范凯说 AI · 周日晚聊14期 - AI 时代的个人工作站
主题：AI 时代的个人工作站
日期：2026年4月5日
开场
大家好，这里是《范凯说 AI · 周日晚聊》，我是范凯。
今天是第14期，我们主要聊这几件事：
第一，Claude Code 源代码泄露，51万行代码裸奔，社区狂欢；随后 Anthropic 正式宣布不允许 OpenClaw 小龙虾使用 Claude 模型订阅套餐。
第二，OpenAI 完成1220亿美元融资，估值8520亿，冲刺 IPO。
第三，AI 时代的个人工作站——怎么搭建一个完整的个人 AI 生产力工作流。
第一部分：本周 AI 新闻
新闻一：Claude Code 源代码泄露
本周最炸裂的新闻又是 Anthropic。Claude Code——全球最炙手可热的编程智能体，全部源代码泄露了。
3月31号，一位安全研究员发现 Anthropic 在发布 Claude Code 的 npm 包（2.1.88 版本）时，包含了源代码的压缩包，里面有 Claude Code 完整的源代码——大约1900个源文件，超过51.2万行代码。具体原因就是人为操作失误，不是安全漏洞。
消息一出，GitHub 上无数人 fork 这个源代码，用各种 AI 编程工具去拆解它，看看 Claude Code 里到底有什么不为人知的秘密。
对中国用户来说，最关心的自然是 Claude Code 到底怎么追踪用户、怎么避免订阅套餐被封号。通过反向阅读源代码，可以确认它有非常多的数据上报——设备信息、操作系统信息、交互内容，这些会形成一个很强的指纹信息。所以要避免被封号，其实只有一个办法：养号。号养的时间越长，越不容易被封。像我的 Claude 账号从2023年就注册了，随便怎么用都不封号。有时节点是香港，它提示该地区不支持，但也不封号。关键就是别一个新号注册好才两天就往死里薅羊毛，那肯定被封。
社区发现了什么：
最有意思的还是工具系统——40多个内置工具，shell 命令执行、网页抓取、文件读取，基础工具的定义就有2.9万行源代码。还有查询引擎负责所有 API 调用，是核心系统。还有多代理编排——多 Agent 的并行调度做得非常好。以及50多个斜杠命令的支持。
源码里还有一个反蒸馏机制——有一个叫 ANTI_DISTILLATION_CC 的标志，会在系统提示词中注入虚假信息，目的是污染竞争对手的训练数据。确实被中国的模型蒸馏得太多了，所以才有这个机制，挺有意思的。
Claude Code 的竞争优势会因此丧失吗？
不会。原因很简单：Anthropic 的竞争力，模型排第一位，编程工具排第二位。编程工具本身有一个很强的工程团队在快速迭代，就算别人学到了一些东西，拉高了自己的水平，但整体架构没法百分之百复制。只要 Anthropic 持续快速迭代，很快就能把差距重新拉开。
需要强调的是，泄露的是 Claude Code 这个编程工具的源代码，不是 Claude 模型的源代码。模型的训练数据、训练代码和检查点，量非常大，很难一次性泄露。
Anthropic 封禁 OpenClaw 使用 Claude 模型订阅套餐
紧接着 Claude Code 源码泄露，Anthropic 正式宣布 Claude 模型订阅套餐不允许用在 OpenClaw 小龙虾上了。
替代方案有三个：
第一，GPT 20美元订阅套餐（最推荐）。 量大管饱，唯一让人不爽的是 GPT 模型比较啰嗦，但可以通过修改系统提示词让它的回答风格更像 Claude 模型。
第二，GitHub Copilot 订阅。 一个月9到10美元，里面包含 Claude、Gemini、GPT 等多个模型。缺点是用量不大，适合轻量级使用。
第三，区分场景使用不同工具。 重度任务、长程任务用 Claude Code 配 Claude 模型；轻量级任务在手机上用 OpenClaw 小龙虾配 GPT 模型。
关于长期记忆共享的问题： 不同工具之间不共享记忆怎么办？OpenClaw 这边打开 memory search，用向量检索保存长期记忆库；Claude Code 这边装一个 Basic Memory 插件，同样用向量检索保存长期记忆。两边都把长期文件显式保存到硬盘的同一个公共目录下——同一份原材料，两边各自向量检索，就共享了同一份记忆库。我现在就是这样用的，非常爽。
新闻二：OpenAI 1220亿美元融资，冲刺 IPO
3月31号，OpenAI 宣布完成了1220亿美元的融资，估值8520亿美元。
投资人阵容：Amazon 投了500亿美元（其中350亿以 IPO 或达成 AGI 为条件），Nvidia 和 SoftBank 各投了300亿，加上其他投资机构，总计1220亿美元。OpenAI 年化收入已经超过250亿美元。
但 Anthropic 其实更厉害——Anthropic 的年化收入已经超过300亿美元，更多面向企业市场。Anthropic 的企业 LLM 市场份额从2023年的12%上升到了32%，占据了三分之一；而 OpenAI 从50%下降到了25%。全球财富前十的企业有8家在使用 Claude 模型。在企业市场上，Anthropic 已经超过了 OpenAI。
Anthropic 目标是2026年10月在纳斯达克上市，估值目标5000亿美元以上。
现在全球 AI 头部竞争格局： OpenAI 估值8520亿，Anthropic 估值3500亿，Google 市值2万亿。OpenAI 上市后至少万亿美元，Anthropic 上市至少5000到8000亿美元。
OpenAI 用户量更大、消费端更强，但 Anthropic 在智能体、编程和企业市场上占据遥遥领先的优势，而且份额还在持续扩大。
另外还有两家有点落伍：xAI 联合创始人走光了，马斯克在重组；Meta 的下一代模型至今还没有训练出来。
新闻三：Google Gemma 4 开源 + 国内 AI 动态
Google Gemma 4 开源：
4月2号，Google 开源了 Gemma 4——基于 Gemini 3 技术的开源模型，四个尺寸（2B、4B、26B、31B），上下文窗口256K，可以在手机、树莓派等设备上运行。31B 模型刷榜刷得很厉害。
不过，如果是用来跑智能体，效果不一定好。Google 的模型更擅长大文档处理和多模态，Gemma 本身也不是专门针对智能体做优化。而且 Google 和 Meta 的开源模型训练数据中英文占比特别高、中文训练数据很少，在中文语境下不如国内的千问模型好用。就像炒菜一样——国外模型是西餐配比，也能做中餐，但味道就差一些。
现在头部厂商的策略都一样：顶级模型绝对不开源，推出一个相对小的开源模型去吸引社区使用，扩大市场份额。阿里千问3.6 也是如此。
国内动态——智谱 GLM-5.1：
智谱发布了 GLM-5.1，据说非常强，Coding Plan 套餐一上线就被抢光了。但国内厂商普遍算力短缺，疯抢的时候跑后台任务会在日志里看到大量出错信息——连不上、超时、API 被限流。
坦率地说，把国产模型的稳定性也作为参数考量的话，GPT 20美元的订阅套餐真的是性价比最高的。如果用量很大，GPT 200美元的套餐绝对超值。另一个省钱方案是注册3个 GPT Plus 账号（共60美元），用开源的 API Proxy 合并三个套餐给小龙虾用，量大管饱，性价比极高。
DeepSeek V4：
DeepSeek 从去年春节发布之后已经一年了，V4 跳票好几次，说4月份可能发布。规格很猛：万亿参数的专家模型，每次推理激活37B，100万上下文窗口，原生多模态，深度适配国产芯片。
DeepSeek 出得慢，一个重要原因是为了深度适配华为昇腾910芯片。这周跟一个华为供应商吃饭，了解到华为910芯片目前良率最高只能达到60%，相比台积电80%-90%的良率差了很多。而且芯片面积大、发热量大、耗电量高——用更大的电力换取相应算力。所以第一成本更高，第二运营费用也更高。但 DeepSeek 过去一年为国产芯片适配做出了巨大贡献。
当然 DeepSeek 也走了一些人，罗福莉去了小米，还有人去了字节。
关于 AI 编程工具的选择：
目前能力最强的就两个：Anthropic 的 Claude Code 和 OpenAI 的 Codex。
两者使用习惯不同：Claude Code 适合喜欢折腾的人——加载很多 Skill、MCP 插件，越用越强；Codex 反而是不要折腾，不需要搞很多 Skill，给它一个任务让它跑就行。
我更喜欢 Claude Code，因为 AI 编程只占我工作的20%-25%，大量时间用 AI 做写作、工作规划、社群管理、知识管理、联系人管理等。Codex 在编程上很好，但多面性不如 Claude Code。
我现在的用法是三套班子：最复杂的任务交给 Claude Code 配 Claude 模型；日常轻量级任务交给 GPT 模型配 OpenClaw 小龙虾；兜底的简单但量大的任务交给 Open Code 加本地千问 Code Next 模型。
如果不差钱，最推荐的组合是两个200美元的套餐：Claude 200美元套餐 + GPT 200美元套餐。Claude Code 做架构设计和重活，Codex 做 Code Review，一个月400-450美元，看起来不少，但大量节省时间和精力，绝对超值。
第二部分：AI 时代的个人工作站
先说一个反思：磨刀磨了两个半月
在讲工作站之前，先坦诚说一个反思。
从1月下旬到现在，两个半月时间——搭算力平台，在 Mac Studio 上部署两个千问模型，配网络、搭梯子、Tailscale 组网，安装 OpenClaw、Claude Code、Codex，装一堆 Skill 和插件，两边的长期记忆库都要配好并共享……一通折腾下来，一半以上的时间花在了折腾工具上。
磨刀磨了两个多月，干活没干多少。所以我反思了一下：基础设施建设到现在已经非常顺滑，不需要再画蛇添足了。后面的时间和精力要放在真正的产出上——创作内容、做软件产品、用 AI 规划每天的工作。
我的个人 AI 工作站全貌
硬件： Mac Studio M4 Max，128G 内存，2T 硬盘，7×24小时在线。为了防止它进入休眠，专门装了一个叫 Amphetamine（安非他命）的软件——一个兴奋剂，让 Mac Studio 永远保持清醒。
远程访问： 通过 Tailscale 把不同互联网节点放在一个虚拟专用网络里，不暴露公网 IP，同时可以远程访问。在同一城市内直连延迟只有20-30毫秒，跟本地机器一样。但在外面用手机热点时，无法直连就要走中继服务器，Tailscale 最近的中继在香港，一来一回延迟200-300毫秒，很慢。为了解决这个问题，我在腾讯云 VPS（南京节点）上自建了一个中继，延迟瞬间从两三百毫秒降到了50毫秒。现在在国内任何地方都能以五六十毫秒的延迟连到 Mac Studio，操作极度流畅。
自建中继节点的方法也很简单：把 Tailscale 中继节点搭建文档和腾讯 VPS 的登录信息都给 Claude Code，让它帮你配，一通操作就全部搞好了。
Mac Studio 上跑了什么：
OpenClaw 小龙虾——7×24小时在线，通过 Telegram 或 Discord 随时对话
Claude Code——通过
/remote control命令，可以在笔记本电脑的浏览器、Claude APP，甚至手机上远程给 Mac Studio 上的 Claude Code 下命令，指挥它干活两个本地模型：通义千问3 Code Next（80B 专家模型，用于写代码）和通义千问3.5 35B（多模态模型，可以读文档）。两个模型一个需要40G 内存，一个需要19G 内存，加上 cache 差不多60多G。模型端口在 Tailscale 内网里暴露出来，变成了个人专用的、不花钱的远程本地模型。在笔记本或手机上都可以连上去用，国内直连延迟20-30毫秒，比调海外模型还快。
OpenAI Whisper——语音转文字，把视频转成文字、整理稿件，丢一个视频链接它就能自动下载、抽取语音、转成文字、保存到知识库，全自动完成
BGE-M3 嵌入模型——向量化模型，给知识库做向量索引，也为 OpenClaw 提供长期记忆库的向量索引
Basic Memory 插件——给 Claude Code 提供长期记忆
文件同步： SyncThing，一个开源的点对点文件同步工具。不用 iCloud（太垃圾），不用 Google Drive（不支持带版本化的同步、不支持排除目录）。Mac Studio 和 MacBook 之间整个工作目录实时同步，延迟5秒之内。AI 在 Mac Studio 上改了文件，几秒后笔记本上就能看到。相当于我跟 AI 永远在跨互联网实时协作，整个文件状态全部同步。
知识库： 整个 Workspace 目录下900多个 Markdown 文件，全部向量化，存进本地 SQLite 数据库。OpenClaw 和 Claude Code 都可以进行语义检索。
本周新增：个人 CRM。 通过 Telegram 跟小龙虾说”今天跟谁见面了，这个人什么关系、什么背景、哪个城市、哪家公司、什么 title、未来有什么业务机会”，小龙虾就会自动在 Personal CRM 目录里创建一个 Markdown 文档——上面是结构化的属性信息，下面是非结构化的联络记录。Obsidian 的 DataView 插件会自动生成不同视图：按城市、按最近联系、按行业等。
联系人多了以后，还可以说”明天我要到北京出差，帮我看看北京某个行业的联系人，哪些人应该联系一下，帮我推荐推荐，攒几个局”，它都能帮你拉出来。而且因为联系人之间可能互相认识，只要提供线索，它还会建立联系人之间的关系——变成一个联系人知识图谱。
我每天的工作流
早上通过 Telegram 跟小龙虾说今天要做什么，它帮我规划
写内容时语音口述，把素材丢给它，说清选题和观点，它帮我整理成文字、写提纲，我不断调整修正
需要查资料时，它先从900多篇知识库里检索，再 Web Search 做事实核查
见了人，口述一下，CRM 自动更新
需要跑代码任务，界面开发在 MacBook 上做，长程后台任务远程 SSH 到 Mac Studio，下发任务后退出，它自己跑一两个小时，完全不用管
一个人，相当于有了一个24小时在线的助理团队。这就是 AI 时代超级个体应该有的基础设施。
核心理念：你的电脑不应该只是你坐在面前时才能用的工具，它应该是一个永远在线的、随时随地可以调用的 AI 工作站。 这是我在 X 上分享时大家最有共鸣的一句话。
关于 AI 语音输入法的思考
我现在90%的工作已经不是用全键盘了，大量通过语音口述完成。我配了一个6键小键盘：唤起 AI 语音输入法、回车提交、Shift+Enter（不提交换行）、ESC 取消、空格、删除，再加一个旋钮（复制粘贴、光标移动）。基本上 AI 编程、AI 干活，就靠这个小键盘。
正因为大量使用语音输入法，我下定决心要自己做一个 AI 语音输入法。为什么现有的都不满意？豆包语音输入法是”垃圾”，微信语音输入法是”垃圾 Pro”，就连我每天在用的 Typeless（我是年度付费会员），也有很多让我无法忍受的缺点。
我对 AI 语音输入法的核心认知：
它不只是一个输入法，它是 AI 时代最重要的入口。人口头表述时思维是混乱的——说到一半发现说错了要重说，思维碎片化，中英文混杂。一个好的 AI 语音输入法应该根据我的个性化表达习惯、常用的专业术语，把混乱的口头语言整理成更准确、更有条理的内容——它不仅是输入法，它在帮我整理思维，最大程度降低大脑思考到交给 AI 之间的门槛。
这个软件一边要知道怎么跟 AI 沟通（AI-friendly），另一边要足够了解我这个人——了解到即便我说的都是碎片信息，它也能像肚子里的蛔虫一样 get 到我思想中很细微的地方，然后组装成好的信息交给 AI 智能体。
这就是重新定义下一代交互——最懂 AI，同时最懂人，在中间把交互打通。所以哪怕这个方向看起来很红海，我也要做。哪怕没人用，我自己用了效率提高5倍10倍也值了。
第三部分：观众互动
问：本地部署大模型编程用什么模型？
取决于硬件配置。我自己用的是千问 Qwen3 Code Next，800亿参数的专家模型，每次推理用到30亿参数，在 Mac Studio 上占大约41G 内存。加上 cache 大概需要60G 内存。如果内存更大，也可以用千问3.5 122B（1220亿参数），效果更好，但内存需要80多G。建议不要上来就用特别大的模型，跑得很慢会很难受。
问：Gemma 4 开源模型怎么样？
Google 和 Meta 的开源模型训练数据中英文占比非常高，中文训练数据量很少。如果以中文使用为主，用千问模型可能更好。
问：Claude Code 还是 Cursor？
Cursor 是一个 IDE 工具，不如智能体功能全面。
问：Claude 老封号怎么办？
就一个办法：养号。先用 free 版本，每天用一用，在 chatbot 里聊很多话题，增加用户数据，然后慢慢在 Claude Code 里也用一点，别每天用很多，一点一点增加用量。养个半年时间，号的权重就好了，就不容易封号。
问：Google Stitch 是什么？
Google 推出的在线服务，通过聊天来设计页面。设计好之后可以导出成一个 design.md 文件，放到项目根目录下，让 Claude Code 或 Codex 读取它，就会按照这个风格设计出满意的 UI 界面。
问：关于 Harness Engineering / Context Engineering 这些概念？
从最早的 Prompt Engineering 到 Context Engineering 再到现在的 Harness Engineering，其实都是一回事——怎么更好地让 AI 理解用户意图，基于意图更好地完成任务。不要被大词和方法论框死。我现在 Claude Code 只装了4个 MCP（Chrome CDP、GitHub、Basic Memory、Context7）和1个 Skill（Superpower），尽量简单，不搞太复杂。
AI 变化很快，应该更灵活，更多尝试，不要用文档化流程化的方式限制 AI 的潜力。简单问题不要复杂化，当模型足够智能，很多中间层的概念都会被吃掉。我们要更有创意，更勇敢地打破常规，不要用大词、概念、文档、流程去禁锢想象力。
收尾
今天的分享就到这里，我们聊了一个多小时。想了解这些 AI 工作流的具体实操——创作写作工作流、AI 编程开发运维流程、知识管理工作流、个人 CRM 工作流——欢迎加入范凯说 AI 会员社群。
也欢迎加入公开的免费 Telegram 社群（已接近1000人），搜索 FANKAISHUOAI 即可找到。
晚安，下周日见。