Пользователь считает, что Codex и Kimi быстрее работают по выходным, но доказательств мало

### 用 2 小时或一个完整的周末，我应该构建什么？ 🔍 信号：三个独立来源在 24 小时内验证了同一个切入点。Anthropic 将 Claude Code 从 Pro 计划中移除（413 HN 点 / 420 评论）是定价冲击。Kimi K2.6（695 HN 点）+ Product Hunt 第 3 名 286 票 + Google 趋势 +900% + HuggingFace 趋势分 710 是有跨来源验证的替代品。Tell HN："我受够了 AI 一切" 212 点是文化掩护——读者已经把这件事框架为"离开一个过度定价的 AI 工具栈"，而非"购买另一个 AI 工具"。 最佳 2 小时方案：KimiSwitch —— 单命令迁移 CLI。检测当前仓库中的 Claude Code 用法（读取 `CLAUDE.md`、`.claude/settings.json` 或最近的 shell 历史），生成开箱即用的配置对：`aider.conf` 路由至 Kimi K2.6 的 API 兼容端点，加上 `kimi-env.sh` 设置 `ANTHROPIC_BASE_URL` 让现有 SDK 调用透明重定向。输出三行费用对比：当前 Pro 计划支出、Max 计划费用、以及预计 Kimi K2.6 月费用。作为 `npx kimiswitch` 发布，开源，200 行 Python + TypeScript。 为什么今天选它：420 条评论的 HN 帖子是免费工具的直接分发渠道，Kimi K2.6 的替代在 24 小时内有四个独立验证来源。分发是免费的：在 @JamesMcMinn 的提交 下方回复 GitHub 链接，趁帖子还在首页。 为什么不选另外两个： [...] 为什么不选另外两个： `opensre` 托管版本 —— SRE-agent 品类正在兴起，但 $29/月 天花板低于 Claude Code 迁移每个席位立即节省 $60–90 的切入楔形。 CrabTrap 风格的 agent 安全代理 —— LLM-as-judge 模式很有吸引力，但买家（企业安全团队）的销售周期比看 4 月账单的独立开发者长。 周末延伸：增加 $29/月 团队版，提供每周"你的供应商定价又变了吗？"跨 Claude、Codex、Cursor 和 Kimi

本页示例默认使用最新模型 `kimi-k3`。K3 使用请求顶层 `reasoning_effort` 配置推理强度（支持 `"low"` / `"high"` / `"max"`，默认 `"max"`）。换用 `kimi-k2.6`、`kimi-k2.5` 等其他模型时，只需替换 `model` 字段，但各模型的参数配置存在差异，详见模型参数参考。 如果你希望使用编程场景的高速模型，可将示例中的 `kimi-k3` 替换为 `kimi-k2.7-code-highspeed`；如果要调用 Kimi K2.6，则替换为 `kimi-k2.6`。 python curl node.js ``` import os from openai import OpenAI client = OpenAI( api_key=os.environ["MOONSHOT_API_KEY"], base_url=" ) completion = client.chat.completions.create( model="kimi-k3", messages=[ {"role": "system", "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。"}, {"role": "user", "content": "你好，我叫李雷，1+1等于多少？"} ] ) print(completion.choices.message.content) ``` [...] ## Kimi API 开放平台 登录开放平台，进入控制台、开发工作台和用户中心。 ## API Keys 创建、复制和管理用于 API 调用的密钥。 2 选择模型 作为快速开始入口，建议优先从 Kimi K3 开始；也可以根据场景选择 Kimi K2.7 Code 或 Kimi K2.6。 ## Kimi K3 Kimi K3 是面向长程编程与端到端知识工作的旗舰模型——2.8 万亿参数、1M tok

模型上新推荐 `k3-256k`全新上线，256k上下文内效果相同, `k3`（1M）消耗约为 `k3-256k` 两倍，适合日常问答、代码补全、常规功能开发、单文件或少量文件修场景，不支持视频输入。如从 `k3`（1M 版本）切换至 `k3-256k`，建议先压缩上下文再切换。 | 菜单显示名（建议） | 实际请求模型 | 上下文窗口 | --- | `K3` | `k3` | `1048576`（无 1M 权限时填 `262144`） | | `K3-256K` | `k3-256k` | `262144` | | `K2.7 Code` | `kimi-for-coding` | `262144` | | `K2.7 Code HighSpeed` | `kimi-for-coding-highspeed` | `262144` | 同时确认以下高级配置： | 配置项 | 值 | --- | | 上游格式 | `Chat Completions（需开启路由）` | | 提示词缓存路由 | `自动（推荐）` | | 支持思考模式 | 开启（必须开启，关闭后 K3 和 K2.7 Code 都会被路由到 K2.6） | | 支持思考等级 | 开启 | 1. 确认无误后，点击右下角的 添加。 ## 第三步：启用 Kimi For Coding Provider ​ 添加完成后返回 Codex 供应商列表，在刚添加的 Kimi For Coding Provider 上点击 启用。 Kimi For Coding 是 Codex Tab 中当前启用的 Provider； CC Switch 的本地路由正在运行； Codex 路由开关处于开启状态。 ## 第四步：启动 Codex CLI ​ [...] ## 会员权限 ​ 配置前先了解自己的会员档位，再根据下表选择合适的模型和上下文窗口参数： | 会员档位 | 可用模型 | 上下文窗口 | --- | Andante | `kimi-for-coding` | 256K | | Moderato | `k3` `k3-256k` `kimi-for-coding` | 均为 256K | | Allegretto 及以上 | `k3` `k3-256k` `kimi-for-codi

## 使用 Kimi API 的優點 在 Cursor API 工作流程中使用 Kimi,可以提升編碼、除錯與開發任務的效率。它的進階能力有助於產生準確的回應、處理複雜的指令,並加速問題解決。以下是在 Cursor 工作流程中使用 Kimi 以提升生產力與效率的主要優點。 長情境程式碼理解 Kimi 可以一次處理大量的程式碼與資訊,更有效地辨識不同檔案與專案區塊之間的關聯。因此,處理大型或複雜的程式碼庫會變得容易許多。 更好的文件與儲存庫分析 使用 Kimi 可以快速檢視專案文件、技術筆記與儲存庫,不必逐一翻閱每個檔案就能更容易找到重要細節。開發者能在更短的時間內對整個專案有更清楚的了解。 具成本效益的 AI 開發 Kimi 為許多開發任務提供了實用且經濟的選擇。即使不完全依賴成本較高的模型,也能獲得強大的 AI 支援。團隊可以在提升整體生產力的同時,更妥善地控管支出。 有了 Kimi,重複性的開發任務會變得更容易管理與完成。它可以協助程式碼生成、內容審查與例行專案作業,讓日常工作流程長期保持有條理、高效且更具生產力。 ## Codex 如何改善開發工作流程 配置完成的 Codex CLI API 工作流程,能將儲存庫檢視、編輯、指令執行與審查整合在同一個情境中。Codex 可以搭建檔案架構、解釋不熟悉的模組、重現失敗情形、提出測試建議,並執行已核准的檢查。支援外部 provider 增加了模型選擇的彈性,但並不會減少審查的責任。 每項任務都應從明確而具體的目標開始。在編輯前先請 Codex 進行檢視,審查它提出的變更,只核准你理解的指令,執行儲存庫的測試,並檢查最終的差異(diff)。在通過審查與驗證之前,應將產生的程式碼視為未經信任的貢獻內容。 [...] 企業方案體驗 Kimi # Codex API 整合：完整設定指南 將 Codex API 連接到內建或外部的 AI 模型，設定安全的本機相容層，並測試完整的程式編寫工作流程。這份適合新手的指南分別提供 macOS 與 Windows 的操作路徑，並以 Kimi API 作為實際範例。 將 Codex 連接到 Kimi API 閱讀時長：13分鐘2026-07-24 將外部模型連接到 Codex 是一個複雜的過程。本指南以 Kimi API 作為實作範例，帶你完成在 ma

# Thread 886 views miantiao.me's profile picture miantiao.me Kimi For Coding 默认不能在 Codex 中使用，你按下方配置后可在 Codex 使用。 但是这样会被官方视为滥用和违规，不知道是基于什么考虑，其他 Coding 套餐都在变着法的教用户配置。 Translate 1 1 Log in or sign up for ThreadsSee what people are talking about and join the conversation. Log in with username instead

而单模型的风险，远比你想的更贵（Agitate）。 最近全网都在聊 loop engineering——让 AI 自己循环着把活干完。硅谷大佬一个接一个地吹，可另一边一堆人在骂：有人一夜烧掉 6000 刀，有人一个周末烧掉 4200，还有人干脆说"还不如我自己写"。同一个东西，一半人捧上天，一半人骂惨，为什么？因为一个没有标准的 loop 是废的，它根本不知道自己什么时候该停，你只能眼睁睁看它一圈一圈地转、一圈一圈地烧钱烧脑，到最后还不如自己动手。说白了，loop engineering 到底跟你有没有关系，取决于你有没有先搞懂一件事——基本功。 所以这期视频给的解法很直接（Solution）：用一段 Master Prompt，3 分钟让 Codex 接管你所有 Claude Code 的项目、Skill 和记忆，立刻武装起来开工。 具体怎么做？ 第一步，在 VS Code 里打开你的项目文件夹。比如我们的"刀姐 ContentOS"，里面已经沉淀了写 YouTube 脚本的 Skill、长视频转短视频的 Skill、repurpose 到 Instagram / LinkedIn / Newsletter / TikTok 的社媒 Skill，还有 YouTube 粗剪细剪等一整套做事方法。Skill 是通用的，你以前积累的所有技能和项目结构，换成 Codex 马上就能接力使用。 [...] 最关键的是，你现在正在看的这条视频，本身就是交给 Codex 里的 Sol 做的。 配合 HeyGen 开源的 Hyperframes，从脚本、分镜、配音、数字分身到一幕一幕的视频草稿，我没有帮它补做任何一步。它做的第一件事不是动手，而是把项目里的说明和 Skill 一个一个读了一遍——这些正是我们之前在 Claude Code 里积累下来的做事方法。读完，它就按我们的流程先写脚本、再拆分镜、做出可直接审核的分镜页面，然后是配音、数字分身和视频草稿。这套流程不是我现场教它的，全部来自项目里现成的 Skill。做到最后，Codex 的额度也被烧完了，这很正常，长视频本来就特别吃额度，前面 Claude 也是这么用完的——而这，恰恰说明了"多一套能接力的系统"有多重要。 最后，我们算一笔真实的账。 Claude Code 做这样一期视频，花了 950 多万个 Token：先让