春节回家过年，要说最害怕的，那肯定还是亲戚们问的比较现实的问题。不过我有高情商回复，直接拿捏住。问我挣了多少钱，那我只就说“没多少”；问在哪工作，就说“在公司上班”。今年就纯买了点年货，虽然不多，算是我的一点心意。

Claude Code 最近很火，号称“自然语言编程”神器。但是它官方的 Token 贵得离谱，还得开 Pro 会员，考虑到大家平时的使用可能并不需要那么强力的模型，so我们来个拼好饭版的性价比选项——智谱，glm官方支持直接把 API 接入到 Claude Code 里， 也就是用智谱的价格，享受 Claude Code 的完整交互体验。今天手把手教大家怎么在 Terminal (终端) 里配置这一套“拼好饭”方案。安装之前需要准备Node.js 环境和gitbash，但是我们都这么懒了，哦不，ai都这么发达了，直接让AI干多好，so TRAE就是你的不二之选，直接把这个需求给它让它开搞完成...

年后入职嘿嘿！感谢团子收留❃ႣᄎႣ❃

原文链接：HikariLan's Blog 当提到“如何为大模型提供大规模的可用于检索的信息”时，我们第一反应想到的大概率是 RAG 一类的解决方案，但现在我要说，基于文件系统访问（FileSystem Access）的检索方式可能远比使用 RAG 更好。 什么是 RAG？为什么需要 RAG？ **Retrieval-Augmented Generation（检索增强生成，RAG）**是一种可以允许 LLM 从大规模非结构化信息中进行语义检索的技术方案。 我们之所以需要 RAG，是因为大模型内置的知识内容可能不符合我们的需要，例如这些内容可能已经过时（因为用于大模型训练的语料库并不会随着使用者...