KeyFrame內部研究專用

別用Claudecode Opus做苦力!Claude負責想 + Kimi負責寫 = 最強平替工作流

YAHA学堂·6月8日週一·5 min中文

三句話摘要

用Kimi模型替代Claude Opus執行代碼改檔,藉由分層策略將AI開發成本砍到五分之一。 透過分層架構(規劃用Opus、執行用Kimi)和設定檔切換,開發者可以輕鬆將重複性代碼改檔成本砍到五分之一,讓有限的budget花在最有價值的地方。 Kimi的競爭力可量化:在Artificial Analysis開源模型評測排名第一,Open Router平台有大量開發者日常使用,模型跨Rust、Go、Python、前端DevOps都能勝任,而價格僅為Opus的五到六分之一,同Token成本可便宜五到六倍。

重點整理

重點
  • 1

    Kimi的競爭力可量化:在Artificial Analysis開源模型評測排名第一,Open Router平台有大量開發者日常使用,模型跨Rust、Go、Python、前端DevOps都能勝任,而價格僅為Opus的五到六分之一,同Token成本可便宜五到六倍。

  • 2

    實踐採用分層架構:先由Opus快速生成具體的執行清單(只規劃、不動程式碼),將想清楚「怎麼改」作為關鍵投入點;再將清單交給Kimi逐檔案執行改動,驗證測試無誤。貴的思考力和便宜的執行力各得其所。

  • 3

    技術實施門檻極低:在專案目錄放置JSON設定檔,指定Kimi的Base API地址、填入API金鑰、寫明模型名稱kimi-4-coding,設置後Cloud Code在該目錄自動使用Kimi,無需每次手動切換。

  • 4

    外包選擇遵循明確原則:大型代碼庫審查、Agentic多步工作流、視覺密集的多媒體分析最適合Kimi;反之小任務和架構判斷應留給高端模型,避免過度拆分反而增加成本。

實用技巧與重點

乾貨
  • Kimi K2.6定價:Opus的五到六分之一、Token成本便宜五到六倍
  • 評測排名:Artificial Analysis開源模型第一名、Open Router前排活躍開發者
  • 實測成本對比:Opus版本額度消耗5%、Kimi版本額度消耗1%
  • 配置檔設置項目:Base URL(Kimi端點)、API Key(Kimi認證)、Model名稱(kimi-4-coding)
  • 實際案例改法:SQL從路由硬寫改Repository模式、跨檔案保持改法一致、執行測試驗證
  • Agent Swarm能力:主代理招募最多300個子代理並行、支援到4000步
  • 支援語言範圍:Rust、Go、Python、前端、DevOps
  • 新用戶福利:完成首筆充值後隔天自動送10%額度

結論

結論

透過分層架構(規劃用Opus、執行用Kimi)和設定檔切換,開發者可以輕鬆將重複性代碼改檔成本砍到五分之一,讓有限的budget花在最有價值的地方。

完整解析

詳細

開發者用Claude Opus執行所有任務時常面臨成本爆炸,尤其大量Token消耗在機械性的檔案改動上。講者提出一個成本優化方案:用更便宜的Kimi K2.6承擔執行層工作,同時保留Opus做規劃判斷。

Kimi K2.6在行業評測中排名開源模型第一,且在Open Router平台上有大量開發者日常使用,這證明其能力已被市場驗證。但關鍵優勢在於價格:同樣的Token成本只要Opus的五到六分之一。講者用實際專案做演示,相同的重構工作用Opus全包時額度從2%跳到7%(消耗五個百分點),改用Kimi執行改檔後額度只停在1%,成本下降顯著。

實踐分為兩層。第一層用Opus生成執行清單,講者特別強調「先不要改程式碼,只要想清楚」,輸出一份列有十幾個檔案的具體改動說明。這一步Token投入少但至關重要,因為清單的具體度直接影響Kimi後續執行的精準度。第二層將清單交給Kimi,逐檔案改動並停下確認,Kimi能自動理解跨檔案的改法規律並保持一致。

技術實施簡單到不需要複雜操作:在專案目錄放一個JSON設定檔,指定三個配置項——Kimi的API地址、API金鑰、模型名稱kimi-4-coding。設置後,Cloud Code在該目錄自動使用Kimi而非預設Opus,無需每次手動切換。講者的演示中,Kimi依照清單把寫死在路由中的SQL改成Repository模式,逐檔案完成改動,最後執行測試驗證功能完整。

何時外包給Kimi最划算?講者歸納三類場景最適合:大型代碼庫的審查或Debug,檔案眾多光讀一遍就燒錢,用便宜模型划算;Agentic工作流自動調工具步數多,成本容易爆炸,應委外Kimi;視覺密集任務分析截圖和媒體檔,Kimi多模態接得住且便宜。反面則是小任務不值得拆割成本,以及架構判斷這類高價值思考應保留給高端模型。

最後講者預告進階玩法Agent Swarm,允許主代理自行招募最多300個子代理並行執行到4000步,可實現一人當一家公司的效果。使用者只需登Kimi控制台申請API Key,貼進設定檔立即使用,完成首筆充值後隔天自動送10%額度獎勵。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。