Claude Code 国内安装指南:用 CC Switch 绕过登录防封号

国内稳定使用 Claude Code 的安装、绕登录、权限与提示词实操指南
文章基于 B 站 UP 主的实操演示,梳理 Claude Code 在国内的完整使用流程。安装环节指出官方 curl/irm 命令易因网络与权限问题失败,推荐改用 NPM 安装并提前装好 Git、Node.js 与科学上网工具。登录环节强调安装后先用 `claude --version` 验证,不要直接登录,而应通过开源工具 CC Switch 修改本地配置文件、接入 DeepSeek、Kimi、GLM 等第三方模型 API,从而绕开官方账户、降低封号风险。文章还详解了四种权限模式的差异与选用策略,推荐新手用默认模式、真实项目优先用 Plan Mode,并说明提示词需包含角色、目标、技术约束与验收标准,最后回应了 token 消耗、模型选择、中文支持等常见疑问。
Claude Code 是 Anthropic 推出的代理编码工具,能读取代码库、编辑文件、运行命令,并与开发工具深度集成。对程序员来说,它相当于一个垂直领域的智能体,专门处理编程任务。但在国内使用时,很多开发者卡在安装和登录环节,甚至面临账号被封的风险。这篇教程综合 B 站 UP 主的实操演示,拆解从安装到权限配置的完整流程,重点介绍如何通过 CC Switch 工具绕开官方账户登录,实现稳定使用。
安装前的准备:避开官方安装的坑
为什么不建议用官方文档的安装命令
打开 Claude Code 官网,能看到它提供了几种安装方式,通常是一行 curl 或 irm 命令。但据 UP 主实测,在国内网络环境下,这些命令大概率会报一堆权限错误,安装不成功。即便开了科学上网工具,部分运营商网络限制也可能导致失败。

Claude Code 官方安装方式通常走 curl -fsSL https://claude.ai/install.sh | bash 或 Windows 下的 irm https://claude.ai/install.ps1 | iex,本质上是从境外服务器下载安装脚本并由 shell 或 PowerShell 直接执行。国内网络访问该域名时常被重定向、超时或返回不完整内容,脚本执行到中途就会因文件缺失、目录权限不足而报错。Windows 默认的 PowerShell 执行策略(ExecutionPolicy)还会拦截远程脚本,进一步放大了失败概率。NPM 安装之所以稳定,是因为 npm 源可以走国内镜像(如 npmmirror),且包管理器会处理依赖、权限与版本校验,失败时能给出明确错误信息,便于排查。
推荐用 NPM 方式安装
UP 主强烈建议改用 NPM 安装,成功率极高,给非程序员同事安装也基本没失败过。安装前需要做三件事:
- 安装 Git 工具(傻瓜式下一步);
- 安装 Node.js(同样傻瓜式,只需改一下安装目录);
- 开启科学上网工具。
然后在命令行运行 npm install -g @anthropic-ai/claude-code。这条命令是唯一需要科学上网的环节,后续步骤不再需要。
绕过登录:CC Switch 的配置方法
安装后先别登录
安装完成后,不要直接输入 claude 登录。先输入 claude --version 验证版本,能显示版本号就说明安装成功。如果直接登录,官网会要求你选择 Claude 订阅、Claude Console 账户或受支持的运行方案,一旦涉及账户登录,后续就可能不定期被封号。
CC Switch 是什么
CC Switch 是一个开源小工具,本质是帮你修改 Claude Code 的本地配置文件(默认在用户目录下的 .claude 文件夹,如 settings.json),让你可以自由切换模型供应商,同时绕开账户登录。它本身不需要登录,也不需要 Claude 订阅,更不会额外消耗 token——只是改配置,不做别的。

Claude Code 的配置采用分层结构:用户级配置位于 ~/.claude/settings.json,项目级配置位于项目根目录的 .claude/settings.json,环境变量与模型端点通常在 env 字段中声明,例如 ANTHROPIC_BASE_URL、ANTHROPIC_AUTH_TOKEN 等。只要这些字段指向兼容 Anthropic API 协议的服务端,Claude Code 就不会走官方登录流程。所谓“兼容协议”,是指第三方服务实现了与 Anthropic Messages API 相同的请求和响应格式,因此客户端无需改动即可调用。CC Switch 做的就是可视化管理这些字段,把手工编辑 JSON 的过程变成图形化切换,降低误配置风险。
配置步骤
从 GitHub 或官网下载 CC Switch 的安装包(Windows 下是 exe),直接安装。打开后界面会列出可配置的 agent,点击加号选择模型供应商,比如 DeepSeek广告、Kimi K3、GLM 等,填入对应的 API Key,点添加并启用。配置好后,再回到命令行输入 claude 进行登录,此时基本不会被封号。UP 主从安装第一天起一直用这种方式,从未被封。
关键点:Claude Code 只是一个编程 agent,不强制使用 Claude 模型。只要模型提供商提供 API 接口,DeepSeek、Kimi、GLM 甚至小米的模型都可以接入。
权限模式:控制 agent 的行为边界
四种模式的区别
Claude Code 在执行任务时需要用户授权,提供了四种权限模式,用 Shift + Tab 切换:
- 默认模式(Manual Approval):只读操作直接放行,修改代码或执行命令会弹出确认框。
- Accept Edits On:文件修改直接放行,执行命令仍需确认。
- Plan Mode On:先做任务规划、澄清需求、确认技术栈,生成文档让你审阅,确认后再动手写代码。
- Auto Mode On:所有操作全部放行,没有任何确认框。

权限模式背后对应的是 Claude Code 的工具调用审批机制。当模型决定调用写文件、执行 shell 命令等具有副作用的工具时,客户端会拦截该请求并等待用户确认;只读类工具(如读取文件、搜索代码)则按模式规则决定是否放行。这种设计借鉴了“人在回路”(human-in-the-loop)的智能体安全范式:把不可逆操作交由人把关,把可逆或只读操作自动化。Auto Mode 之所以风险高,是因为它取消了这道闸门,模型一旦误解需求或产生幻觉,错误会直接落到磁盘和命令执行层面,且难以追溯是哪一步出的问题。
推荐的使用策略
UP 主建议新手始终从默认模式开始,虽然需要频繁点 yes 稍显麻烦,但每一步都在控制范围内。等对工具足够熟练、模型也记住了你的代码规范后,可以切换到 Accept Edits On。Auto Mode On 权限太大,干出来的东西可能是错的,一般不推荐。
特别值得一提的是 Plan Mode On。传统开发流程是先开会讨论需求、做数据库和架构设计、再分配任务,而直接让 agent 写代码往往缺少规划,干到一半发现方向错了,时间和 token 都浪费了。Plan Mode 强制先产出文档,你审阅确认后再执行,更适合真实项目。
提示词写法:别把 agent 当许愿池
简单一句话的局限
UP 主演示了输入“帮我做一个贪吃蛇小游戏”,Claude Code 确实能生成可运行的游戏。但这种写法在真实生产环境中效果会非常差:没有限定技术选型,没有添加任何约束,生成后的修改效率低,耗费更多时间和 token。
结构化提示词的要素
更合理的做法是给 agent 一个明确定位和约束。比如:你是一个资深前端工程师,请在当前工作环境生成一个可直接运行的贪吃蛇小游戏;目标是使用尽可能少的依赖、清晰可读的代码、优先保证可维护和可扩展;不要过度设计、不引入复杂架构;再列出功能需求、代码质量要求和工作流程。把这些写清楚,生成结果才会符合规范。
在智能体语境下,提示词不只是“提问”,而是对任务空间的约束定义。角色设定影响模型调用哪些先验知识;技术选型约束缩小了搜索空间,避免模型自由发挥引入不必要依赖;验收标准则给了模型自我检查的依据。业界常把这类写法归纳为“上下文工程”(context engineering),核心是把隐式预期显式化。对编程 agent 而言,一份结构化提示词相当于一份轻量需求文档,既提升首次生成质量,也让后续迭代有据可依,减少反复澄清带来的 token 开销。
非程序员能靠它做项目吗
UP 主直言,网上有人说非程序员用编程 agent 就能做出很好的项目,“纯扯淡”。做小东西自己玩没问题,但要做成能上线、有商业价值的项目,非程序员很难搞定,即便搞出来,消耗的 token 和时间也会非常大。编程 agent 替代的是执行者的工作,但项目设计、架构选型、需求定义和验收标准,仍然需要人来完成。
常见问题答疑
用 CC Switch 会增加 token 消耗吗? 不会,它只修改本地配置文件,不介入模型调用。
必须用 Claude 官方模型吗? 不必。Claude Code 是 agent 工具,模型可以随意切换,国内 DeepSeek、Kimi、GLM 等能力已经很强,满足日常写代码、梳理文档、分析需求完全够用。
中文支持怎么样? UP 主用 DeepSeek 作为后端模型,在项目开发中未遇到中文理解或匹配问题,主流大模型对中文的支持都还可以。
用 CC Switch 还是 Codex? 两者都是 agent 工具,没有强制性,用哪个熟悉就用哪个。
相关推荐

ReLU网络集合的闭性新证:单隐层弱闭,双隐层非闭
新研究证明单隐层ReLU网络集合在W^{1,p}中弱闭,保证Deep Ritz等方法解的存在性;而双隐层网络集合非闭,推翻已有猜想。

FlowMoP:随机多人运动预测新框架
FlowMoP提出条件流匹配框架,联合生成多个智能体的多样化未来运动,通过B样条重参数化与双流Transformer实现交互感知预测,在CMU-Mocap和3DPW上超越确定性基线,并建立WorldPose首个运动预测基线。

分级卷积网络:无需尺度参数的尺度不变性与抗模糊鲁棒性
分级卷积网络利用图像高斯射流的分级向量空间结构,通过回缩操作实现无需尺度参数的尺度不变性,并在未知高斯模糊下显著提升鲁棒性。MNIST实验显示,两像素模糊下准确率保持88.4%,优于尺度归一化导数的66.2%。