这次实测的玩法很简单：用 Claude Code 接上蓝耘元生代的 GLM-5.2，只给一句话加几条验收标准，看它能不能自主做出一个真正会下、而且下得有来有回的五子棋。
写在前面
最近"一句话让 AI 实现什么什么"这种玩法很火——听着像吹牛。我手头正好有 Claude Code 和蓝耘元生代的 GLM-5.2，就想着实测一把：不写一行代码、只给一句话，国产栈到底能不能整出个真能下、还下得有来有回的五子棋 AI？
最近不少人觉得“一句话让 AI 做点什么”很热闹，我手头正好有 Claude Code 和蓝耘元生代的 GLM-5.2，就实测了一把：不写一行代码、只给一句话，国产栈到底能不能整出真能下棋、还下得有来有回的五子棋 AI？
先给结论：能。而且过程比结果更有看头——GLM-5.2 不像某些模型“啪”地丢一坨代码，而像真有个程序员坐你旁边：先摸清环境、再列步骤、写完自己验证，还能主动回头优化。本文就是把这段过程拆开给你看。
目录
-
- 写在前面
- 一、效果展示
- 二、为什么选择蓝耘 MaaS
- 三、为什么选择 GLM-5.2 模型
- 四、动手前：5 分钟把 Claude Code 接上蓝耘
-
- 第一步：创建Api Key
- 第二步：下载Claude code。Claude Code 安装前需已安装 Node.js、Git。
- 第三步：配置 Claude code
- 五、提示词：一句话 + 三个验收标准
- 六、实战过程：GLM-5.2 是怎么干的
- 七、蓝耘的价值：成本与缓存
- 八、踩坑 + 提示词技巧
- 总结
一、效果展示
光说不练假把式，先上成品——下面这个五子棋，是 Claude Code 接蓝耘 GLM-5.2、靠一句话提示词自主写出来的，全程我没动一行代码。
几个关键数字（实测，跑完后填）：
| 指标 | 数值 |
|---|---|
| 耗时 | 约 3-5 分钟 |
| 生成代码 | 8 个文件，+649 行 |
| 拆解子任务 | 5 个，5/5 全部完成 |
| Token 消耗 | 89K |
| 自验证 | node --check 通过 |
| 额外优化 | 主动移除在线字体依赖 |
一句话、一个国产栈、一个能跟你对弈的五子棋 AI。想知道它怎么一步步做到的？下面从选型、接入、提示词到实战过程拆给你看。
二、为什么选择蓝耘 MaaS
做个五子棋听着像个“小活儿”，但我对“模型在哪儿跑”其实挺挑的——Claude Code 是个 Agent，一个任务要连发几十次请求，平台不稳、延迟高或者贵，体验直接崩。
- 自研算力 + 网关，双底座：蓝耘自建智算中心，延迟吞吐自己说了算，不被上游卡脖子；
- 一个 Key，调 50+ 主流模型：换模型改一行配置，不用挨家注册；
- Anthropic + OpenAI 双兼容端点：Claude Code 填三个环境变量直连，零翻译层；
- 智能路由 + 高可用：场景化路由、跨模型熔断、负载均衡，稳定性比跑分值钱；
- 成本可控：缓存 + 按量计费：缓存砍掉 30%+ 重复调用，长上下文最受益。
2. 一个 Key，调 50+ 主流模型DeepSeek、Qwen、GLM、Kimi、MiniMax，包括海外的 Claude、GPT、Gemini，50 多个模型挂在同一个网关后。换模型就是改一行配置，不用挨家注册、挨家拿 Key。我这次用 GLM-5.2，回头想对比 DeepSeek，改个模型名就行——这也是我能轻松做三模型横评的前提。
3. Anthropic + OpenAI 双兼容端点（对 Claude Code 最关键）这条对用 Claude Code 的人最要命。Claude Code 说的是 Anthropic 协议（/v1/messages + x-api-key），而市面上多数平台只给 OpenAI 端点，你得自己搭一层 claude-code-router / LiteLLM 做翻译——多一个进程、多一个故障点、多一份延迟。蓝耘直接给了 Anthropic 兼容端点Claude Code 填三个环境变量就直连，零翻译层。
4. 智能路由 + 高可用网关层带场景化路由（按对话/代码/长文本等任务类型自动分模型）、跨模型熔断降级（某家挂了自动切备用）、负载均衡。对 Agent 这种"连发几十次、最怕中途 5xx"的场景，稳定性比单项跑分更值钱。
5. 成本可控：缓存 + 按量计费按 token 计费，还有 Prompt 缓存 + 语义去重，官方说能砍掉 30%+ 的重复调用成本。我实测过，显式开启缓存后 Qwen3.7-Plus 稳定命中 98%、GLM-5.2 也能命中——Claude Code 每轮重发那一大坨上下文，缓存这块省下的最实在。
一句话总结：长上下文模型、稳定的 Agent 运行、再加上便宜的单价，这三条蓝耘都占。也正因如此，我选它来跑五子棋这种典型的“长程任务”。
三、为什么选择 GLM-5.2 模型
不少人觉得“写个五子棋”很简单，但对 AI 而言，要做好它其实是一个标准的长程任务：要规划、要编码、要自检、还要优化。最怕的就是“上下文一长就忘事”。
- 要规划：先想清楚棋盘、落子、判胜、AI、UI 怎么拆；
- 要编码：写完几个部分，逻辑还得互相咬合；
- 要自检：跑语法检查、实际下一盘看有没有 bug；
- 要优化：发现 AI 乱下、或页面离线打不开，回头修。
GLM-5.2 有两张关键王牌特别适合这种长程任务：一是 1024k 超长上下文，让“规划→编码→自检→优化”能在同一个上下文里一口气跑完，不用中途反复喂料；二是 Agentic 工程能力，它会自己读文件、跑命令、回头改，而不是吐完代码就撂挑子。
- 1024k 超长上下文：让"规划→编码→自检→优化"这种长程任务在一个上下文里一口气跑完中间不用你反复喂；
- Agentic 工程能力：它擅长多步骤、带工具调用的任务，会自己读文件、跑命令、回头改，而不是吐完代码就撂挑子。
平台选蓝耘、模型挑 GLM-5.2——这个组合，刚好够支撑一个能自主跑通的五子棋。
四、动手前：5 分钟把 Claude Code 接上蓝耘
第一步：创建Api Key
打开蓝耘元生代 MaaS 官网，到蓝耘元生代 MaaS 控制台注册登录、创建 API Key。
第二步：下载Claude code。Claude Code 安装前需已安装 Node.js、Git。
-
安装 Node.js（核心依赖）
- 要求： 版本号必须 ≥ 18。
- 操作： 前往 Node.js 官网，下载并安装 LTS（长期支持）版本。
- 验证： 打开你的终端（Windows 的 CMD/PowerShell，或 Mac 的 Terminal），输入 node -v 和 npm -v。如果能正确返回版本号，则说明安装成功。
-
安装 Git
- 安装 Git，下载 Git for Windows：git-scm.com/install，默认选项安装即可。
- 验证安装：git --version，输出版本号表示成功。
-
安装 Claude code
**Claude Code**有两种安装方式，个人比较推荐使用**npm**进行安装。
npm install -g @anthropic-ai/claude-code
2. 验证安装：claude --version
第三步：配置 Claude code
方式一：直接改 ~/.claude/settings.json 的 env 字段配置模型即可。
方式二：使用第三方软件，这里我推荐CC Switch可以一键配置、切换 Claude code、Codex 等Ai工具的配置文件，还可以一键配置Mcp、Skills，非常方便。
五、提示词：一句话 + 三个验收标准
很多人以为用 AI 编程要写很长的提示词。这个活儿厉害就厉害在一句话足以。
创建一个智能五子棋游戏，让玩家与能够进行策略性落子并准确判断胜负的算法对战。
就这一句。注意它里面其实埋了三个验收标准这也是为什么它生成的 AI 不平庸：
- “策略性落子”→ 不是随机下，要有评估
- “准确判断胜负”→ 四个方向连五判定必须对
- “对战”→ 人机回合流程要链路
模糊输入 = 糊弄输出。哪怕一句话，也要把验收标准钉死。
六、实战过程：GLM-5.2 是怎么干的
- 第一步：先摸底，不盲目写：先看目录、git 状态，判断从零做还是接着改；
- 第二步：列步骤，不是一坨：按提示词要求先列实现步骤；
- 第三步：从零生成代码：边写边在终端执行；
- 第四步：自验证：跑 node --check 或实际下一盘；
- 第五步：完成：长任务一个上下文跑完，不用反复喂。
GLM-5.2 没有上来就写代码，而是先探索环境——看目录、看 git 状态，判断"空项目，从零做"还是"有现成代码，接着改"。它会先理解现状，再决定策略，而不是无脑输出。
第二步：列步骤，不是一坨
按提示词要求，它先列出实现步骤：
第三步：从零生成代码
它开始写文件，边写边在终端执行：
第四步：自验证
写完它自己跑 node --check 或实际点开看：
第五步：完成
长任务一个上下文跑完：得益于 GLM-5.2 的 1M 上下文 + 自研 Agent 内核，五子棋这种"规划→编码→验证→优化"能在一个任务里链路，不用我中途反复喂上下文。
七、蓝耘的价值：成本与缓存
前面讲了蓝耘的产品面，这里算一笔实账。按蓝耘 GLM-5.2 的定价（输入 8 元/百万 token、输出 28 元/百万 token），跑一次五子棋的成本大约只有几毛钱。
我在之前就测过，GLM-5.2 在显式 cache_control 下能命中缓存。像 Claude Code 这种每轮重发大上下文的场景，缓存能省一笔。
八、踩坑 + 提示词技巧
- 提示词太短/模糊时，它拆的步骤可能不是你想要的 → 先让它列步骤、你确认再执行，别让它闷头跑；
- 它偶尔第一版有 bug（比如胜负判定漏方向）→ 靠“自检 + 实际下一盘”双重验证；
- token 烧得比想象快 → 长任务勤看用量看板。
有几条通用的提示词技巧比较稳：一句话也要塞验收标准、显式要求自验证、复杂任务先列步骤再确认、给清“完成定义”。
- 一句话也要塞验收标准（把形容词当硬约束）；
- 显式要求它自验证（“写完 node --check，报错就修”）；
- 复杂任务先让它列步骤、确认再执行；
- 给"完成定义"（比如"我要能双击 html 直接玩"）。
总结
回到开头的问题：一句话，Claude Code + 蓝耘 GLM-5.2，能不能整出会下棋的五子棋？能，而且它不只是“写出来”，还会自己验证、自己修改、自己优化。
这次最打动我的，不是“X 分钟 X 行代码”这个数字，而是 GLM-5.2 那种“对完成有更高标准”的姿态——写完会自检，发现不对会回头修，这正是一个长程 Agent 该有的样子，也是它 1024k 长上下文 + Agentic 训练落在实处的价值。
而这一切，都建立在蓝耘元生代这个统一网关上：一个 Key、Anthropic 直连、GLM-5.2 即开即用。国产栈做 AI 编程，已经能打。
这次最打动我的，不是"X 分钟 X 行代码"这个数字，而是 GLM-5.2 那种“对完成有更高标准”的姿态——写完会自检，发现不对会回头修，这正是一个长程 Agent 该有的样子，也是它 1024k 长上下文 + Agentic 训练落在实处的价值。
而这一切，都建立在蓝耘元生代这个统一网关上：一个 Key、Anthropic 直连、GLM-5.2 即开即用。国产栈做 AI 编程，已经能打。
评论0