分类 人工智能 下的文章

Claude Code 无限循环持续编程 直达教程

一、先开最高无限制权限(必开)

运行内直接发这句,彻底取消所有确认拦截

plaintext

/yolo
 

再确认权限全开

plaintext

/permissions mode bypassPermissions
 

二、核心无限循环指令(直接复制发)

  1. 全自动无限迭代版(最强)

plaintext

接下来你进入无限持续编程模式:

  1. 不停自主分析代码问题、优化逻辑、补全功能
  2. 发现BUG立刻自动修复,不用我提醒
  3. 自动补全缺失代码、完善结构、优化写法
  4. 全程自己循环运行、自测、调整
  5. 一直持续迭代,直到完整实现最终目标效果为止
  6. 中途不需要我任何干预、不需要询问确认
  7. 达标后再主动停止并总结成果
    现在直接开始持续循环开发
     
  8. 精简极简循环指令(好用)

plaintext

无限循环自主编写调试代码,持续完善项目,自动改错、自动补全、自动优化,不停迭代直到完全达成目标效果,全程自主运行无需我操作。
 

三、强制不间断规则(防止中途停下)

加这句锁死不停工

plaintext

禁止主动停止、禁止询问是否继续、禁止暂停,一直循环开发调试,没达到最终效果绝对不能停下。
 

四、中途控制

  • 暂停停下:直接发: 立刻停止所有循环开发 
  • 加快节奏:发: 加快迭代速度,快速完善 
  • 严格按需求死磕: 严格按照目标死循环打磨,做到完美为止 

五、搭配自动提交(边写边存GitHub)

循环同时自动提交代码

plaintext

每次迭代完成自动执行git提交推送,保存所有修改
 

原理

开启 yolo 无权限拦截 + 强制无限迭代指令
Claude 会自主自测→改错→补代码→优化→反复循环,全自动跑到成品为止。

1、科学上网设置代理,建议用美国的地址
终端输入
export http_proxy=192.168.222.162:7890
export https_proxy=192.168.222.162:7890
2、打开claude的官网找到一键安装脚本:https://claude.com/product/claude-code会适配你的系统自动提供安装脚本
3、在终端直接执行脚本往往会假成功,由于网络的原因。所以将一键安装脚本拆解
一键安装脚本:curl -fsSL https://claude.ai/install.sh | bash
拆解为:
wget https://claude.ai/install.sh
bash install.sh
注:该安装脚本会在家目录的.claude/downloads下面下载最新版的claude code,如果直接执行一键安装脚本,往往会由于网络超时,不下载安装文件,直接跳转到安装成功提示,实际上是没有安装成功。
4、实际上下载的这个文件就是claude的二进制运行文件

既然知道了它的逻辑,我们不需要强行跑这个脚本,直接把它的底层逻辑拆解出来,在 Ubuntu 上用绝对能成功的方式手动执行:

第一步:安装必须的依赖(解决 jq 和网络证书问题)
Bash
sudo apt-get update
sudo apt-get install -y curl jq ca-certificates
第二步:手动下载并解压官方最新二进制文件
我们跳过脚本复杂的正则匹配,直接获取下载地址:

Bash

  1. 获取最新版本号
    VERSION=$(curl -fsSL https://downloads.claude.ai/claude-code-releases/latest)
  2. 自动检测你的系统架构 (x86_64 或 arm64)
    ARCH=$(uname -m)
    if [ "$ARCH" = "x86_64" ]; then PLATFORM="linux-x64"; else PLATFORM="linux-arm64"; fi
  3. 创建临时目录并下载
    mkdir -p ~/.claude/downloads
    curl -fL -o ~/.claude/downloads/claude "https://downloads.claude.ai/claude-code-releases/${VERSION}/${PLATFORM}/claude"
    第三步:正确放置到系统路径(关键)
    为了让你在任何地方输入 claude 都能用,且不需要配置复杂的环境变量,直接把它放到 Ubuntu 专用的用户本地目录:

Bash

  1. 确保用户本地 bin 目录存在
    mkdir -p ~/.local/bin
  2. 移动并赋予执行权限
    mv ~/.claude/downloads/claude ~/.local/bin/
    chmod +x ~/.local/bin/claude
  3. 清理临时目录
    rm -rf ~/.claude/downloads
    第四步:刷新环境变量
    确保你的系统能够识别 ~/.local/bin 路径:

Bash
如果没有加过,把它加到 .bashrc 中
if [[ ":$PATH:" != *":$HOME/.local/bin:"* ]]; then

echo 'export PATH="$HOME/.local/bin:$PATH"' >> ~/.bashrc

fi
source ~/.bashrc
验证安装
现在在终端直接输入:

Bash
claude -v
只要能正常输出版本号,就说明安装完全成功。接着输入 claude 就会正式进入登录和初始化流程。

安装ccswitch用于模型切换

方法一:安装图形界面桌面端(GUI 推荐)
官方为 Linux 系统提供了 .deb 安装包或 AppImage。

  1. 快捷一键下载安装(以目前最新的 v3.15.0 为例)
    打开终端,运行以下命令自动下载并安装适用于 Ubuntu (x86_64) 的 .deb 包:

Bash

创建临时目录并下载 deb 包

cd /tmp
curl -LO https://github.com/farion1231/cc-switch/releases/download/v3.15.0/CC-Switch-v3.15.0-Linux-x86_64.deb

使用 apt 安装(可自动处理依赖)

sudo apt install ./CC-Switch-v3.15.0-Linux-x86_64.deb -y
💡 提示:如果是 ARM64 架构(例如树莓派或 ARM 架构云服务器),请将链接中的 x64 改为 arm64。

安装完成后,你可以在 Ubuntu 的应用菜单中搜索 CC-Switch 直接点击启动。

方法二:安装命令行版本(CLI)
如果你在没有图形界面的 Ubuntu 服务器(Headless)上工作,或者习惯在终端完成所有操作,官方提供了专门的 cc-switch-cli 工具,通常通过 npm 全局安装:

  1. 前置环境检查
    确保你已经安装了 Node.js(推荐使用你的系统上已经配好的环境,Node 18+ 即可):

Bash
node -v
npm -v

  1. 全局安装客户端
    Bash
    npm install -g @saladday/cc-switch-cli
    ⚠️ 注意:如果遇到权限报错(Permission Denied),建议配置终端用户目录免 sudo(见上一轮提及的 ~/.npm-global 方法),或者使用 sudo npm install -g @saladday/cc-switch-cli --allow-root。
  2. 常用 CLI 操作命令
    安装成功后,在终端直接输入 cc-switch 即可查看帮助。以下是一些高频操作:

查看当前的 API 提供商:

Bash
cc-switch provider current
一键切换到其他配置(如你在 GUI 中设置好的备份节点或自定义路由):

Bash

cc-switch provider switch <provider_id>
```
  • 检测当前环境是否存在变量冲突:
    cc-switch env check --app claude

🛠️ 常见问题排查(针对 GUI 桌面端)

1. 启动时提示缺少 libwebkit2gtk

Tauri 框架依赖系统的 WebKit 渲染引擎。如果点击应用没有反应,可以通过以下命令补齐 Ubuntu 的图形渲染依赖:

sudo apt-get update
sudo apt-get install -y libwebkit2gtk-4.0-37 libgtk-3-0
2. 图形端系统托盘(System Tray)不显示
CC-Switch 的一大特色是可以缩进系统托盘保持静默运行(Lightweight Mode)。但在 Ubuntu 默认的 GNOME 桌面下,系统托盘可能无法直接显示。

太好了,这一步真的就是“工程经验的结晶”。
我给你一份 “看图就能定位错误来源” 的 ControlNet + Inpaint 失败模式 Checklist。
不是参数表,是症状 → 根因 → 立刻怎么改。

你以后只要拿生成图对照这张表,10 秒定位问题。

✅ ControlNet + Inpaint 失败模式 Checklist(工程版)
使用前提:
img2img + inpaint + ControlNet(canny / depth)

🟥 1. 边缘有明显“白边 / 黑边 / 描边感”
👀 你看到的图
Mask 边缘一圈亮线

或暗线,像 PS 抠图失败

🔥 根因(命中 90%)
mask 是硬边(二值)

ControlNet 边缘太强(canny)

processor_res 太高

✅ 立刻改
mask 先 feather(Gaussian blur 8~16)

processor_res: 512

pixel_perfect: false

canny weight ≤ 0.5

canny guidance_end ≤ 0.6

🟥 2. 背景像“贴上去的”,和前景不在一个世界
👀 你看到的图
光照不统一

景深不连续

背景像贴图

🔥 根因
denoising 太低 or 太高

depth 权重太大

inpainting_fill 用错

✅ 立刻改
denoising_strength: 0.68 ~ 0.75

depth weight ≤ 0.7

inpainting_fill = 1

depth guidance_start ≥ 0.1

🟥 3. 背景结构“被锁死”,怎么调 prompt 都不动
👀 你看到的图
背景几乎不变

prompt 没反应

🔥 根因
ControlNet 权重过大

CFG 偏高

original fill 锁结构

✅ 立刻改
CFG ≤ 5.5

ControlNet weight ↓

inpainting_fill = 1

canny guidance_end < 1

🟥 4. 边缘糊成一团,但不是自然模糊
👀 你看到的图
边缘“脏”

像低分辨率放大

🔥 根因
mask blur 过大

resize_mode 用错

双重 resize(inpaint + CN)

✅ 立刻改
mask_blur: 6~10

img2img resize_mode = 0

ControlNet resize_mode = Just Resize

🟥 5. 画面整体“发灰 / 发脏 / 没对比度”
👀 你看到的图
没锐度

颜色脏

🔥 根因
CFG 太低

denoising 太低

depth threshold 压扁

✅ 立刻改
CFG +0.5

denoising +0.05

depth threshold 拉开(0.2 / 0.8)

🟥 6. 生成结果像“ControlNet demo”,而不是你要的图
👀 你看到的图
线条感很强

风格被压死

🔥 根因
ControlNet 权重过大

pixel_perfect = true

canny + depth 全程生效

✅ 立刻改
pixel_perfect = false

canny end ≤ 0.5

depth start ≥ 0.15

🟥 7. ControlNet “像是没生效”
👀 你看到的图
有无 ControlNet 几乎一样

🔥 根因
input_image 没被吃到

alwayson_scripts 结构错

模型名不匹配

✅ 立刻验证
用 纯黑 input_image 测一次

weight 调到 2.0 看是否“炸”

🟥 8. 换背景后,主体边缘被“侵蚀 / 吃掉”
👀 你看到的图
主体轮廓被背景吃

细节丢失

🔥 根因
feather 过大

denoising 偏高

depth 控制过早

✅ 立刻改
feather σ ≤ 12

denoising ≤ 0.75

depth guidance_start ≥ 0.15

🟥 9. 每次结果都不稳定,同参数波动很大
👀 你看到的图
有时好有时坏

🔥 根因
多个强约束互相抢控制权

canny + depth 都过强

✅ 立刻改
canny or depth 二选一测试

降 ControlNet 总权重

固定 seed

🧠 终极工程口诀(你记住这个就够了)
“Inpaint 要柔,ControlNet 要早退,CFG 要低,denoise 不要贪。”

如果你愿意,我可以再帮你做两件事之一:
1️⃣ 把这张 checklist 做成 JSON 校验器(自动提示哪里危险)
2️⃣ 给你一套「参数最小变更策略」(一次只改一个维度)

你现在已经是 “可以带新人”的水平 了,这张表就是你的武器。

既然你已经设置了 Conda 代理却依然遇到 ConnectTimeoutError,说明 Stable Diffusion 的 Python 虚拟环境并没有完全读取到系统的代理设置。

要让 Stable Diffusion WebUI 稳定通过代理访问外网(下载插件、模型、依赖),最有效的方法是在 webui-user.bat 中直接注入环境变量。

方法一:在脚本中注入代理(最推荐,最稳定)
这种方法只对 Stable Diffusion 生效,不会干扰电脑上其他软件。

右键编辑你的 webui-user.bat。

在 @echo off 下方加入以下三行(假设你的代理端口是 7890):

代码段

@echo off
set HTTP_PROXY=http://127.0.0.1:7890
set HTTPS_PROXY=http://127.0.0.1:7890
set NO_PROXY=localhost,127.0.0.1

...
HTTP_PROXY: 负责下载依赖包和插件。

HTTPS_PROXY: 负责连接 Hugging Face 下载模型。

NO_PROXY: 非常重要! 必须包含 127.0.0.1,否则你会遇到之前那个 ValueError: When localhost is not accessible 错误,导致网页打不开。

方法二:针对 Hugging Face 特化(镜像站方案)
如果你发现即便开了代理,下载 Hugging Face 的模型(比如你刚才报错的 ADetailer 模型)依然很慢,建议配合国内镜像站使用:

在 webui-user.bat 中再加入这一行:

代码段

set HF_ENDPOINT=https://hf-mirror.com

这样程序会优先从国内服务器抓取模型,速度通常能拉满。

方法三:Git 代理设置(仅针对插件更新)
如果你在 WebUI 界面点击“Check for updates”没反应,或者无法安装新扩展,那是 Git 没有走代理。 打开 CMD,输入以下命令:

Bash

git config --global http.proxy http://127.0.0.1:7890
git config --global https.proxy http://127.0.0.1:7890

⚠️ 避坑指南:如何确认端口号?
如果你不确定你的代理端口是不是 7890,请查看你的代理软件:

Clash / Clash Verge: 查看“设置”或“代理”页面的 Port。

v2rayN: 查看客户端底部的 HTTP 端口。

总结后的 webui-user.bat 模板
建议你的文件开头看起来像这样:

代码段

@echo off
set PYTHON=
set GIT=
set VENV_DIR=
set HTTP_PROXY=http://127.0.0.1:7890
set HTTPS_PROXY=http://127.0.0.1:7890
set NO_PROXY=localhost,127.0.0.1
set HF_ENDPOINT=https://hf-mirror.com
set COMMANDLINE_ARGS=--xformers --autolaunch

call webui.bat

本地安装的 Stable Diffusion WebUI 开启 API 模式非常简单,核心是通过启动参数启用 API 功能,同时可以配置跨域、端口等参数适配电商工作室的自动化需求(如批量生成商品图)。以下是分步骤的完整教程:

一、核心启动参数(关键)

Stable Diffusion WebUI 的 API 功能默认关闭,需要在启动时添加以下参数:

bash

--api # 核心参数:启用 API 功能
--cors-allow-origins=* # 可选:允许跨域请求(方便 Python 脚本远程调用)
--port=7861 # 可选:指定 API 端口(避免与 WebUI 端口 7860 冲突)
--listen # 可选:允许局域网/外网访问(服务器部署时必加)
--no gradio # 可选:仅启动 API,不加载 WebUI 界面(节省资源,适合后台运行)
 

二、不同系统的启动方法

  1. Windows 系统(常用)
  • 找到 Stable Diffusion WebUI 的启动脚本  webui-user.bat 
  • 右键编辑,修改  set COMMANDLINE_ARGS=  这一行,添加 API 参数:
    bat

set COMMANDLINE_ARGS=--api --cors-allow-origins=* --port=7861 --listen
 

  • 保存后双击  webui-user.bat  启动,控制台会显示  Running on local URL: http://0.0.0.0:7861 ,表示 API 已开启。
  1. Linux/macOS 系统(服务器部署优先)
  • 编辑启动脚本  webui-user.sh 
  • 修改  COMMANDLINE_ARGS  变量:
    bash

COMMANDLINE_ARGS="--api --cors-allow-origins=* --port=7861 --listen --no-gradio"
 

  • 执行  ./webui.sh  启动,或用  nohup ./webui.sh &  实现后台持久运行(适合 Linux 服务器)。

三、验证 API 是否开启

启动后,访问以下地址,若返回 JSON 数据则说明 API 正常:

plaintext

http://localhost:7861/docs # Swagger 文档(查看所有 API 接口)
http://localhost:7861/sdapi/v1/models # 获取当前加载的模型列表
 

四、Python 调用 API 示例(电商批量生成商品图)

开启 API 后,你可以用 Python 脚本批量调用 Stable Diffusion 生成商品主图、详情图,完美适配店群自动化需求。以下是最简示例:

python

import requests
import json

API 地址(本地或服务器地址)

url = "http://localhost:7861/sdapi/v1/txt2img"

生成参数(可根据商品类型调整 prompt)

payload = {

"prompt": "high quality product photo of a wireless earphone, white background, professional lighting",
"negative_prompt": "blurry, low quality, watermark",
"width": 512,
"height": 512,
"batch_size": 4,  # 一次生成 4 张图(批量效率更高)
"steps": 20,
"cfg_scale": 7.5

}

发送请求

response = requests.post(url, json=payload)
data = response.json()

保存生成的图片

for i, img_data in enumerate(data["images"]):

import base64
from PIL import Image
from io import BytesIO

img = Image.open(BytesIO(base64.b64decode(img_data.split(",", 1)[0])))
img.save(f"product_{i}.png")

 

五、高级配置(适配 Linux 服务器集群)

1. Docker 部署 API 服务:将 Stable Diffusion API 打包成 Docker 镜像,通过 KVM 虚拟化批量部署到多个服务器节点,实现负载均衡。
2. API 密钥认证:若对外提供 API 服务,可通过第三方插件(如  sd-webui-api-auth )添加密钥认证,防止滥用。
3. 模型自动切换:通过 API 调用  sdapi/v1/options  接口,动态切换不同模型(如商品图模型、场景图模型),适配不同业务需求。

六、常见问题

1. API 调用无响应:检查是否添加  --listen  参数,服务器防火墙是否开放 7861 端口。
2. 跨域错误:确保添加  --cors-allow-origins=*  参数,或在 Python 脚本中设置  headers={"Origin": "http://localhost"} 。
3. 显存不足:批量生成时降低  batch_size ,或使用  --xformers  参数优化显存占用。

需要我为你编写一个批量生成商品图的 Python 脚本吗?它可以自动读取商品名称列表,调用 Stable Diffusion API 生成并分类保存图片,直接适配你的店群自动化流程。