几天前，Kimi 推出了 Kimi-K2 Thinking 这个模型。

据称，该模型是 Kimi 首个思考型模型，可以在没有人工干预的情况下执行多达 200 – 300 次连续工具调用，在数百个步骤中连贯地推理以解决复杂问题。

该模型开源了权重，模型参数量为1T，和 Kimi-K2 保持一致。

技术上没什么亮点，大致上是在 Kimi-K2 的技术上，引入了类似 DeepSeek-R1 的思维链，并强化了工具调用等智能体能力。

根据其技术博客披露的性能指标，在推理、搜索、编码数据集上，整体保持和 GPT-5 和 Claude 4.5 相近的水准。

具体使用

该模型已经在其官网上线[3]，在官网选择 K2 模型，开启长思考模式，调用的就是K2-Thinking的模型。

下面来实际测试一下其代码编写能力，选择的工具是 Kimi 自家的 Kimi CLI，用他们自家的工具调自家的模型，理论上能充分发挥其潜力。

安装工具

目前Kimi CLI仅支持 Mac 和 Linux，不支持 Windows。

下面在 Mac 上进行安装，参考文档[4]，用 uv 安装 Kimi CLI：

uv tool install --python 3.13 kimi-cli

添加环境变量，下面用户名zstar改成自己的用户名

echo 'export PATH="/Users/zstar/.local/bin:$PATH"' >> ~/.zshrc
source ~/.zshrc

验证版本，如果正常输出版本号，则表明安装成功

kimi --version

具体测试

命令行输入kimi，即可启动CLI。

输入/setup，进行设置，这里有三个选项：

• Kimi For Coding：专供 Kimi 的月卡VIP用户

• moonshot.cn：国内的 API 接口

• moonshot.ai: 国外的 API 接口

选择第二项，填入开放平台注册的 API Key，选择kimi-k2-thinking这款模型。

下面来测试一个具体任务，让它写一个大模型聊天界面，这个提示词在之前评测Claude Code 的文章中测试过，其大概花费 10 分钟完成。

提示词内容：

请帮我设计一个基于React的类OpenAI聊天界面，需满足以下功能：
1. **用户配置模块**
- 提供API Key输入框（支持本地存储，避免重复填写）
- 支持选择siliconflow平台的模型和参数（temperature、max_tokens信息)

2. **对话交互界面**
- 仿ChatGPT的聊天布局：左侧历史会话列表，右侧主聊天区
- 支持多轮对话，保留上下文（通过messages数组传递历史记录）
- 实现流式响应（逐字输出效果），使用Server-Sent Events或OpenAI的stream参数

3. **功能增强**
- 消息Markdown渲染（代码高亮、链接解析等）
- 一键复制回复内容
- 响应耗时统计与token用量显示

4. **错误处理与状态管理**
- 网络错误、API限流等异常提示
- 加载状态动画（如发送中、流式响应时）

5. **技术栈建议**
- UI库：Ant Design或Material-UI
- 状态管理：Zustand或Context API
- 流式处理：使用`openai`库的`stream`参数或自定义SSE连接

**附加要求：**
- 提供完整的React Hooks实现方案
- 优先考虑TypeScript类型安全
- 兼容移动端布局
- 提供完整的readme.md文档

kimi CLI输出的内容会比Claude Code详细不少，每一步用了什么工具都列的比较清晰。

但速度是在是太慢了，似乎每一步都是深思熟虑的thinking之后才做决定，大概花费了30分钟才执行完毕。

运行一下效果，界面如下：

界面的美观度中规中矩，不算漂亮，但基本合格。

但点击聊天界面，不显示对话框内容，存在bug。

再让它对此现象进行修复，又迭代了一轮，未能成功修复，无法测试功能是否正常。

去控制台[5] 看了下请求明细，发现一轮交互会多次调用模型，每次交互输入 2w多 Tokens。

为了节省成本，API平台往往会把多轮交互的相同上下文做一个缓存(Cache)，看了下账单，缓存的费用占了大头。

两轮交互共花费 ￥2.32，比国外的模型便宜，但成本依然不低。

讨论

总体实验下来，K2-Thinking 的实际价值不高，慢和贵是主要问题。

下面对比一下 kimi 和 deepseek 的模型定价：

上图中，kimi-k2-thinking-turbo是kimi-k2-thinking的高速版本。

相比之下，kimi模型的上下文长度更长，价格要贵不少。

K2-Thinking 就像一个非常保守的模型，每一步似乎都要“三思而后行”。

聪明的智能体应该要决定哪些情况应该思考，哪些情况可以直接去做，否则，就成了无意义的资源消耗。

 最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接👇👇
​​

为什么我要说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓