最近 Claude Code 在 AI 开发工具圈很火，原因不难理解：它不像普通聊天机器人那样只回答问题，而是可以读取项目、修改代码、执行终端命令、安装依赖，并尝试自动修复报错。

真正的问题在成本。Claude 官方 API 在长上下文、大型项目、多轮 Agent 调用和自动修 Bug 场景下，Token 消耗会很快变大。于是出现了一种新的玩法：继续使用 Claude Code 的 Agent 外壳，但把模型请求转发给本地 Ollama。

这条链路的关键工具是 CC Switch。

这套方案解决什么问题

可以把它理解为：

1
2
3

Claude Code 桌面版
+ CC Switch API 转发层
+ Ollama 本地模型

Claude Code 继续负责项目操作、终端执行、文件修改和 Agent 流程；真正负责推理的大模型，则换成本地运行的 Qwen、DeepSeek、Gemma、GLM 等模型。

这样做的吸引力很直接：

• 不依赖 Claude 官方 API。
• 没有持续 Token 计费压力。
• 模型和数据可以留在本机。
• 小项目、脚本、网页、运维任务可以低成本反复试。

但它不是“免费获得 Claude Sonnet 能力”。本地模型的工程理解、长上下文稳定性和复杂任务规划，仍然会受模型能力、显存、量化版本和上下文长度限制。

基本准备

前置环境主要包括：

1. 安装 Git。
2. 安装 Claude Code 官方桌面版。
3. 安装最新版 Ollama 客户端。
4. 下载 CC Switch 开源工具。
5. 在 Ollama 中准备合适的本地模型。

模型选择可以按显存来定。常见选择包括：

• Qwen 3.6 / Qwen 3.5
• Gemma4
• DeepSeek R1
• GLM

如果显存不大，优先选择较小参数或较低量化版本。不要一开始就用超大模型，否则很容易出现加载慢、上下文短、响应卡顿或直接显存不足。

CC Switch 关键配置

这套方案里最关键的配置项是下面几项。

请求地址：

1

http://127.0.0.1:11434/v1

API 格式：

1

OpenAI Chat Completions

认证字段选择：

1

ANTHROPIC_API_KEY

Claude Code 桌面版的自定义配置文件末尾，还需要加入注册表修改命令：

1

"inferenceModels"="[\"haiku\",\"sonnet\",\"opus\"]"

这一步的作用，是让 CC Switch 把模型名称注入到 Claude Code 里显示。Claude Code 以为自己在调用 Claude 模型，实际请求已经被 CC Switch 转发到了本地 Ollama。

Claude Code 强在哪里

很多人第一次接触 Claude Code，会把它当成高级聊天工具。但它和普通 AI 聊天客户端不太一样。

普通聊天式 AI 通常是：

1
2

你问一句
它答一句

Claude Code 更接近：

1

AI + IDE + Terminal

它可以读取项目结构，例如：

1
2
3
4

src/
components/
package.json
docker-compose.yml

然后尝试完成一串操作：

• 分析代码。
• 修改文件。
• 安装依赖。
• 执行命令。
• 查看报错。
• 再次修改。
• 重新运行项目。

这也是为什么很多开发者把它叫做 AI 开发 Agent。它的价值不只是“写一段代码”，而是能围绕项目状态连续行动。

Ollama 在这里扮演什么角色

Ollama 负责在本机运行模型。

这套组合的核心逻辑是：

1. Claude Code 负责 Agent 能力和项目操作。
2. CC Switch 负责把 Claude Code 的请求转成兼容本地模型的 API。
3. Ollama 负责实际推理。
4. 本地模型返回结果后，再交给 Claude Code 继续执行。

所以，这不是把 Ollama 变成一个普通聊天窗口，而是把它接进 Claude Code 的工作流。

对于小型任务，这种组合会很有吸引力。比如：

• 生成一个 HTML 页面。
• 修改小型前端项目。
• 写自动化脚本。
• 处理 Docker 配置。
• 做 VPS 运维辅助。
• 生成简单工具或测试代码。

类似“帮我生成一个赛博朋克风格的个人主页网站”这类任务，本地模型可以完成项目创建、网页生成、动画和特效配置，并尝试自动运行。

体验边界在哪里

这套玩法很有意思，但边界也要说清楚。

目前本地模型仍然很难完全替代 Claude Sonnet，尤其在这些场景里：

• 长上下文理解。
• 大型工程结构分析。
• 多步骤推理。
• 复杂项目架构调整。
• 长时间连续修 Bug。

项目一复杂，本地模型更容易出现：

• 逻辑混乱。
• 修改错误文件。
• 反复修同一个 Bug。
• 忘记前文上下文。
• 对项目结构判断不稳定。

所以更合理的定位是：它适合低成本试验、小项目、脚本任务和局部代码修改；不适合一开始就把大型生产项目完全交给它自动改。

多模态兼容性还不稳定

这套链路还有一个明显问题：Vision 多模态兼容性。

虽然 Ollama 已经支持一些 Vision 模型，但 Claude Code + CC Switch + Ollama 这条链路对图片支持并不完整。常见情况是：用户上传了图片，但 AI 仍提示没有看到图片。

这并不一定是模型不支持 Vision，而是整条链路里：

• Claude Code 更偏代码 Agent。
• CC Switch 主要处理 API 转发。
• Ollama 模型能力和请求格式还要匹配。
• 图片输入在不同客户端和模型之间并不总是无缝传递。

所以目前更适合的场景还是：

• 编程。
• 终端操作。
• 项目文件修改。
• 自动化脚本。

而不是：

• 图片理解。
• OCR。
• 多模态聊天。
• 复杂视觉任务。

适合谁尝试

这套方案适合几类人：

• 想体验 Claude Code Agent 工作流，但不想持续消耗 Claude API 的用户。
• 已经在本机跑 Ollama 的本地大模型玩家。
• 做小项目、脚本、网页、运维工具的开发者。
• 想测试本地模型真实编程能力的人。
• 对数据本地化更敏感的用户。

不太适合：

• 完全不想折腾配置的人。
• 希望获得 Claude Sonnet 同等能力的人。
• 需要稳定处理大型生产代码库的人。
• 强依赖图片输入和多模态能力的人。

使用建议

如果要尝试，建议按低风险方式开始：

1. 先用测试项目，不要直接接生产仓库。
2. 选择中小模型，确认 Ollama 本身运行稳定。
3. 先做 HTML、脚本、配置文件这类简单任务。
4. 每次修改后自己检查 git diff。
5. 不要让它在不确认的情况下批量删除或重构文件。
6. 多模态任务暂时不要依赖这条链路。

如果项目比较复杂，最好把任务拆小：让它只改一个模块、一个函数、一个页面或一个配置文件。这样比“一句话让它重构整个项目”可靠得多。

小结

Claude Code + Ollama + CC Switch 的意义，不是让本地模型立刻变成 Claude Sonnet，而是把本地模型接进一个真正能操作项目的 Agent 外壳里。

这让本地 AI 开发助手第一次变得更接近真实生产力工具：它可以看项目、改文件、跑命令、修错误，而不是只在聊天框里给建议。

但它的能力上限仍然取决于本地模型本身。小项目和自动化任务会很有价值；大型工程、长上下文和复杂推理仍然需要更强模型。

如果你的目标是“零 API 成本、无 Token 焦虑、在本机反复试 AI 编程 Agent”，这套方案值得折腾。只是要记住：它是本地开发助手，不是万能自动程序员。