Claude Code 接入本地大模型：从零构建全栈开发工作流

这两年本地大模型的能力提升非常明显，尤其是 7B～14B 这一档量化模型，配合工具调用和编程场景，已经可以完成不少实用的开发任务。Claude Code 是很多开发者关注的终端编程代理，官方定位是“在终端里协助完成软件工程任务”，但不少人对它的理解还停留在“必须要用 Claude 官方模型”这一步。实际上 Claude Code 支持通过环境变量把后端请求转发到自建服务，这意味着你可以把本地大模型作为它的推理后端，形成一套“代码不离本机”的全栈开发工作流。

这篇文章会围绕 Claude Code + 本地大模型这个组合，完整拆解概念、环境准备、对接原理、一个真实的全栈项目实战流程，以及高频问题排查。内容不以“最全”“最强”为卖点，但会尽量把弯路提前标出来，让你从零开始也能把整套链路跑通。

1. 背景与核心概念

1.1 Claude Code 是什么

Claude Code 是 Anthropic 推出的命令行编程代理工具，它不是一个简单的代码补全插件，而是能直接在你指定的项目目录里工作的“智能体”。它会读取项目文件、理解你的自然语言指令、搜索代码、修改多个文件、执行终端命令，甚至调用外部工具来完成任务。

和常见的 IDE 插件不同，Claude Code 的工作形态更接近“项目协作”：你给它一个需求，它会先规划，再动手改代码，最后通过 CLI 输出变更结果。它支持多文件编辑、git 集成、lint 检查、测试执行等能力，这些能力是通过一组工具调用实现的。

很多开发者第一次接触 Claude Code 时，会以为它只能配合 Anthropic 的云端模型。这是个误区。Claude Code 的底层只依赖一个“兼容 Anthropic Messages API 的端点”，如果你有本地模型服务并能把请求转换成这个协议，Claude Code 就会把本地模型当成默认推理引擎来使用。

1.2 本地大模型的作用

本地大模型指权重文件直接存放在你自己机器上的开源模型，例如 Qwen、Llama、DeepSeek 系列等。它们通过 Ollama、LM Studio、vLLM、llama.cpp 等推理框架加载，在本地提供 HTTP API。

在 Claude Code 的场景里，本地大模型承担的角色是“大脑”：它负责理解用户需求、决定下一步动作、生成代码片段、判断是否需要调用工具。只要这个大脑具备足够的代码理解和工具调用能力，Claude Code 就能驱动它完成全栈项目的开发任务。

为什么要把 Claude Code 接到本地模型上？核心原因有三类。

第一是数据隐私。公司项目、未公开代码片段、私有业务逻辑，很多人不愿意直接发给云端 API，本地模型可以做到代码不出本机。

第二是成本可控。高频开发场景下，云端 API 的 token 消耗累积很快，本地模型主要消耗电力和硬件资源，没有按 token 计费的问题。

第三是网络依赖小。本地服务部署完成后，即使外网不稳定，核心的代码生成链路也能正常工作。

当然，本地模型也有明显短板：推理速度受硬件限制，复杂指令的遵循能力不如顶级云端模型，工具调用偶尔会“答非所问”。所以更合理的定位是：用本地模型完成日常普通任务，复杂架构设计再依赖更强的模型。

1.3 适用场景与学习收益

这套组合适合以下场景：

• 个人开发者做全栈项目，希望保留一份离线可用的编程助手。
• 企业内部有隐私要求，代码不允许上传到外部 API，但有开源模型部署条件。
• 学生或独立开发者学习 AI 编程，想理解模型服务、协议转换、智能体工具调用之间的关系。

不适合的场景也很明显：如果你的硬件只能跑 3B 模型，又要处理大型企业级项目，体验大概率不如云端旗舰模型。

本文后面的实战环节，将以一个“任务管理小应用”为例，带你走通“需求描述 → Claude Code 理解 → 生成后端 → 生成前端 → 运行验证”的完整链路。学完之后，你可以把同样的方法迁移到自己的项目里。

2. 环境准备与版本说明

先说明一点：AI 工具链迭代非常快，下面的版本和命令以 2026 年初常见环境为例。你实际安装时可能遇到更新的版本，命令略有出入，这不影响整体思路，关键是理解每一步在做什么。

2.1 硬件与操作系统要求

本地模型运行对硬件有要求。本文示例以 7B 量化模型为主，这种规模下：

• 建议内存不低于 16GB，其中模型权重通常占用 4GB～6GB。
• 如果有独立显卡，8GB 显存体验会更好。
• 纯 CPU 推理也可以跑，但响应速度会慢很多，适合测试不适合高频开发。

操作系统方面，macOS、Linux、Windows 都可以。Claude Code 的安装依赖 Node.js，Ollama 则支持三大平台。Windows 用户建议使用 PowerShell 或 Windows Terminal，不要用旧版 cmd，否则容易出现编码和路径问题。

2.2 安装 Node.js 与 Claude Code

Claude Code 是基于 Node.js 的 CLI 工具，所以第一步是安装 Node.js。建议使用 LTS 版本，安装完成后在终端确认：

bash复制node -v
npm -v

接下来通过 npm 全局安装 Claude Code：

bash复制npm install -g @anthropic-ai/claude-code

安装完成后验证：

bash复制claude --version

如果 npm install 报权限错误，说明当前用户对全局目录没有写权限，可以在用户目录下配置 npm 的全局路径，不要随意使用 sudo 强行安装。

2.3 安装 Ollama 并拉取模型

Ollama 是目前最简单易用的本地模型运行框架。macOS 和 Linux 用户可以通过官方脚本安装，Windows 用户直接下载安装包即可。

Linux/macOS 安装命令：

bash复制curl -fsSL https://ollama.com/install.sh | sh

安装完成后先启动服务：

bash复制ollama serve

然后拉取一个适合编程的模型。我推荐从 Qwen2.5-Coder 或 Llama 3.1 开始，它们对代码任务和工具调用都有不错的支持。以 Qwen2.5-Coder 7B 为例：

bash复制ollama pull qwen2.5-coder:7b

拉取完成后，检查模型列表：

bash复制ollama list

如果能看到 qwen2.5-coder:7b，说明本地模型服务已经就绪。默认 Ollama 会监听 11434 端口。

2.4 安装协议转换网关 LiteLLM

这里有一个关键点：Ollama 原生提供的是 OpenAI 兼容接口，而 Claude Code 调用的是 Anthropic Messages 协议。两者不能直接互通，所以需要一个转换网关，把 Anthropic 格式的请求翻译成 OpenAI 格式，再交给 Ollama。

LiteLLM 是一个常用的开源网关，它同时支持 OpenAI、Anthropic 等多种协议格式。安装方式：

bash复制pip install 'litellm[proxy]'

安装完成后，启动一个本地代理，把 Ollama 的模型暴露成 Claude Code 需要的端点：

bash复制litellm --model ollama_chat/qwen2.5-coder:7b --port 8080

注意，ollama_chat/qwen2.5-coder:7b 中的模型名必须与 ollama list 里的标签一致，否则会报模型不存在。启动成功后，LiteLLM 会在 8080 端口同时提供多种协议端点。

这一步是整套方案的“接线”环节，也是很多新手卡住的地方。后面第 3 节会专门讲原理。

3. Claude Code 对接本地大模型的原理拆解

3.1 Claude Code 的工作流程

Claude Code 不是把整段对话一次性丢给模型，而是采用“智能体循环”的方式工作：

1. 读取用户的自然语言指令。
2. 根据系统提示与项目上下文，决定是否调用工具。
3. 执行工具调用，例如读取文件、编辑文件、执行命令。
4. 把工具执行结果返回给模型。
5. 模型根据结果继续决策，直到任务完成。

这个循环能力的强弱，直接取决于底层模型。云端 Claude 模型经过专门训练，对工具调用和长上下文非常熟练；本地模型需要依赖函数调用能力和指令遵循能力来完成同样的事。

3.2 为什么需要协议转换

Claude Code 向推理后端发送的请求，默认遵循 Anthropic Messages API 的规范，请求路径通常是 /v1/messages，请求体里包含 model、messages、max_tokens、tools 等字段。

而 Ollama 的接口是 /api/chat 或 /v1/chat/completions，字段结构和 Anthropic 规范不一样。直接让 Claude Code 请求 Ollama，Claude Code 会认为接口返回格式不对，或者直接连接失败。

LiteLLM 在其中做的事情就是“翻译”：接收 Claude Code 发来的 Anthropic 格式请求，转换成 OpenAI 格式发给 Ollama，再把 Ollama 的返回结果重新包装成 Claude Code 能识别的响应。对 Claude Code 来说，它只知道自己在和一个“Anthropic 兼容服务”通信。

3.3 关键环境变量说明

要让 Claude Code 使用本地服务，需要配置三个关键环境变量。

ANTHROPIC_BASE_URL 指定推理服务的地址。本地部署时，设置为 LiteLLM 的地址，例如：

bash复制export ANTHROPIC_BASE_URL="http://localhost:8080"

ANTHROPIC_AUTH_TOKEN 指定认证 token。本地服务不一定真的有鉴权，但 Claude Code 内部仍会携带一个 token。为了通过校验，需要设置一个自定义值，并与 LiteLLM 代理的 key 对应：

bash复制export ANTHROPIC_AUTH_TOKEN="local-test-token-123"

ANTHROPIC_MODEL 指定要使用的模型名称。部分新版 Claude Code 支持通过这个变量设置默认模型，但也有的版本只支持在会话内通过 /model 命令切换。更稳妥的做法是启动后先在会话里执行 /model，确认列表里有本地模型。

3.4 验证网关是否可用

配置环境变量之前，建议先用 curl 验证 LiteLLM 的 Anthropic 端点是否正常。下面是一个最简单的测试请求：

bash复制curl http://localhost:8080/v1/messages \
  -H "Content-Type: application/json" \
  -H "x-api-key: local-test-token-123" \
  -H "anthropic-version: 2023-06-01" \
  -d '{
    "model": "qwen2.5-coder:7b",
    "max_tokens": 100,
    "messages": [
      {"role": "user", "content": "用一句话介绍你自己"}
    ]
  }'

如果你看到返回里包含 content 数组，说明转换链路已经通了。如果返回 404 或模型不存在，优先检查 LiteLLM 启动命令中的模型名和 ollama list 是否完全一致。

4. 完整实战：本地大模型 + Claude Code 开发全栈任务管理应用

下面进入实战。我们会用 Claude Code + 本地大模型，从零生成一个“任务管理应用”。项目不大，但包含后端 API、前端页面、数据持久化和命令行交互，足够展示全栈开发的完整链路。

4.1 项目需求与功能拆分

为了避免模型“自由发挥”得太离谱，建议第一步先把需求写清楚。创建一个项目目录，并在里面写一份需求文档。

bash复制mkdir -p local-task-hub/docs
cd local-task-hub

在 docs/requirements.md 中写入：

markdown复制# 任务管理应用需求说明

## 功能需求
1. 用户可以查看所有任务列表。
2. 用户可以新增任务，任务包含标题和完成状态。
3. 用户可以勾选/取消勾选任务，改变完成状态。
4. 用户可以删除任务。

## 技术栈
- 后端：Node.js + Express
- 前端：原生 HTML/CSS/JavaScript
- 数据持久化：JSON 文件，路径为 data/tasks.json

## API 设计
- GET /api/tasks 获取任务列表
- POST /api/tasks 新增任务，请求体 { "title": "任务标题" }
- PATCH /api/tasks/:id/toggle 切换任务完成状态
- DELETE /api/tasks/:id 删除任务

## 页面要求
- 页面包含输入框、新增按钮、任务列表。
- 任务标题后展示完成状态按钮和删除按钮。

这个需求文档写得越明确，模型生成的结果越可控。如果你希望 Claude Code 严格遵守，也可以把“验收标准”单独列出来。

4.2 启动本地模型网关

回到终端，确保 Ollama 正在运行，然后启动 LiteLLM：

bash复制litellm --model ollama_chat/qwen2.5-coder:7b --port 8080

保持这个终端窗口不要关闭，另开一个终端窗口进行后续操作。如果你不想每次手动敲命令，可以写一个 start-gateway.sh 脚本：

bash复制#!/usr/bin/env bash
ollama serve &
litellm --model ollama_chat/qwen2.5-coder:7b --port 8080

注意：ollama serve 如果之前已经启动，重复执行会报端口占用，不影响使用。

4.3 配置 Claude Code 环境变量

在当前终端窗口设置环境变量：

bash复制export ANTHROPIC_BASE_URL="http://localhost:8080"
export ANTHROPIC_AUTH_TOKEN="local-test-token-123"
export ANTHROPIC_MODEL="qwen2.5-coder:7b"

然后进入项目目录：

bash复制cd local-task-hub
claude

如果一切正常，Claude Code 会进入交互式对话界面，并显示一个命令提示符。如果这里出现连接错误，先回到第 3.4 节用 curl 验证网关。

4.4 让 Claude Code 生成后端代码

在 Claude Code 对话中输入：

text复制请阅读 docs/requirements.md，按照需求实现一个 Node.js + Express 后端。
先创建 package.json，然后实现 server.js。
数据存储使用 data/tasks.json，如果没有该文件则自动创建。
请使用 CommonJS 模块规范，端口监听 3000。

Claude Code 会先读取需求文档，然后决定创建哪些文件。由于本地模型的推理速度不如云端，生成过程可能需要几十秒到几分钟不等，不要着急中断。

预期会生成类似下面的文件结构：

text复制local-task-hub/
├── docs/
│   └── requirements.md
├── package.json
├── server.js
└── data/
    └── tasks.json

package.json 大致如下：

json复制{
  "name": "local-task-hub",
  "version": "1.0.0",
  "main": "server.js",
  "scripts": {
    "start": "node server.js"
  },
  "dependencies": {
    "express": "^4.19.2"
  }
}

server.js 的核心逻辑如下，这段代码展示了 API 的基本实现思路：

javascript复制// 文件路径：server.js
const express = require('express');
const fs = require('fs');
const path = require('path');

const app = express();
const PORT = 3000;
const DATA_DIR = path.join(__dirname, 'data');
const DATA_FILE = path.join(DATA_DIR, 'tasks.json');

app.use(express.json());
app.use(express.static('public'));

// 读取任务列表
function readTasks() {
  if (!fs.existsSync(DATA_FILE)) {
    return [];
  }
  const content = fs.readFileSync(DATA_FILE, 'utf-8');
  return JSON.parse(content);
}

// 写入任务列表
function writeTasks(tasks) {
  if (!fs.existsSync(DATA_DIR)) {
    fs.mkdirSync(DATA_DIR, { recursive: true });
  }
  fs.writeFileSync(DATA_FILE, JSON.stringify(tasks, null, 2));
}

// 获取所有任务
app.get('/api/tasks', (req, res) => {
  res.json(readTasks());
});

// 新增任务
app.post('/api/tasks', (req, res) => {
  const { title } = req.body;
  if (!title || typeof title !== 'string') {
    return res.status(400).json({ error: 'title is required' });
  }
  const tasks = readTasks();
  const task = {
    id: Date.now().toString(),
    title: title.trim(),
    completed: false
  };
  tasks.push(task);
  writeTasks(tasks);
  res.status(201).json(task);
});

// 切换任务完成状态
app.patch('/api/tasks/:id/toggle', (req, res) => {
  const tasks = readTasks();
  const task = tasks.find(t => t.id === req.params.id);
  if (!task) {
    return res.status(404).json({ error: 'task not found' });
  }
  task.completed = !task.completed;
  writeTasks(tasks);
  res.json(task);
});

// 删除任务
app.delete('/api/tasks/:id', (req, res) => {
  let tasks = readTasks();
  const newTasks = tasks.filter(t => t.id !== req.params.id);
  if (tasks.length === newTasks.length) {
    return res.status(404).json({ error: 'task not found' });
  }
  writeTasks(newTasks);
  res.status(204).end();
});

app.listen(PORT, () => {
  console.log(`Task Hub listening on http://localhost:${PORT}`);
});

注意，模型生成的代码大概率不会和上面完全一样，但关键逻辑应该保持一致：读写 JSON 文件、提供四个接口、错误处理合理。如果模型漏掉某个接口，你可以直接继续在对话中补充要求。

4.5 让 Claude Code 生成前端页面

后端完成后，继续在 Claude Code 对话中输入：

text复制接下来请创建前端页面。页面放在 public 目录下，包含 index.html、app.js、style.css。
页面需要实现以下功能：
1. 输入框输入任务标题，点击新增按钮添加到列表。
2. 页面加载时从 GET /api/tasks 获取任务列表并渲染。
3. 每个任务展示标题、完成状态按钮、删除按钮。
4. 点击状态按钮调用 PATCH /api/tasks/:id/toggle。
5. 点击删除按钮调用 DELETE /api/tasks/:id。
6. 样式简洁美观，不需要引入第三方库。

生成后的 public/index.html 和 public/app.js 会构成一个完整的前端页面。其中 app.js 的核心思路如下：

javascript复制// 文件路径：public/app.js
async function loadTasks() {
  const res = await fetch('/api/tasks');
  const tasks = await res.json();
  renderTasks(tasks);
}

function renderTasks(tasks) {
  const list = document.getElementById('task-list');
  list.innerHTML = '';
  tasks.forEach(task => {
    const li = document.createElement('li');
    li.className = task.completed ? 'completed' : '';

    const span = document.createElement('span');
    span.textContent = task.title;

    const toggleBtn = document.createElement('button');
    toggleBtn.textContent = task.completed ? '未完成' : '已完成';
    toggleBtn.addEventListener('click', async () => {
      await fetch(`/api/tasks/${task.id}/toggle`, { method: 'PATCH' });
      loadTasks();
    });

    const deleteBtn = document.createElement('button');
    deleteBtn.textContent = '删除';
    deleteBtn.addEventListener('click', async () => {
      await fetch(`/api/tasks/${task.id}`, { method: 'DELETE' });
      loadTasks();
    });

    li.appendChild(span);
    li.appendChild(toggleBtn);
    li.appendChild(deleteBtn);
    list.appendChild(li);
  });
}

document.getElementById('add-btn').addEventListener('click', async () => {
  const input = document.getElementById('task-input');
  const title = input.value.trim();
  if (!title) return;
  await fetch('/api/tasks', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({ title })
  });
  input.value = '';
  loadTasks();
});

loadTasks();

前端文件生成后，你可以让 Claude Code 继续补全 style.css，或者自己手动美化，不影响功能。

4.6 运行与验证

在 Claude Code 对话中执行：

text复制请帮我安装依赖并启动服务，然后告诉我如何验证。

Claude Code 可能会执行 npm install 和 node server.js。注意，这些命令都会在终端中实际运行，Claude Code 会先请求你的确认。确认后，服务会启动在 3000 端口。

打开浏览器访问：

text复制http://localhost:3000

预期效果：

• 页面标题为任务管理。
• 输入任务标题，点击新增，任务出现在列表里。
• 点击“已完成”按钮，任务文字显示删除线或其他完成样式。
• 点击“删除”按钮，任务从列表消失。
• 刷新页面后，任务仍然保留。

这里有一个隐藏的验证点：data/tasks.json 文件是否被正确生成和写入。任务数据能持久化，说明后端 API 和文件读写逻辑都是正常的。

4.7 在 Claude Code 中做代码修复

实战中最有价值的场景不是让 Claude Code 一次生成完美代码，而是让它参与调试。比如，你试着启动后发现端口被占用，可以在对话中直接说：

text复制服务启动失败，报错信息是 EADDRINUSE，请帮我排查。

Claude Code 会读取终端日志、查看代码、定位问题，然后提出修改方案。如果是端口占用，它会建议修改端口号或杀掉占用进程。这种“发现问题 → 定位问题 → 修改代码 → 重新验证”的循环，才是 Claude Code 和本地大模型组合的真正价值。

5. 常见问题与排查思路

5.1 问题清单

5.2 连接失败排查步骤

遇到 Claude Code 连接失败，不要急着改代码，按顺序检查：

第一步，确认 LiteLLM 是否在运行。用下面的命令请求模型列表：

bash复制curl http://localhost:8080/v1/models

如果能看到模型信息，说明代理正常。

第二步，确认环境变量是否已导出：

bash复制echo $ANTHROPIC_BASE_URL
echo $ANTHROPIC_AUTH_TOKEN

第三步，确认 claude 进程确实读取到了环境变量。如果环境变量是在启动 claude 之后才 export 的，需要关闭 claude 重新启动。

5.3 工具调用能力不足怎么办

本地模型和 Claude 官方模型差距最大的地方就是工具调用。你可能会遇到模型“话很多，但就是不调用工具”的情况。

解决方案有两个方向。第一是换模型，优先选择明确支持 function calling 的模型，比如 Qwen2.5-Coder、Llama 3.1。第二是降低任务复杂度，把大需求拆成小步骤，比如不要一次让它“完成整个项目”，而是“先读取 requirements.md，再创建 package.json，再实现 server.js”。任务越小，模型越容易按预期执行。

6. 最佳实践与工程建议

6.1 模型选择要有取舍

本地模型不是越大越好。7B 模型在中等硬件上可以做到几十秒内响应，14B 模型质量更高但速度更慢，70B 模型对硬件要求很高，日常开发中反而容易因为速度慢而降低效率。

建议以“能跑得动、支持工具调用、代码能力强”为选择标准。编程场景先试 Qwen2.5-Coder 系列，再根据体验决定是否需要换 Llama 或 DeepSeek 系列。模型权重要从正规渠道下载，注意开源协议和商业使用限制。

6.2 用 CLAUDE.md 统一项目上下文

Claude Code 支持在项目根目录放一个 CLAUDE.md 文件，里面写项目说明、代码规范、目录结构、技术栈约定。每次启动会话时，Claude Code 会读取这个文件，让本地模型更快理解项目背景。

一个最小示例：

markdown复制# 项目说明

这是一个基于 Node.js + Express 的任务管理应用。
- 后端入口：server.js
- 前端目录：public
- 数据文件：data/tasks.json
- 接口规范：遵循 RESTful 风格
- 运行端口：3000

写清楚这个文件，可以显著减少模型“猜需求”的概率。

6.3 每次变更都要 review

本地模型生成的代码，不能直接合入主干。即使是简单项目，也要人工检查这几个点：

• 有没有包含意外的高权限操作。
• 有没有把敏感信息硬编码进代码。
• 有没有不受控的文件删除、覆盖逻辑。
• 依赖是否真实存在，版本是否合理。

Claude Code 在终端中拥有执行命令的权限，你必须对它保持“review 思维”。建议每次让 Claude Code 修改完代码后，主动追问一句：“请说明你修改了哪些文件，为什么要这样改。”这既是代码评审，也是反向验证模型理解是否正确。

6.4 环境变量尽量做成项目隔离

不要把所有环境变量都写进全局 shell 配置。建议在项目目录创建 set_env.sh：

bash复制#!/usr/bin/env bash
export ANTHROPIC_BASE_URL="http://localhost:8080"
export ANTHROPIC_AUTH_TOKEN="local-test-token-123"
export ANTHROPIC_MODEL="qwen2.5-coder:7b"

每次进入项目时执行：

bash复制source set_env.sh

这样不会污染其他项目的环境配置，也方便日后切换到不同网关。

6.5 关注安全边界

本地模型并不能自动保证安全。Claude Code 执行 shell 命令时，PowerShell、bash 都可能执行到 rm、curl、docker、git push 等敏感操作。务必注意几点：

• 在项目容器或隔离目录中测试自动命令。
• 不要让 Claude Code 读取生产环境密钥文件。
• API token、数据库密码不要写在项目目录下的代码文件里。
• 如涉及数据库删除、生产环境变更，必须先备份、走审批流程。

6.6 从“小任务闭环”开始

不要第一天就尝试让 Claude Code 和本地模型一口气重写整个业务系统。更合理的路线是：

1. 先写一个 100 行以内的小工具，走通全链路。
2. 再尝试生成一个简单的 CRUD API。
3. 然后加入前端页面，构建完整全栈应用。
4. 最后再扩展到公司真实业务代码。

每完成一个小闭环，都要记录模型在哪个环节表现不好，再针对性调整提示词或模型。

7. 学习建议与下一步方向

如果你成功跑通了上面的任务管理应用，说明你已经掌握了 Claude Code + 本地大模型的核心链路。下一步可以从几个方向继续深入。

第一，研究 MCP 工具扩展。Claude Code 支持通过 MCP 连接外部数据源和工具，例如数据库、文件系统、第三方服务。本地模型配合 MCP，能让智能体拥有更强的自动化能力。

第二，尝试接入 vLLM 或 LM Studio。Ollama 适合快速上手，但 vLLM 在高并发和长文本场景下优势更明显。不同推理框架的协议差异不大，你可以用同样的 LiteLLM 网关思路切换后端。

第三，优化提示词。给 Claude Code 写系统提示词，实际上是在给本地模型写“工作说明书”。你可以把代码规范、commit 风格、测试要求全部写进去，让生成的代码更符合项目口味。

第四，关注工具调用细节。本地模型工具调用能力有限，研究模型支持的工具格式、上下文窗口和指令模板，能帮你减少很多无效尝试。

最后给一个最直接的实操建议：重新建一个空白项目，不要复制本文代码，完全依靠本地 Claude Code 从空目录开始生成。即使最后的代码不如手工写的精致，你也已经走完了“需求 → 计划 → 实现 → 验证 → 修复”的完整智能体开发循环。找到手感之后，再把它用到你正在进行的真实项目里，你会明显感受到这套组合的实用价值。