惭愧啊惭愧，难得测了回Claude Code，闹了个大笑话

惭愧

昨天的文章，用 Claude Code 做了三轮测试，做完后就急着把文章写完，然后就去睡觉了。早晨起来才想起应该看看 sonnet 模型消耗了我多少钱，结果一看傻眼了，一分钱没少。我仔细查了用量明细，测试期间确实没有调用记录。难道我整个测试用的都是 glm？

先说结论，由于环境变量配置的问题，上篇文章中的测试实际使用的均是智普官网 Lite 订阅的 glm-4.7，只不过恰巧第三轮测试的效果非常好，bug极少，样式也还不错，让我真的相信它就是 sonnet 了。

也就是说 glm 的能力上限比我昨天看到的要好，这么看前两轮总是中断，或许就是智普服务的问题了，而不是模型本身的问题，这个还得再测测。

因为测试时打算使用不同的接口和模型，所以我是直接在启动命令前设置了环境变量，误以为这样设置的环境变量优先级会高于配置文件的。

ANTHROPIC_AUTH_TOKEN=sk-or-v1-0a00201fd77654d3e4ed37d8373abf5e008afa03a542e5239ac6fcac42e1c09 ANTHROPIC_BASE_URL=https://openrouter.ai/api ANTHROPIC_DEFAULT_SONNET_MODEL=anthropic/claude-sonnet-4.5 ANTHROPIC_DEFAULT_OPUS_MODEL=anthropic/claude-opus-4.5 ANTHROPIC_DEFAULT_HAIKU_MODEL=anthropic/claude-haiku-4.5 claude

虽然也有不少软件会优先使用这种临时设置的环境变量，但 Claude Code 则选择优先使用配置文件中的设置，于是我的三轮测试用的都是同一个始终如一的配置文件，也就是配了智普官网接口和 key的配置文件。

其实启动 Claude Code 后我也怕配错，进行了验证，但我的验证方法是直接问它你是什么模型，可 Claude Code 是把你配置的模型放到系统提示词里了，所以它总是会回答自己是你配的模型，而不是它实际的模型。

英伟达的接口因为不兼容，还用 LiteLLM 中转了一下，要是当时看眼 LiteLLM 的日志其实也能发现。不过既然已经出问题了，我就把没测到的，再重新测一遍吧。这次我通过 OpenRouter 的用量明细，以及 LiteLLM 的日志，确认使用的模型没错了。

于是我现在有了五份测试：

• 昨天的三份都是用的智普官方的Lite订阅，模型是glm4.7，
• 第四轮测试是英伟达提供的免费 glm4.7，
• 第五轮测试用的是 OpenRouter 的 Sonnet4.5。

第四轮 英伟达 glm

英伟达的 glm 还是比较稳定，开发中就中断了一次。不过到最后测试环节时，上下文超限导致接口报错了，这个在其他测试中没遇到过。我执行了 /compact 命令压缩了上下文后，让它继续，倒也顺利完成了。

上面就是成品截图，也让它用 frontend-design 了，但这配色还有这黑线框实在没法说它好，一些交互和动画效果也不行，Bug 跟一二轮测试差不多。总体来说只是稳定性比智普强，看来智普的服务最近是有些问题。

第五轮 Claude Sonnet

Sonnet4.5 的测试一切都很顺利，中间没有中断，跑了足足38分钟。

但质量确实不如昨天第三轮，也有一些 bug，UI 倒也不算难看，可是整个页面把我的鼠标隐藏了，也是挺奇葩的，然后一些交互动画不太好，导致页面元素总在晃动。虽说都不难改，但确实不如昨天第三轮测试。

上面是成品截图，看着还行是吧。不过 sonnet 模型最大的问题就是贵，这个半个多小时，烧了我$7.5，一般场景我是真舍不得用啊。

所以还是想感慨下昨天的第三轮，完成度太高了，不能怪我没发现异常，只能说智普的 glm 上限还是挺高的，只是需要碰碰运气。

总结

最后综合一下，给这五轮测试打个分吧：

模型	稳定性	质量	UI
官方glm4.7	⭐️⭐️	⭐️⭐️⭐️	⭐️⭐️
官方glm4.7	⭐️⭐️	⭐️⭐️⭐️	⭐️⭐️⭐️
官方glm4.7	⭐️⭐️⭐️⭐️⭐️	⭐️⭐️⭐️⭐️⭐️	⭐️⭐️⭐️⭐️
英伟达glm4.7	⭐️⭐️⭐️⭐️	⭐️⭐️⭐️	⭐️⭐️
Sonnet4.5	⭐️⭐️⭐️⭐️⭐️	⭐️⭐️⭐️⭐️	⭐️⭐️⭐️

看看评分，我还是很在意 glm 的稳定性，于是等到晚上，应该是使用的低峰期了，我又测了几遍智普的 glm，基本上都是20分钟左右完成，并且没有中断，看来还是智普服务的问题。至于生成质量还是一般，跟一二四轮测试差不多。

那么总的来说，智普 glm 模型的水平比我昨天的结论还要更高一些了，就是服务稳定性可能近期会差些，输出质量也不稳定，那正常水平究竟如何，可能得长期观察下了。不过这么一来总体上还是推荐的，毕竟一年不到200的价格在那了，还是足够保底的。

我这个测试设计的比较随意，除了最开始的游戏规则，中间没再干预过。如果再优化下 PRD 和提示词，理论上效果还能更好些，但对于这个对比测试不是必要的。后面我自己正式开发，还是要研究下怎么优化的，后续再聊吧。