鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
5
3
2

Linux 安装 Claude Code 实战:Node.js、npm、GLM 配置一次跑通

兮动人
兮动人
2026-08-05 10:48
阅读 1346
兮动人
2026-08-05 10:48
阅读 1346

Linux 安装 Claude Code 实战:Node.js、npm、GLM 配置一次跑通

Linux 安装 Claude Code

有些工作放在Linux服务器上处理更顺手:看日志、改配置、排查线上问题,或者直接在项目目录里让AI帮忙读代码。

Claude Code和OpenCode都能完成这些事。我个人更习惯Claude Code的终端界面,所以把这次在Linux服务器上的安装过程整理下来。

先说明一下:Claude Code官方目前更推荐原生安装器;本文使用npm,是因为服务器已经有Node.js环境,而且部分网络环境访问官方安装脚本并不稳定。两种方式都能用,按自己的服务器情况选择即可。

整体安装路线

Claude Code Linux 安装流程

先选安装方式

官方原生安装器

服务器能够正常访问Claude官方地址时,可以直接运行:

▼
bash
复制代码
curl -fsSL https://claude.ai/install.sh | bash

原生安装不依赖Node.js,步骤也更短。首次安装Claude Code,优先考虑这种方式。

npm全局安装

如果服务器已经装好Node.js,或者官方安装脚本受网络环境影响,也可以使用npm:

▼
bash
复制代码
npm install -g @anthropic-ai/claude-code@latest

Claude Code官方文档在“高级安装选项 → 使用 npm 安装”中写明:从 v2.1.198 开始,npm包需要Node.js 22或更高版本。

不过官方紧接着补充:使用较旧的Node.js时,npm通常只会提示 EBADENGINE,安装仍可能完成,claude 也可能正常运行,因为npm包最终下载的是不依赖Node.js运行时的原生二进制文件。

所以更准确地说,Node.js 22+是当前npm包声明的安装要求,并不代表Node.js 18下一定无法启动。为了避免安装警告和后续兼容问题,本文仍建议直接使用Node.js 22或更高版本。

官方依据:https://code.claude.com/docs/zh-CN/setup#install-with-npm

本文后面的步骤使用npm方式。

检查Node.js和npm

先执行:

▼
bash
复制代码
node -v npm -v npm config get prefix

检查 Node.js 和 npm 版本

我的环境是:

▼
text
复制代码
Node.js:v24.16.0 npm:11.17.0

这个版本可以直接安装。

如果Node.js低于22,安装时可能出现 EBADENGINE 警告。程序未必不能运行,但新装环境没有必要停留在旧版本,建议先通过服务器面板、nvm或系统包管理器切换到Node.js 22或更高版本。

npm config get prefix 会告诉你全局包安装到哪里。使用Node项目管理器时,路径可能类似:

▼
text
复制代码
/www/server/nodejs/v24.16.0

使用nvm、系统Node.js或其他面板时,路径会不一样,不需要照抄。

安装Claude Code

执行:

▼
bash
复制代码
npm install -g @anthropic-ai/claude-code@latest

通过 npm 安装 Claude Code

安装完成后,不要急着配置模型,先确认命令是否正常:

▼
bash
复制代码
claude --version command -v claude

查看 Claude Code 版本和命令路径

截图中返回:

▼
text
复制代码
2.1.218 (Claude Code) /www/server/nodejs/v24.16.0/bin/claude

这说明Claude Code已经装好,并且当前Shell能够找到 claude 命令。

claude命令为什么是一个软链接

npm全局安装命令行工具时,通常会在Node.js的 bin 目录创建入口。你输入 claude,系统先找到这个入口,再执行真正的程序文件。

可以用下面的命令查看最终位置:

▼
bash
复制代码
readlink -f "$(command -v claude)"

真实路径会随着Node.js安装方式、版本和Claude Code版本变化。文章中的 /www/server/nodejs/v24.16.0 只是这台服务器的结果,不应该写死到脚本中。

想做更完整的安装检查,还可以运行:

▼
bash
复制代码
claude doctor

官方账号和第三方API,配置方式不同

如果使用Anthropic官方账号,进入项目目录后直接执行 claude,按照终端提示登录即可,不需要下面这份GLM配置。

如果使用智谱Coding Plan或兼容Anthropic协议的GLM API,需要修改Claude Code的环境配置。

Claude Code 调用 GLM 的配置关系

配置Claude Code接入GLM

先创建配置目录:

▼
bash
复制代码
mkdir -p ~/.claude

然后编辑:

▼
bash
复制代码
vim ~/.claude/settings.json

写入下面的配置,把 YOUR_API_KEY 换成自己的Key:

▼
json
复制代码
{ "env": { "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY", "ANTHROPIC_BASE_URL": "https://open.bigmodel.cn/api/anthropic", "ANTHROPIC_DEFAULT_HAIKU_MODEL": "glm-4.7", "ANTHROPIC_DEFAULT_SONNET_MODEL": "glm-5.2[1m]", "ANTHROPIC_DEFAULT_OPUS_MODEL": "glm-5.2[1m]", "CLAUDE_CODE_AUTO_COMPACT_WINDOW": "1000000", "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": 1, "API_TIMEOUT_MS": "3000000" } }

配置完成后,限制文件权限:

▼
bash
复制代码
chmod 600 ~/.claude/settings.json

这几个字段可以这样理解:

配置项作用
ANTHROPIC_AUTH_TOKEN智谱API Key
ANTHROPIC_BASE_URLAnthropic兼容接口地址
ANTHROPIC_DEFAULT_HAIKU_MODELClaude Code请求Haiku角色时使用的模型
ANTHROPIC_DEFAULT_SONNET_MODELClaude Code请求Sonnet角色时使用的模型
ANTHROPIC_DEFAULT_OPUS_MODELClaude Code请求Opus角色时使用的模型
API_TIMEOUT_MSAPI请求超时时间

glm-5.2[1m] 中的 [1m] 表示该服务商提供的100万Token上下文版本。模型名属于服务商配置,不是Claude Code统一规定的格式。后续智谱调整模型名称时,要以它的官方文档为准。

API Key现在保存在当前Linux用户的配置目录中。不要把 settings.json 上传到Git仓库,也不要让其他用户拥有读取权限。

跳过第三方API场景下的首次登录

使用第三方Anthropic兼容接口时,如果启动后仍停留在首次登录流程,可以编辑:

▼
bash
复制代码
vim ~/.claude.json

加入:

▼
json
复制代码
{ "hasCompletedOnboarding": true }

如果 ~/.claude.json 已经存在,不要整份覆盖,只需要合并 hasCompletedOnboarding 字段。

启动Claude Code

先进入准备操作的项目目录:

▼
bash
复制代码
cd /path/to/your/project claude

首次进入某个目录时,Claude Code会询问是否信任当前项目。

Claude Code 首次进入项目时的信任提示

只有确认代码来源可信时,才选择:

▼
text
复制代码
Yes, I trust this folder

因为Claude Code获得授权后,可以读取、修改并执行这个目录里的文件。

进入主界面后,会看到当前模型、项目路径和输入框:

Claude Code 成功进入项目

截图中显示 glm-5.2[1m],说明模型映射已经生效。

验证安装是否成功

建议按下面的顺序检查:

▼
bash
复制代码
# 查看版本 claude --version # 检查安装和配置 claude doctor # 查看当前命令入口 command -v claude # 解析软链接 readlink -f "$(command -v claude)" # 发起一次非交互测试,会产生少量模型费用 claude -p "只回复 OK"

前四条正常,只能说明程序安装和路径基本没有问题;最后一条能够正常返回,才说明API地址、Key和模型配置也已经打通。

常见问题

npm提示EBADENGINE

先看Node.js版本:

▼
bash
复制代码
node -v

当前npm安装方式应使用Node.js 22或更高版本。切换版本后重新安装Claude Code。

安装成功,但提示claude命令不存在

检查npm全局目录和当前PATH:

▼
bash
复制代码
npm config get prefix echo "$PATH"

临时加入PATH:

▼
bash
复制代码
export PATH="$(npm config get prefix)/bin:$PATH"

确认有效后,再把这一行写入 ~/.bashrc 或 ~/.zshrc。

root用户能运行,普通用户不能运行

不同Linux用户有各自的 HOME、npm目录和Claude配置。使用root安装并配置后,普通用户不一定能直接使用。

安装、写入 ~/.claude/settings.json 和运行 claude,最好保持为同一个用户。

返回401或403

重点检查:

  • ANTHROPIC_AUTH_TOKEN 是否正确。
  • Key是否拥有对应模型权限。
  • ANTHROPIC_BASE_URL 是否写错。
  • 模型名称是否仍然有效。

请求超时

先确认服务器能否访问API地址:

▼
bash
复制代码
curl -I https://open.bigmodel.cn

网络正常后,再检查 API_TIMEOUT_MS 和服务商状态。单纯反复重装Claude Code通常解决不了API超时。

界面中的模型和配置不一致

退出当前Claude Code会话,确认 settings.json 保存成功后重新启动。仍不一致时,检查是否在另一个Linux用户下运行。

更新和卸载

npm版本建议这样更新:

▼
bash
复制代码
npm install -g @anthropic-ai/claude-code@latest

官方文档不建议使用 npm update -g,因为它可能受到原始版本范围影响,未必升级到最新版。

卸载命令:

▼
bash
复制代码
npm uninstall -g @anthropic-ai/claude-code

如果不再使用原来的第三方API配置,再手动处理 ~/.claude/settings.json 和 ~/.claude.json。删除前先确认里面没有其他仍需保留的Claude Code设置。

参考资料

  • Claude Code快速开始:https://code.claude.com/docs/zh-CN/quickstart
  • Claude Code高级设置(npm安装):https://code.claude.com/docs/zh-CN/setup#install-with-npm
  • 智谱Claude Code配置:https://docs.bigmodel.cn/cn/coding-plan/tool/claude
  • Windows下安装Claude Code,使用API Key方式调用GLM:https://xdr630.blog.csdn.net/article/details/158777684
  • Claude Code接入国产大模型实战:GLM / Qwen配置全解析:https://xdr630.blog.csdn.net/article/details/160308331

安装本身并不难。真正容易出错的,是Node.js版本、命令路径和第三方API配置被混在一起。按步骤逐项验证,哪一步不通就查哪一步,比反复卸载重装省事得多。

欢迎关注我的公众号【兮动人】,每天分享一些技术文章和实战经验。

AI
技术
工具
5
2
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题

目录

🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
430
2
DeepSeek 全新模型发布,性价比最高的一集!
390
3
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
380
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
360
5
又一个国产版 Codex 神器,也来卷办公了!
330
6
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
310
7
AI 越强,被它拒绝的代价就越大 我有时候会想:AI 越来越厉害之后,有些事情,会不会反而越来越难做? 这个想法看起来有点矛盾。AI 明明在降低门槛,让不会写代码的人做出软件,让不会画画的人生成图片,让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候,AI 拒绝帮我编写 SQL 注入的请求体,而那还是我有源码、在本地跑测试的情况。那么,往后是否只会更难? 我们假设某一天,AI 说:「这个请求违规,我不能帮助你。」到那个时候,你还有多少能力,能绕过它,把事情做完? 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求,以及一件事实际有没有造成伤害,彼此之间并不总是画得上等号。一个请求可能确实危险,也可能只是缺少上下文被误判,或者恰好落在某家公司的限制范围里。 无论是哪种情况,随着我们越来越依赖 AI,这句拒绝都可能变得越来越贵。 今天,一个程序员让 AI 帮忙写代码,AI 拒绝了,他大概率还有别的办法:查文档、找开源项目、问同行,或者自己写。麻烦一点,慢一点,但路还在。 可如果十年之后,大部分程序都由 AI 完成,情况就不一样了。 很多人从接触编程的第一天起,就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品,却未必经历过独立处理底层问题的训练。平时,这种能力结构完全够用,效率甚至更高。只有 AI 拒绝的时候,他们才会发现:平常被省掉的那段学习过程,恰好是此刻最需要的东西。 到那时,一次拒绝的成本,可能就从「今晚多花两个小时」,变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子:往后,连真正理解这类攻击如何发生、能够独立构造测试的人,会不会也越来越少? 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统,一个经过授权的安全研究员想复现漏洞,假如 AI 识别到危险模式就拒绝,而使用者又只熟悉「让 AI 帮我检查」,这项原本可以独立完成的工作,就这样卡住了。 但是安全专家不会因此消失,但这类技能可能越来越集中在少数人手里。你仍然可以找专家,只是要付出更多的钱、更多的时间,以及更高的沟通成本。 类似的困境,未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据,需要解析它的旧文件格式。AI 判断这涉及规避保护措施,拒绝继续。你拥有这些数据,却没有能力把它们读出来。 你买了一台设备,厂商停止提供服务。你想修改程序让它继续运转,过程中需要处理某种访问限制。AI 不愿协助,而你所掌握的维修方式,早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具,减少重复操作。平台将此归入自动化限制,AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理;未来的使用者,可能连从哪里开始都不知道。 这些例子有一个共同点:当工具同时承担了「执行工作」和「传授知识」的角色,它的拒绝就不只是挡住了一次任务,也挡住了获得这种能力的机会。 更麻烦的是,这种依赖往往是我们主动选择的,而且每一步都很合理。 既然 AI 几秒钟就能做好,为什么还要花几个月学习?既然公司可以采购成熟的 AI 服务,为什么还要养一支负责基础工作的团队?既然市场上已经很少有人手写这些东西,学校为什么还要花大量时间教? 对个人、公司和学校来说,这些选择都有现实依据。但叠加起来,整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制,我们才发现,备用方案早已在追求效率的过程中被一点点削掉了。 所以,「AI 越强,做事越便宜」可能只描述了未来的一半。 另一半是:被允许的事情越来越便宜,被拒绝的事情依然需要人工完成,却要面对更少的人才、更高的报价,以及越来越难获得的知识。两边的成本差距,会越拉越大。 有人会说,可以换一个模型,或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争,开放模型还足够可用,限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态,以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务,那么「理论上还有别的办法」和「普通人实际用得起、用得明白」,之间仍然可能隔着很远。 我担心的,正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制,有充分的理由。但我们也需要关心:限制由谁定义,误判有没有申诉渠道,用户能不能换工具,以及脱离这个工具之后,还剩下多少独立行动的能力。 保留这些能力,平时看起来甚至有点低效,明明可以自动生成,还要理解原理;明明可以一键完成,还要知道手动怎么做。 但这些看似多余的知识,会在工具拒绝、失效、涨价或改变规则的那一刻,成为真正的选择权。 AI 越强,我们可能越需要留意它说「不」的那一刻。 因为那句话的分量,最终取决于:它拒绝之后,我们还能做什么。
310
8
什么是LLM
300
9
我的第一个出海产品!7 天 2 万
290
10
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
290