因为平时做题 复现需要agent的辅助提高效率 所以这两天部署了claude的桌面版

之前是用的安装在vscode的claude插件（这次先说桌面版的部署）

首先要下个claude桌面版

感觉有点废话要用肯定要下

https://claude.com/

进入后点右上角 进入下载桌面版（需要科学上网）

不科学上网的话

有不用的方法（我就用的这个）

可以看看这个视频

https://www.bilibili.com/video/BV1DAGj6bEN3?vd_source=3cc00337e88c037eede40c011748123b

下载链接

https://pan.baidu.com/s/1kJluIplg1DfHk24t-uONkA?pwd=7txg

deepseek的api key

进入deepseek

记得复制key 之后会用到

下载ccswitch

Releases · farion1231/cc-switch

根据电脑版本选择版本

下面是ccswitch路由咋调

同时导入deepseek的api key

确认下deepseek是不是在第2个位置 就是第2个cloude图标位置 像我上面一样

这时就可以用了

我个人为了方便加了汉化

汉化

javaht/claude-desktop-zh-cn: Claude Desktop Chinese Patch (macOS & Windows)

这个感觉挺好的 挺方便 下载即用

Logo
智能体开发者社区

中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。

更多推荐

MCP协议开发实战：从零搭建AI Agent工具链

创建静态资源（如项目 README 文件）。创建动态资源（如实时系统状态）。在 Client 中请求并利用资源上下文。回顾 MCP 协议如何降低 AI Agent 开发门槛。当前生态的局限与未来的演进方向。鼓励读者基于此大纲进行实践，并参与开源贡献。

avatar 智能体开发者社区

AI Agent可观测性：破解多步推理黑盒

随着AI Agent在复杂任务中承担越来越多的决策角色，其内部的多步推理过程往往如同一个“黑盒”，难以理解、调试和信任。本文旨在探讨AI Agent可观测性（Observability）的核心概念、技术挑战与实践方案，为开发者提供一套系统的方法论和工具链，以“照亮”Agent的推理黑盒，实现对其行为、决策逻辑与内部状态的全面洞察。构建AI Agent的可观测性体系不再是“锦上添花”，而是保障其在大

avatar 智能体开发者社区

MCP协议开发实战：从零搭建AI Agent工具链

回顾：我们从协议概念到动手搭建了一个可用的MCP工具链。MCP的生态现状：官方与社区提供的Server示例（GitHub, Jira, Notion等）。未来方向：更复杂的工具编排、多模型协作、可视化工具开发平台。鼓励动手：鼓励读者基于此框架，开发解决自己实际问题的工具。

avatar 智能体开发者社区