1. 为什么非得在 Windows 上本地跑 Claude Code——先破除三个常见误解“Claude Code 是 Anthropic 官方推出的代码助手只能用网页版”——这是最普遍的误判。实际上Claude Code 本身不是一款独立可下载的桌面应用它没有官方 Windows 安装包也没有.exe发行版。网络上大量所谓“Claude Code 官网中文版”“Claude Code 下载”“Claude Code 桌面版”等搜索结果99%指向的是第三方封装、镜像站诱导下载或混淆了概念的项目比如把 Codex、Ollama Claude 模型、Dify 接入 Claude API 的前端界面统称为“Claude Code”。我去年帮三家中小技术团队做本地 AI 工具链评估时就踩过这个坑花两天时间反复安装各种“Claude Code 安装包”最后发现全是带广告的 Electron 壳网页 iframe核心能力完全依赖外网 API且无法离线、无法审计、无法定制。第二个误区是“本地部署 把 Claude 模型文件下到 C 盘”。Claude 系列模型包括 Claude 3 Sonnet/Haiku目前未开源权重也不支持 Hugging Face 直接加载。你不可能像运行 Llama 3 或 Qwen2 那样用 Ollama pull 一个 claude:sonnet 就完事。Anthropic 明确要求所有对 Claude 模型的调用必须通过其官方 API 网关api.anthropic.com这是法律与技术双重约束。所以“Claude Code 本地部署”的真实含义从来不是“把 Claude 模型搬进内网”而是构建一个完全运行在你本地 Windows 机器上的、可离线启动的、面向开发者的代码智能增强工作流——它包含三重本地化运行环境本地化不依赖云 IDE、数据处理本地化代码不上传、交互界面本地化UI 运行在本地浏览器或 VS Code 插件中。第三个被严重低估的痛点是安全合规。某金融客户曾要求我们为 200 开发者统一配置 AI 编程辅助工具。他们试过直接用 VS Code 的官方 Anthropic 插件结果发现每次 CtrlEnter 触发补全VS Code 插件会将当前文件全文、光标上下文、甚至部分剪贴板内容明文 POST 到 api.anthropic.com而他们的核心交易系统代码连 GitLab 都是 air-gapped 隔离的。最终我们放弃“直连 API”方案转而采用本地代理层 语义缓存 代码脱敏预处理的三层架构这才是真正意义上的“本地部署”——API 调用仍需联网但所有敏感逻辑、结构化提示词、历史对话摘要、代码片段特征向量全部保留在本机 SQLite 数据库中不经过任何中间服务器。这正是本教程要带你落地的核心不是幻想绕过 Anthropic 的 API 墙而是用 Windows 原生能力把“调用 API”这件事做成和你启动记事本一样可控、可审计、可中断的操作。所以当你看到标题里“Claude Code Windows 本地部署”请立刻切换认知这不是一个“安装软件”的任务而是一次Windows 开发环境的深度重构。你要亲手配置的是一套由 Python 后端服务、VS Code 前端插件、本地 HTTP 代理、环境变量沙箱、以及一套严格的数据生命周期策略共同组成的系统。它不提供“一键傻瓜式”但换来的是每一次代码补全背后你对自己数据流向的绝对掌控权。2. 真实可用的本地架构设计为什么必须绕开“直接安装”陷阱市面上所有声称“Claude Code Windows 安装包”的方案基本逃不开三类技术路径而它们各自存在不可忽视的硬伤。我用一张表对比说明再告诉你我们最终选定的方案为何更可靠方案类型典型代表核心原理关键缺陷是否满足“本地部署”定义网页壳封装“Claude Code 桌面版.exe”、“CC Switch Windows 安装”Electron 打包官网网页加个托盘图标本质仍是 Chrome 内核访问 api.anthropic.com无本地缓存无法拦截/审计请求更新完全不可控❌ 不满足。代码、提示词、上下文全程明文外传API 代理转发Dify 本地部署 Claude 连接器、FastAPI 封装 Anthropic SDK本地起一个 HTTP 服务接收 VS Code 请求再转发给 Anthropic API若未实现请求体加密、响应缓存、速率限制、Token 审计日志则只是“换了个端口调 API”安全水位未提升⚠️ 边界模糊。仅当加入完整审计链如 SQLite 记录每条请求哈希、响应耗时、token 消耗才勉强达标LLM 本地替代 提示工程桥接Ollama DeepSeek-Coder / Qwen2.5-Coder 自定义 system prompt 模拟 Claude Code 行为用开源代码模型在本地运行通过精心设计的 prompt 模拟 Claude Code 的补全风格与逻辑模型能力有差距尤其长上下文理解、多文件推理无法调用真实 Claude 的 tool use 功能如代码执行、调试建议需持续调优 prompt✅ 满足。100% 离线零数据外泄但功能是“类 Claude”非“真 Claude”我们最终选择的是第二类的强化演进版一个轻量级、可审计、带语义缓存的本地 API 代理层并明确拒绝第一类纯壳和第三类替代模型作为本教程主线。理由很务实客户要的是“Claude Code 的能力”不是“一个长得像的代码助手”。DeepSeek-Coder 再强也无法原生支持claude-3-haiku-20240307的tool_use协议去调用本地 Python 解释器执行代码片段——而这恰恰是 Claude Code 最区别于其他模型的核心技能。因此我们的架构图非常清晰只有四个核心组件全部运行在你的 Windows 10/11 机器上claude-proxy服务Python 3.11 编写基于 FastAPI监听http://127.0.0.1:8000。它不处理模型推理只做三件事(a) 接收来自 VS Code 插件的标准化 JSON-RPC 请求(b) 对请求中的代码片段进行 SHA256 哈希查本地 SQLite 缓存库命中则直接返回缓存响应毫秒级(c) 未命中则构造符合 Anthropic v1 API 规范的请求体添加anthropic-version: 2023-06-01头转发至https://api.anthropic.com/v1/messages并将原始请求、响应、耗时、token 数写入审计日志表。VS Code 插件客户端不使用官方 Anthropic 插件它直连外网而是安装一个极简的自定义插件local-claude-code。它只做一件事把你在编辑器中选中的代码块、光标位置、文件路径打包成 JSON-RPC 2.0 格式POST 到http://127.0.0.1:8000/v1/chat/completions兼容 OpenAI API 格式方便未来切换。插件源码仅 200 行 TypeScript你可以随时审查。本地 SQLite 审计数据库位于%LOCALAPPDATA%\ClaudeProxy\cache.db。包含三张表requestsid, hash, timestamp, model, prompt_tokens, completion_tokens、responsesrequest_id, content, finish_reason、cachehash, response_id, created_at。所有字段均不存储原始代码内容只存哈希与元数据。这是“本地部署”最硬的证据——你的代码从未以明文形式离开内存。Windows 环境沙箱通过 PowerShell 脚本创建专用用户环境变量CLAUDE_PROXY_API_KEY并设置HTTP_PROXYhttp://127.0.0.1:8000仅对claude-proxy进程生效。VS Code 启动时读取此变量确保所有插件流量强制走本地代理杜绝意外直连。这个设计的精妙之处在于它不挑战 Anthropic 的 API 合规性却在 Windows 系统层面筑起一道数据主权墙。你获得的是真实的 Claude Code 能力付出的代价只是多启一个本地服务进程。而这个进程从安装、配置、日志、到关闭全程由你控制。接下来我们就从零开始把这个架构一砖一瓦垒起来。3. 环境准备Windows 上最稳妥的 Python 与依赖管理实践在 Windows 上搞 Python 开发最大的陷阱不是“装不上”而是“装得太随意”。我见过太多人用python.org下载的 MSI 安装包一路“下一步”结果导致pip权限混乱、venv创建失败、pyd扩展模块报错。本教程要求的claude-proxy服务依赖anthropicSDK、fastapi、uvicorn、sqlalchemy和pysqlite3任何一个环节出问题整个代理就瘫痪。所以我们必须用一种Windows 原生、无需管理员权限、可完全卸载、且与系统 Python 彻底隔离的方式完成环境搭建。答案只有一个pyenv-winvenv组合拳。3.1 为什么不用系统 Python 或 Anaconda系统 Python来自 Microsoft Store默认安装在C:\Program Files\WindowsApps\路径含空格和特殊字符pip install经常因权限不足失败且更新由 Windows Update 控制你无法锁定 Python 版本。Anaconda/Miniconda虽然强大但对本项目是“杀鸡用牛刀”。它自带的conda包管理器与pip存在版本冲突风险尤其sqlite3库其默认环境路径C:\Users\XXX\anaconda3在企业域环境下常被组策略禁写更重要的是它会全局修改PATH干扰你已有的开发环境。pyenv-win则完美规避所有问题它只是一个纯 PowerShell 脚本集合所有 Python 版本解压到用户目录如C:\Users\YourName\.pyenv\pyenv-win\versions\3.11.9每个版本完全独立切换版本只需pyenv local 3.11.9只影响当前目录卸载就是删掉.pyenv文件夹干净利落。3.2 分步安装pyenv-win与 Python 3.11.9提示全程在PowerShell非 CMD非 Git Bash中操作且不要以管理员身份运行。右键开始菜单 → Windows PowerShell → 点击打开即可。安装pyenv-win在 PowerShell 中逐行执行复制粘贴回车# 设置执行策略允许本地脚本运行 Set-ExecutionPolicy RemoteSigned -Scope CurrentUser -Force # 下载并安装 pyenv-win 到用户目录 Invoke-WebRequest -UseBasicParsing -Uri https://raw.githubusercontent.com/pyenv-win/pyenv-win/master/pyenv-win/install-pyenv-win.ps1 -OutFile $env:TEMP/install-pyenv-win.ps1 $env:TEMP/install-pyenv-win.ps1安装完成后关闭当前 PowerShell 窗口重新打开一个新的。这是关键一步让新的PATH环境变量生效。验证pyenv是否就绪输入pyenv --version应输出类似pyenv 3.4.0。若报错“找不到命令”说明新窗口没加载好重启几次或检查是否用了 CMD。列出并安装 Python 3.11.9pyenv默认不显示所有版本需先更新列表pyenv update pyenv install --list | Select-String 3.11 # 找到 3.11.9然后安装此步骤约需 3-5 分钟耐心等待 pyenv install 3.11.9设置项目级 Python 版本创建一个专属文件夹比如C:\dev\claude-proxy然后进入mkdir C:\dev\claude-proxy cd C:\dev\claude-proxy pyenv local 3.11.9此时在C:\dev\claude-proxy目录下执行python --version必输出Python 3.11.9。这就是“项目级锁定”换到其他目录Python 版本不受影响。3.3 创建隔离虚拟环境并安装核心依赖切记永远不要在pyenv管理的全局 Python 下直接pip install。必须用venv创建沙箱# 在 C:\dev\claude-proxy 目录下执行 python -m venv .venv # 激活虚拟环境注意PowerShell 中用 .venv\Scripts\Activate.ps1不是 activate.bat .venv\Scripts\Activate.ps1 # 激活后命令行前缀会变成 (.venv)此时 pip 指向虚拟环境内的 pip pip install --upgrade pip setuptools wheel # 安装核心依赖关键指定清华源加速且 pysqlite3 必须用二进制 wheel pip install fastapi uvicorn anthropic sqlalchemy pysqlite3 -i https://pypi.tuna.tsinghua.edu.cn/simple/注意pysqlite3是重点。Windows 自带的sqlite3模块Python 3.11 内置不支持 WAL 模式和 FTS5 全文检索而我们的审计日志需要高性能写入。pysqlite3是一个独立的、预编译的二进制包它会替换sqlite3模块且完全兼容。安装后在 Python 中执行import pysqlite3 as sqlite3; print(sqlite3.sqlite_version)应输出3.40.0或更高证明成功。3.4 验证环境一个 5 行测试脚本在C:\dev\claude-proxy下新建test_env.pyimport sqlite3 from anthropic import Anthropic print(✅ SQLite version:, sqlite3.sqlite_version) print(✅ Anthropic SDK imported) # 测试能否创建内存数据库模拟审计库 conn sqlite3.connect(:memory:) conn.execute(CREATE TABLE test (id INTEGER)) print(✅ In-memory DB created) conn.close() print( Environment ready for claude-proxy!)激活虚拟环境后运行python test_env.py。如果四行 ✅ 全部打印恭喜你的 Windows Python 环境已达到工业级稳定水准。这比网上千篇一律的“下载 Python 安装包点下一步”严谨了不止一个数量级——因为真正的“本地部署”始于对每一行字节的掌控。4.claude-proxy服务实战从零编写、调试、守护的全流程现在我们进入最核心的环节亲手写出那个监听127.0.0.1:8000的代理服务。它不是黑盒而是一个你完全理解、随时可修改、可审计的 200 行 Python 脚本。我会把每一行代码背后的决策逻辑都讲透让你不仅会抄更懂为什么这么写。4.1 创建项目结构与核心文件在C:\dev\claude-proxy目录下建立如下结构C:\dev\claude-proxy\ ├── main.py # FastAPI 主应用 ├── database.py # SQLite 初始化与连接管理 ├── cache.py # 缓存哈希计算与查询逻辑 ├── models.py # Pydantic 数据模型定义 └── .env # 环境变量配置文件存放 API Key首先创建.env文件注意文件名就是.env无后缀ANTHROPIC_API_KEYyour_actual_api_key_here DATABASE_PATH%LOCALAPPDATA%\ClaudeProxy\cache.db提示ANTHROPIC_API_KEY请从 Anthropic Console 获取。DATABASE_PATH使用 Windows 环境变量%LOCALAPPDATA%它指向C:\Users\YourName\AppData\Local是标准的、用户专属的、无需管理员权限的存储位置。绝不要写死C:\Users\YourName\...否则迁移环境会失败。4.2database.py安全可靠的 SQLite 连接池新建database.py内容如下import os import sqlite3 from contextlib import contextmanager from pathlib import Path def get_db_path() - Path: 解析 .env 中的 DATABASE_PATH确保目录存在 db_path_str os.getenv(DATABASE_PATH, ) if not db_path_str: raise RuntimeError(DATABASE_PATH not set in .env) # 将 %LOCALAPPDATA% 展开为实际路径 db_path Path(os.path.expandvars(db_path_str)) db_path.parent.mkdir(parentsTrue, exist_okTrue) # 自动创建父目录 return db_path contextmanager def get_db_connection(): 上下文管理器确保连接自动关闭避免泄漏 conn sqlite3.connect(get_db_path(), check_same_threadFalse) conn.row_factory sqlite3.Row # 支持字典式取值 try: yield conn finally: conn.close() def init_database(): 初始化数据库表结构幂等操作 with get_db_connection() as conn: # 创建 requests 表记录每次请求元数据 conn.execute( CREATE TABLE IF NOT EXISTS requests ( id INTEGER PRIMARY KEY AUTOINCREMENT, hash TEXT UNIQUE NOT NULL, timestamp DATETIME DEFAULT CURRENT_TIMESTAMP, model TEXT NOT NULL, prompt_tokens INTEGER, completion_tokens INTEGER ) ) # 创建 responses 表存储响应内容仅 content 字段不含原始代码 conn.execute( CREATE TABLE IF NOT EXISTS responses ( id INTEGER PRIMARY KEY AUTOINCREMENT, request_id INTEGER NOT NULL, content TEXT NOT NULL, finish_reason TEXT, FOREIGN KEY(request_id) REFERENCES requests(id) ) ) # 创建 cache 表哈希到响应 ID 的映射用于快速查找 conn.execute( CREATE TABLE IF NOT EXISTS cache ( hash TEXT PRIMARY KEY, response_id INTEGER NOT NULL, created_at DATETIME DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY(response_id) REFERENCES responses(id) ) ) # 为 hash 字段创建索引加速查询 conn.execute(CREATE INDEX IF NOT EXISTS idx_cache_hash ON cache(hash)) conn.commit()这段代码的关键设计点check_same_threadFalseFastAPI 默认多线程SQLite 连接必须允许跨线程访问否则会报ProgrammingError: SQLite objects created in a thread can only be used in that same thread。os.path.expandvars()正确解析%LOCALAPPDATA%这是 Windows 平台最佳实践。幂等初始化CREATE TABLE IF NOT EXISTS确保多次运行init_database()不会报错适合服务重启场景。4.3cache.py语义缓存的核心引擎新建cache.pyimport hashlib import json from typing import Optional, Dict, Any from database import get_db_connection def calculate_request_hash(request_body: Dict[str, Any]) - str: 对请求体进行确定性哈希忽略时间戳等动态字段 # 只取影响响应的核心字段model, messages, system, max_tokens, temperature # 移除 timestamp, request_id 等动态字段保证相同请求体哈希一致 safe_body { model: request_body.get(model), messages: request_body.get(messages, []), system: request_body.get(system, ), max_tokens: request_body.get(max_tokens, 1024), temperature: request_body.get(temperature, 0.3), } # JSON 序列化时保持键顺序确保哈希稳定 json_str json.dumps(safe_body, sort_keysTrue, separators(,, :)) return hashlib.sha256(json_str.encode()).hexdigest() def get_cached_response(request_hash: str) - Optional[Dict[str, Any]]: 根据哈希查找缓存响应返回 {content, finish_reason} 字典 with get_db_connection() as conn: cursor conn.execute( SELECT r.content, r.finish_reason FROM cache c JOIN responses r ON c.response_id r.id WHERE c.hash ?, (request_hash,) ) row cursor.fetchone() if row: return {content: row[content], finish_reason: row[finish_reason]} return None def save_to_cache(request_hash: str, response_content: str, finish_reason: str, model: str, prompt_tokens: int, completion_tokens: int): 保存请求与响应到数据库包含完整审计链 with get_db_connection() as conn: # 插入 requests 表 conn.execute( INSERT INTO requests (hash, model, prompt_tokens, completion_tokens) VALUES (?, ?, ?, ?), (request_hash, model, prompt_tokens, completion_tokens) ) request_id conn.execute(SELECT last_insert_rowid()).fetchone()[0] # 插入 responses 表 conn.execute( INSERT INTO responses (request_id, content, finish_reason) VALUES (?, ?, ?), (request_id, response_content, finish_reason) ) response_id conn.execute(SELECT last_insert_rowid()).fetchone()[0] # 插入 cache 表建立哈希映射 conn.execute( INSERT INTO cache (hash, response_id) VALUES (?, ?), (request_hash, response_id) ) conn.commit()这里体现了“本地部署”的灵魂缓存不是为了提速而是为了审计与可控。calculate_request_hash函数刻意剔除了timestamp字段意味着你昨天写的同一段代码今天再次请求只要messages和model不变就会命中缓存——这不仅是性能优化更是你对“相同输入必得相同输出”的承诺。而save_to_cache中的三表关联确保了每一条缓存记录都能在数据库中追溯到完整的请求元数据谁、何时、用什么模型、消耗多少 token。4.4main.pyFastAPI 服务的完整实现这是主干新建main.pyimport os import time import asyncio from fastapi import FastAPI, Request, HTTPException, status from fastapi.responses import JSONResponse from anthropic import Anthropic from database import init_database from cache import calculate_request_hash, get_cached_response, save_to_cache from models import ChatCompletionRequest, ChatCompletionResponse app FastAPI(titleClaude Proxy, version1.0) # 初始化数据库 init_database() # 初始化 Anthropic 客户端复用连接避免频繁创建 anthropic_client Anthropic(api_keyos.getenv(ANTHROPIC_API_KEY)) app.post(/v1/chat/completions) async def chat_completions(request: Request): OpenAI 兼容接口接收 VS Code 插件请求 try: # 1. 解析 JSON 请求体 raw_body await request.body() body_dict await request.json() # 2. 计算请求哈希 request_hash calculate_request_hash(body_dict) # 3. 尝试缓存命中 cached get_cached_response(request_hash) if cached: return JSONResponse(content{ choices: [{message: {content: cached[content]}, finish_reason: cached[finish_reason]}] }) # 4. 缓存未命中调用 Anthropic API start_time time.time() # 构造 Anthropic Messages API 请求v1 messages [] for msg in body_dict.get(messages, []): # 将 OpenAI 格式转换为 Anthropic 格式 if msg[role] user: messages.append({role: user, content: msg[content]}) elif msg[role] assistant: messages.append({role: assistant, content: msg[content]}) # 调用 Anthropic API response anthropic_client.messages.create( modelbody_dict.get(model, claude-3-haiku-20240307), max_tokensbody_dict.get(max_tokens, 1024), temperaturebody_dict.get(temperature, 0.3), systembody_dict.get(system, ), messagesmessages ) end_time time.time() duration_ms int((end_time - start_time) * 1000) # 5. 提取响应内容与 token 信息 content response.content[0].text if response.content else finish_reason response.stop_reason # 6. 保存到缓存审计 save_to_cache( request_hashrequest_hash, response_contentcontent, finish_reasonfinish_reason, modelresponse.model, prompt_tokensresponse.usage.input_tokens, completion_tokensresponse.usage.output_tokens ) # 7. 返回 OpenAI 兼容格式响应 return JSONResponse(content{ choices: [{message: {content: content}, finish_reason: finish_reason}], usage: { prompt_tokens: response.usage.input_tokens, completion_tokens: response.usage.output_tokens, total_tokens: response.usage.input_tokens response.usage.output_tokens } }) except Exception as e: # 记录详细错误但不暴露敏感信息给客户端 print(f❌ Proxy error: {e}) raise HTTPException( status_codestatus.HTTP_500_INTERNAL_SERVER_ERROR, detailInternal server error. Check logs. ) if __name__ __main__: import uvicorn uvicorn.run(app, host127.0.0.1, port8000, log_levelinfo)4.5 启动、调试与守护让服务稳如磐石首次启动与测试确保虚拟环境已激活在C:\dev\claude-proxy下执行python main.py你会看到 Uvicorn 启动日志监听127.0.0.1:8000。打开浏览器访问http://127.0.0.1:8000/docsFastAPI 自动生成的 Swagger UI 就出现了——这证明服务已活。手动测试 API用 PowerShell 发送一个测试请求模拟 VS Code 插件$body { model claude-3-haiku-20240307 messages ({roleuser; contentHello, write a Python function to calculate factorial.}) max_tokens 256 } | ConvertTo-Json Invoke-RestMethod -Uri http://127.0.0.1:8000/v1/chat/completions -Method Post -Body $body -ContentType application/json如果返回了正确的 Python 代码说明代理通了同时检查C:\Users\YourName\AppData\Local\ClaudeProxy\cache.db用 DB Browser for SQLite 打开你会发现requests、responses、cache三张表里已写入数据。后台守护Windows 服务化可选但推荐让claude-proxy随系统启动、崩溃自动重启用 Windows 自带的sc命令# 以管理员身份打开 PowerShell仅此一步需要管理员 sc create ClaudeProxyService binPath C:\Users\YourName\.pyenv\pyenv-win\versions\3.11.9\python.exe C:\dev\claude-proxy\main.py start auto sc start ClaudeProxyService此后服务将在后台静默运行。查看日志Get-EventLog -LogName Application -Source Service Control Manager | Where-Object {$_.Message -like *ClaudeProxy*} | Select-Object TimeGenerated, Message。至此你的claude-proxy服务已完全就绪。它不是一个黑盒安装包而是一套你亲手编写、调试、守护的、完全透明的本地基础设施。每一次代码补全背后都是你对数据主权的坚定捍卫。5. VS Code 插件配置零代码修改100% 本地化交互有了后端代理前端必须无缝对接。好消息是你不需要写一行 TypeScript也不需要发布自己的插件。VS Code 生态中有一个成熟、轻量、开源的插件专为这种“本地代理”场景而生——CodeLLDB的作者开发的CodeGeeX替代品Continue.dev但它太重。我们选择更精准的Tabnine的开源分支Tabby的 VS Code 插件但需微调其配置。不过最优雅的方案是直接复用官方Anthropic插件仅修改其 endpoint 配置。5.1 为什么首选官方插件 endpoint 重定向信任度最高官方插件源码公开GitHub:anthropic/anthropic-vscode你可随时审查其网络请求逻辑。功能最全支持CtrlEnter补全、AltEnter生成单元测试、CmdShiftPClaude: Explain Code等全部快捷指令。维护最及时随 Anthropic API 更新自动适配新字段、新模型。零学习成本你的团队无需适应新 UI、新快捷键。唯一要做的就是告诉这个插件“别连api.anthropic.com去连我的127.0.0.1:8000”。5.2 修改插件配置的两种方式推荐方式二方式一VS Code 设置中全局覆盖简单但影响所有插件打开 VS Code →Ctrl,打开设置。搜索http.proxy在HTTP: Proxy设置项中填入http://127.0.0.1:8000。⚠️ 严重警告这会强制 VS Code 所有网络请求包括扩展市场、Git 同步、Live Share都走你的代理而你的claude-proxy只处理/v1/chat/completions其他请求会 404导致 VS Code 功能异常。此方式绝对禁止方式二插件专属配置精准、安全、推荐这是anthropic-vscode插件预留的官方机制。它读取一个名为anthropic.apiEndpoint的设置项在 VS Code 中按CtrlShiftP输入Preferences: Open Settings (JSON)回车。在打开的settings.json文件中添加以下两行确保逗号分隔正确anthropic.apiEndpoint: http://127.0.0.1:8000/v1, anthropic.apiKey: ignored注意apiKey设为ignored是关键。因为插件在发送请求时会读取此值并放入Authorization: Bearer key头。但我们希望它不发送任何 key因为claude-proxy服务自己会从.env文件读取ANTHROPIC_API_KEY并添加头。如果插件也发 key会导致400 Bad Request重复认证头。设为ignored后插件会跳过 key 注入只发请求体。保存settings.json重启 VS Code。5.3 验证配置是否生效三步精准诊断第一步确认插件已启用CtrlShiftP→Extensions: Show Enabled Extensions→ 搜索Anthropic确保状态为Enabled。第二步触发一次补全观察网络打开任意.py文件输入def hello():将光标放在下一行按CtrlEnter。此时你的claude-proxy终端窗口应立即打印出类似日志INFO: 127.0.0.1:54321 - POST /v1/chat/completions HTTP/1.1 200 OK这证明请求已成功抵达代理。第三步检查数据库审计日志用 DB Browser for SQLite 打开cache.db刷新requests表。你应该能看到一条新记录model字段为claude-3-haiku-20240307timestamp是当前时间。点开cache表找到对应hash再关联到responses表content字段里就是 Claude 生成的补全代码。这才是“本地部署”最坚实的证据链从键盘触发到屏幕显示全程数据未离本机且每一步均可审计。5.4 进阶技巧为不同项目设置不同模型与温度你可能希望在写脚本时用haiku快、便宜在重构核心模块时用