tickingMachine

来自站点：flymux.com ，我的 id 是: 960
感谢老板

aHVnb3lhbmcxMjI5QGdtYWlsLmNvbQ==
感谢老板

AI 应用开发还是挺有前景的，即便模型能力现在这么强了依然没有“chatgpt”级别的 Agent 产品落地，另外其实很多中小型公司的业务场景中还有很多可以靠接入 AI （大模型/非 LLM 的小模型）来转型提效的需求。
最后还有一个方向就是 AI infra ，比如底层硬件，以及 AI app 的 infra （开发框架等）

@maolon 能用 claude-code-router 这种中转来让 cc 接入 gpt-5 吗

电吹风不错，真有实力，吸尘器感觉不出有多牛逼

我通过 claude-code-router 来使用 qwen3-coder 模型配合 claude code 使用，也碰到了 Invalid tool parameters 错误，后面在 cc-router 的 issue 里找到了解决方案，可以参考下： https://github.com/musistudio/claude-code-router/issues/448

一方面 cc / gemini-cli (CLI), cursor / vscode+copilot (IDE) 这些产品外壳在实现 AI coding Agent 的时候的工程有差异，另一方面就是模型自身能力（侧重 code/上下文窗口更大..)，所以不太容易客观得出谁好谁差的结论。

民间的风评就是目前 CC 是 CLI 里面最好的，cursor 是 IDE 里面最好的

具体来说，训练分两类，预训练和后训练（叫微调也可以，只不过后训练的范围更宽，微调更多直接对接使用方向）。

如果你的训练数据非常巨大，那推荐从预训练开始，从头打造专属的垂直大模型，给个参考，开源模型 Qwen2.5 是 18 万亿个 token ，Qwen3 约 36 万亿个 token ，预训练的成本也非常大，机器+训练+实验+调优等，但是 1kw 的预算可以 cover 全流程了，找国内做模型这块的厂可以直接包个团队来做全套。

如果没有那么大量的数据，“prompt + RAG + 微调 + 大量工程化” 这套流程更加推荐，这方面的教程非常多，金钱成本也非常的低，但是需要大量时间做调研和实验。