供一条清晰的实践路径。让我们开始吧。
1. 核心工具链定位：为什么是这七件套？
在深入安装和配置之前，我们必须先理解每个工具在这个生态中的独特定位。把它们想象成一个软件开发团队的角色：
- Claude Code & Codex：一线工程师。它们是直接“动手”写代码的智能体。Claude Code（来自Anthropic）以对代码库的深度理解和严谨性见长，适合复杂逻辑和代码审查；Codex（及其生态下的智能体）则以快速执行和并行任务能力突出，适合快速原型构建。它们都支持
/goal指令，这意味着它们能理解并执行一个明确的“目标”。 - Hermes Agent：项目经理兼调度员。它的核心价值是编排（Orchestration）。它不直接写代码，而是接收一个高级目标（通过Telegram、Slack或API），然后将其分解，分配给合适的“工程师”（Claude Code或Codex），并跟踪任务状态，在看板上可视化进度。它是让智能体“对话”起来的关键粘合剂。
- OpenClaw：团队里的特种兵或备选方案。在讨论中常被提及作为一个可选的、可能成本更优的智能体基础。它代表了生态的多样性——你并非只能绑定某个特定厂商的Agent，Hermes这样的编排器可以接入不同的“工人”。
- Dify & Coze：产品经理和交付平台。当你的智能体生成了代码或服务后，如何快速变成一个可用的应用？Dify和Coze这类低代码/工作流平台，允许你将AI能力（包括这些智能体）封装成可视化的业务流程、API或聊天机器人，交付给最终用户。Dify更偏向开发者，支持本地部署和深度定制；Coze（如字节跳动的产品）则提供了更易用的界面和丰富的插件生态。
- Skill：团队的工作手册与规范。这不是一个独立工具，而是一个核心概念。尤其在Claude Code中，通过项目根目录的
.claude文件夹，你可以定义CLAUDE.md（项目简报）、rules（硬性规则，如“禁止在循环中查询数据库”）、skills（可复用的工作流模板）。这相当于为你的AI工程师制定了开发规范和常用工具库，确保生成的代码符合团队约定，极大提升了输出的一致性和质量。
组合起来的价值：单一智能体再强大，也只是“超级助手”。而Hermes将Codex和Claude Code串联，实现了“构建-审查”的自动化流水线。Dify/Coze则将这个流水线的产出物快速产品化。Skill确保了整个过程的代码质量。这构成了一个从需求输入到应用交付的完整、自动化、可管理的AI原生开发工作流。
2. 环境准备与核心工具安装指南
理论很美好，但让我们脚踏实地。要运行这套工作流，你需要准备一些基础环境和API密钥。请注意，部分工具可能处于快速迭代中，具体安装命令请以官方最新文档为准。
2.1 基础环境与账户准备
- 操作系统：推荐 macOS 或 Linux (包括 WSL2)。大部分工具对Windows原生支持可能有限，WSL2是最佳选择。
- Node.js & npm：许多AI开发工具链基于Node.js。确保安装较新版本（如LTS）。
- Python 3.8+：一些底层库或本地部署工具需要Python。
- Git：代码版本管理必备。
- API 密钥：
- Anthropic API Key：用于Claude Code。前往 Anthropic Console 注册获取。
- OpenAI API Key（或其他兼容API）：Codex通常基于GPT模型，需要OpenAI或兼容其API的供应商（如Azure OpenAI）的密钥。
- 其他：根据你使用的具体Codex实现（可能是特定项目），可能还需要其他API密钥。
2.2 安装核心智能体：Claude Code 与 Codex
Claude Code 安装：Claude Code通常以VS Code插件或命令行工具形式提供。这里以命令行工具为例（假设为@anthropic-ai/claude-code，请核实官方包名）。
# 使用 npm 全局安装 Claude Code 命令行工具 npm install -g @anthropic-ai/claude-code # 安装后，进行认证，会引导你输入API Key claude-code auth安装后，在项目目录中初始化Claude配置，这是使用Skill功能的关键：
# 进入你的项目目录 cd your-project # 初始化 .claude 目录结构 claude-code init这会创建.claude文件夹，包含CLAUDE.md,rules/,skills/等子目录。
Codex 安装：“Codex”这个名字有些历史渊源，现在通常指代一系列基于大模型的代码生成智能体项目。其中一个流行的实现是codex-cli或类似工具。安装方式可能如下：
# 示例：通过 pip 安装某个 Codex 实现（请替换为真实包名） pip install codex-agent # 或通过 npm npm install -g codex-cli # 安装后同样需要配置API密钥 codex config set api_key your_openai_api_key重要提示：请根据你选择的具体Codex项目（例如在GitHub上搜索“codex agent”）查看其官方安装说明。不同的实现安装方式差异很大。
2.3 安装编排器：Hermes Agent
Hermes Agent 是这套工作流的大脑。根据网络资料，它可以通过 Telegram 接收指令。安装可能涉及以下步骤：
# 1. 克隆 Hermes Agent 仓库（假设为开源项目） git clone https://github.com/some-org/hermes-agent.git cd hermes-agent # 2. 安装依赖（通常是Python项目） pip install -r requirements.txt # 3. 配置环境变量 # 你需要设置 Claude 和 Codex 的 API 密钥、Telegram Bot Token 等 cp .env.example .env # 编辑 .env 文件，填入你的密钥 # HERMES_CLAUDE_API_KEY=sk-ant-... # HERMES_OPENAI_API_KEY=sk-... # HERMES_TELEGRAM_BOT_TOKEN=... # 4. 运行 Hermes Agent python main.pyHermes 的核心配置在于如何连接 Claude Code 和 Codex。它可能需要你提供这两个智能体的命令行调用路径或API端点。这通常在一个配置文件（如config.yaml）中定义：
# config.yaml 示例 agents: claude_code: command: "claude-code" args: ["--goal"] # 使用 /goal 模式 env: ANTHROPIC_API_KEY: ${HERMES_CLAUDE_API_KEY} codex: command: "codex-cli" args: ["execute"] env: OPENAI_API_KEY: ${HERMES_OPENAI_API_KEY} orchestrator: default_workflow: "build_then_review" workflows: build_then_review: - agent: codex action: build - agent: claude_code action: review这个配置定义了一个简单的“先构建后审查”工作流。
2.4 安装与应用平台：Dify 或 Coze
Dify 本地部署：Dify 是一个开源的LLM应用开发平台，支持本地部署，适合对数据隐私和控制权要求高的场景。
# 使用 Docker Compose 是最简单的部署方式（确保已安装Docker） git clone https://github.com/langgenius/dify.git cd dify/docker docker-compose up -d部署后，访问http://localhost:3000初始化管理员账户。在Dify中，你可以通过“工作流”功能，将AI模型、代码执行节点、API调用等串联起来，构建复杂应用。
Coze 使用：Coze 是一个在线AI Bot开发平台，上手更快。你通常只需要：
- 访问 Coze官网 或国际站，注册账号。
- 在工作室中创建“Bot”。
- 通过“插件”或“工作流”节点，接入你的API（例如，将Hermes Agent的接口封装成插件）。
- 配置技能和知识库，发布Bot。
对于集成，你需要在Coze中创建一个“工作流”，并使用“代码”节点或“HTTP请求”节点来调用你部署的Hermes Agent的API。
3. 构建你的第一个智能体协作工作流
现在，让我们模拟Shubham Saboo的场景，构建一个“需求输入 -> Codex构建 -> Claude Code审查 -> 看板跟踪”的迷你工作流。
3.1 步骤一：配置 Hermes Agent 与 Telegram Bot
- 创建Telegram Bot：通过 @BotFather 创建一个新的Bot，获取它的
TOKEN。 - 配置Hermes：将
TOKEN填入Hermes的.env文件。 - 定义工作流：在Hermes的配置中，明确定义当接收到
/goal指令时，触发build_then_review工作流（如上一节的YAML示例）。 - 启动Hermes：运行
python main.py，确保它成功连接到Telegram。
3.2 步骤二：为 Claude Code 配置项目级 Skill
在你的代码项目根目录，完善.claude文件夹，这是保证代码质量的关键。
.claude/CLAUDE.md文件示例：
# 项目简报 ## 项目概述 这是一个由AI智能体协作开发的CLI工具项目，用于监控社交媒体提及并发送警报。 ## 服务与数据所有权 - `src/cli/`: CLI入口点，负责参数解析和命令分发。 - `src/monitor/`: 监控逻辑核心，包含关键词匹配和频率检查。 - `src/notifier/`: 通知发送模块，目前支持邮件和Slack Webhook。 - `data/logs/`: 存放运行日志，不提交到Git。 ## 技术栈 - 语言：Python 3.9+ - CLI框架：Click - HTTP客户端：requests - 配置文件：YAML ## 代码风格 - 使用 Black 进行代码格式化。 - 使用 isort 进行导入排序。 - 所有公有函数和类必须包含Google风格的Docstring。.claude/rules/no_db_in_loop.md文件示例：
# 规则：禁止在循环中查询数据库 ## 描述 为了提高性能并避免数据库连接池耗尽，禁止在 `for` 或 `while` 循环内执行数据库查询操作。 ## 错误示例 ```python for user_id in user_ids: user = db.session.query(User).get(user_id) # 违反规则 process(user)正确示例
# 方案1：使用IN查询一次性获取 users = db.session.query(User).filter(User.id.in_(user_ids)).all() for user in users: process(user) # 方案2：使用批量查询 batched_users = get_users_in_batches(user_ids)**`.claude/skills/create_cli_command.md` 文件示例：** ```markdown # 技能：创建新的Click CLI命令 ## 目标 快速生成一个符合项目规范的Click CLI命令。 ## 输入 - 命令名称（如 `check-mentions`） - 命令描述 - 需要的参数和选项列表 ## 输出步骤 1. 在 `src/cli/commands/` 目录下创建新文件 `{command_name}.py`。 2. 使用 `@click.command()` 装饰器。 3. 添加 `@click.option` 或 `@click.argument`。 4. 编写命令函数，并导入必要的业务逻辑。 5. 在 `src/cli/main.py` 中注册新命令。3.3 步骤三：通过 Telegram 触发任务
在你的手机上，打开与Hermes Bot的对话窗口，发送如下消息：
/goal Build a CLI tool named “mention-alert” that can search for keyword “AI Agent” in a given text file (path provided as argument) and print the lines containing it. Use Python and Click. The tool should also have an option to count occurrences.（目标：构建一个名为“mention-alert”的CLI工具，能够在给定的文本文件（路径作为参数提供）中搜索关键词“AI Agent”并打印包含它的行。使用Python和Click。该工具还应有一个统计出现次数的选项。）
3.4 步骤四：观察智能体协作
- Hermes接收指令：Hermes Bot收到消息，解析出目标。
- 创建看板卡片：Hermes在你的看板（可能是集成的如Trello，或它自带的界面）上创建一张新卡片，状态为“待处理”。
- 分发给Codex：Hermes根据配置，将任务分发给Codex智能体，卡片状态变为“构建中”。
- Codex执行构建：Codex开始工作。它会读取你项目的
.claude/CLAUDE.md了解上下文，并尝试生成代码。完成后，它将代码提交到一个分支或标记为完成，并通知Hermes。 - 转交Claude Code审查：Hermes将卡片状态更新为“审查中”，并将任务（连同Codex生成的代码）转交给Claude Code。
- Claude Code进行审查：Claude Code调用项目中的规则（Rules）和技能（Skills）对代码进行审查。它可能会提出修改意见，甚至直接进行重构。这个过程可能会在Codex和Claude Code之间进行几轮交互（通过Hermes协调）。
- 任务完成：当审查通过后，Claude Code标记任务完成。Hermes将看板卡片移动到“已完成”列。
你全程无需介入。可以在Telegram上收到进度通知，或者随时查看看板了解状态。
4. 核心概念深度解析：Skill、上下文压缩与成本控制
4.1 Skill：不只是提示词，是工程规范
很多开发者把Skill理解为复杂的提示词（Prompt），这是片面的。从.claude目录的结构可以看出，Skill是一套工程化的约束和模板系统。
- CLAUDE.md：这是项目架构说明书。它告诉AI智能体项目的模块划分、技术选型和代码规范，解决了“代码该放在哪里”和“应该怎么写”的问题。没有它，Claude Code可能会把数据库查询逻辑错误地放在CLI层。
- Rules：这是代码质量红线。它以“禁止做什么”的负面清单形式存在，比正面教导更有效。例如，“禁止在循环中查询数据库”这条规则，直接阻止了常见的性能反模式。
- Skills：这是可复用的代码模板和工作流。它把常见的开发模式（如“创建CRUD接口”、“添加单元测试”）固化下来，确保每次生成的结构一致，极大减少了后续的代码调整工作。
最佳实践：将.claude目录纳入Git版本控制。这样，团队每个成员都使用同一套AI“大脑”，保证了代码风格和架构的一致性，新人 onboarding 也会更快。
4.2 上下文压缩：1M Token不是无限内存
Claude Code拥有1M Token的上下文窗口，这非常强大。但很多人误解了其工作原理，认为可以无限堆放内容。如网络讨论中Ben Li的解释，上下文压缩（Compaction）不是内存清理，而是创建检查点（Checkpoint）。
当上下文接近上限（比如90万Token）时，系统会提前触发压缩过程。它调用模型本身，将之前的冗长对话历史总结成一个简短的摘要。后续的对话将基于这个摘要和最近的上下文进行，而不是完整的原始历史。
这对开发者的启示：
- 不要盲目粘贴巨大日志文件：这会让上下文迅速膨胀，可能压缩不充分导致关键信息丢失。
- 主动管理上下文：对于已经完成且不再需要的长篇讨论（如某个已解决的技术争论），可以手动告诉Claude“请总结我们之前关于XX的讨论结论，并压缩旧上下文”。
- 结构化沟通：像使用Git一样思考。完成一个相对独立的功能模块后，可以视为一次“提交”，然后开启新的会话分支或进行压缩，保持主会话的清晰。
4.3 成本控制：智能体协作的隐形成本
智能体自动化令人兴奋，但成本问题不容忽视。网络讨论中，Andriy Tkachenko指出，一个Claude Code会话可能消耗其5小时Token配额的一半。Apuroop M也提出了对成本的担忧。
成本主要来自两部分：
- 模型调用成本：Claude、GPT-4等模型的API调用按Token计费。智能体在思考、生成代码、审查过程中会产生大量交互，Token消耗飞快。
- 工具执行成本：如果智能体调用外部API、执行长时间计算，也可能产生费用。
控制成本的实践建议：
- 设定预算和限额：在API提供商处设置每月使用限额和预警。
- 使用更经济的模型进行编排：让Hermes这类编排器使用成本更低的模型（如GPT-3.5-Turbo）来理解任务和分配工作，只让Claude Code/Codex在需要高质量代码生成和审查时使用昂贵模型。
- 优化提示词和Skill：清晰、准确的指令和良好的Skill配置能减少智能体的“困惑”和无效尝试，从而减少Token消耗。
- 本地化与缓存：对于Dify等平台，考虑使用本地部署的模型（如通过Ollama部署Llama 3）来处理部分非核心任务，并对频繁查询的结果进行缓存。
- 任务粒度控制：不要一开始就扔一个巨大的、模糊的需求。像John Brown分享的经验，将大任务拆分成小而明确的目标，让智能体逐个击破，成功率更高，总体成本可能更低。
5. 进阶集成：将工作流接入 Dify 或 Coze
让智能体自动生成代码很棒，但如何让非开发者也能使用这个能力？这就需要Dify或Coze这样的应用平台。
场景：将上面的“关键词监控CLI工具生成器”变成一个Web服务，产品经理只需在表单里填写工具描述和关键词，就能获得一个可下载的CLI工具包。
5.1 在 Dify 中创建工作流
- 创建HTTP请求节点：在Dify工作流画布中，添加一个“HTTP请求”节点，配置它调用你部署的Hermes Agent的API接口（例如
http://your-hermes-server:port/api/goal），将用户输入作为参数{“goal”: “用户输入的需求描述”}发送。 - 添加处理逻辑：Hermes处理完成后，会返回一个状态或结果URL。添加一个“代码”节点，解析返回结果，例如检查看板卡片是否进入“已完成”状态。
- 添加文件获取节点：当任务完成时，再通过一个HTTP请求节点，从你的代码仓库（或Hermes提供的地址）下载生成的工具压缩包。
- 配置输出：最后使用“答复”节点，将下载链接或文件直接返回给用户。
这样，一个内部的产品需求工具平台就搭建好了。
5.2 在 Coze 中创建 Bot
- 创建插件：在Coze的“插件”页面，创建一个“自定义插件”，类型选择“HTTP”。填写你的Hermes Agent的API地址、参数和认证信息。
- 设计人机对话：在Bot的“提示词”部分，设计自然语言交互，例如：“你好，我可以帮你生成定制化的CLI工具。请告诉我你想要工具做什么？”
- 创建工作流：在Bot的“工作流”中，添加“开始”节点，连接“用户输入”节点，然后接入你刚创建的“Hermes插件”节点，最后连接“回复消息”节点。
- 发布与测试：发布Bot，你可以将其嵌入到飞书、钉钉等办公软件中，团队成员可以直接在聊天窗口里“下单”定制工具。
6. 常见问题与排查指南
在实践过程中，你一定会遇到各种问题。下表总结了一些常见问题及其解决思路：
| 问题现象 | 可能原因 | 排查方式 | 解决方案 |
|---|---|---|---|
| Hermes 无法启动或连接失败 | 1. Python依赖缺失或版本冲突 2. 环境变量未正确设置 3. 端口被占用 | 1. 检查pip list，确认requirements.txt中所有包已安装。2. 检查 .env文件或系统环境变量。3. 查看日志错误信息。 | 1. 使用虚拟环境（venv或conda）隔离依赖。 2. 使用 echo $VAR或printenv确认环境变量。3. 更换端口或杀死占用进程。 |
| Claude Code 不遵守项目规则 | 1..claude目录不在项目根目录或结构错误。2. 规则文件语法或路径错误。 3. Claude Code未在项目目录下运行。 | 1. 检查.claude/CLAUDE.md和rules/目录是否存在。2. 尝试在项目根目录运行 claude-code --help查看配置。 | 1. 确保从项目根目录启动Claude Code会话。 2. 检查规则文件是否为 .md格式且内容清晰。3. 运行 claude-code validate-config（如果支持）检查配置。 |
| Codex 生成的代码质量差或不符合要求 | 1. 提示词（Prompt）不够清晰具体。 2. 缺少足够的上下文（如项目文件）。 3. 使用的底层模型能力不足。 | 1. 审查发送给Codex的初始指令。 2. 检查Codex是否能“看到”相关的项目文件。 3. 尝试更换模型（如从gpt-3.5-turbo切换到gpt-4）。 | 1. 采用更结构化的提示词，明确输入、输出、约束条件。 2. 在任务开始前，让Codex先读取关键架构文件。 3. 在Hermes的配置中为Codex指定更强大的模型。 |
| 任务在看板上卡住，不流转 | 1. Hermes与某个Agent的通信失败。 2. Agent执行超时或出错。 3. 工作流逻辑配置有误。 | 1. 查看Hermes的详细日志。 2. 检查对应Agent（Codex/Claude）的日志或输出。 3. 检查Hermes的 config.yaml中工作流定义。 | 1. 确认Agent的CLI命令可正常独立运行。 2. 在Hermes配置中增加超时设置和错误重试机制。 3. 简化工作流，逐步测试每个环节。 |
| API 调用成本激增 | 1. 任务循环或陷入死循环。 2. 智能体在处理超大文件或复杂递归。 3. 没有使用上下文压缩，历史对话过长。 | 1. 在API提供商控制台查看调用频率和Token用量详情。 2. 检查智能体是否在反复读取同一批大文件。 3. 检查会话历史长度。 | 1. 为智能体设置明确的“停止”条件或最大步数限制。 2. 在Skill中制定规则，限制单次处理文件的大小或行数。 3. 主动使用压缩指令，或配置自动压缩阈值。 |
| Dify/Coze 调用 Hermes API 失败 | 1. 网络不通或防火墙限制。 2. API接口地址、方法或参数错误。 3. 缺少认证（API Key）。 | 1. 在Dify/Coze服务器上使用curl测试Hermes API。2. 对比Hermes API文档和Dify/Coze中的插件配置。 | 1. 确保Hermes服务在公网可访问，或使用内网穿透。 2. 在Dify/Coze的HTTP节点中仔细填写URL、Header和Body。 3. 将API Key添加到请求Header中。 |
7. 最佳实践与工程化建议
将AI智能体工作流用于生产环境，需要像对待任何软件系统一样进行工程化管理。
- 版本化一切：将
.claude配置目录、Hermes的config.yaml、Dify的工作流定义都纳入Git管理。这确保了团队协作和环境一致性。 - 实施严格的权限控制：在Claude Code的
settings.json中，像Charlie Koch建议的那样，明确允许和禁止的命令。务必禁止rm -rf、git reset --hard、:wq（在Vim中可能导致意外保存退出）等危险操作。在Hermes层面，也可以对接收指令的来源（如特定Telegram用户ID）进行过滤。 - 建立评估与回滚机制：不要完全信任AI的输出。建立简单的自动化测试：对于生成的CLI工具，跑一个简单的集成测试验证基本功能。在Hermes的工作流中，可以在“Claude Code审查”之后，加入一个“人工确认”或“自动化测试”节点，只有通过后才算最终完成。
- 日志与监控：为Hermes和各个Agent配置详细的日志记录。监控关键指标：任务完成率、平均耗时、API调用次数和Token消耗。这有助于你优化工作流和控制成本。
- 设计可替换的Agent层：正如Michel Reynaldo Brito所说，不要过早地将自己锁定在某个具体的Agent上。通过Hermes这样的编排器抽象出“构建”和“审查”这样的角色，未来如果出现更强大或更经济的Agent，你可以轻松替换，而无需重写整个系统。
- 从小处着手，迭代验证：不要试图一次性搭建一个完美无缺的全自动开发流水线。从一个具体的、高频率的小任务开始（比如“为数据模型生成CRUD接口”），验证整个链条跑通，再逐步增加复杂度和自动化程度。
掌握Claude Code、Codex、Hermes Agent、Dify、Coze和Skill这套组合拳，其价值远超过学会使用几个新工具。它代表着你从“手动使用AI”到“设计AI自动化系统”的思维跃迁。在2026年的技术招聘市场上，能够设计、实现并优化这种人机协同智能工作流的工程师，将成为最稀缺的资源之一。这套技能的核心不是记住命令，而是理解如何将不确定的AI能力，通过工程化的手段（编排、规范、平台）变得确定、可靠、可管理。现在，是时候开始你的实践了。建议收藏本文，在搭建过程中遇到问题时，可以随时回溯每个环节的配置要点和排查思路。
🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度