香港特别行政区网站建设_网站建设公司_支付系统_seo优化

大家好，我是被智谱卷到的袋鼠帝。

昨天智谱刚把GLM-4.7放出来，群里就有老哥找我写文章了..

智谱也太卷了，于是，我又被迫加班了

从平安夜奋战到了圣诞节，终于在今天把这篇文章发出来了，不容易啊

正好我一直以来想做一个产品，我这次用Codex + GLM-4.7 + Claude Code，从0到1做了一个一键生成海外营销数字人短视频的平台（MVP项目）

我觉得作为半天内搓出来的项目已经相当nice👍，具体的开发经验稍后分享。

在这之前，我先跟大家说说GLM-4.7这次更新了些什么

这次升级的点，其实很集中，基本就落在四个关键词上：前端、全栈、Agent、写作。

1.前端更漂亮了：GLM-4.7这次前端审美大幅提升了，生成的前端将会更好看；

2.编程能力提升：提升多语言编程能力（全栈开发能力），开发复杂项目更得心应手；

3.Agent能力更强了：工具调用能力提升，在τ²-Bench交互式工具调用评测中得到87.4分，成为开源SOTA，超过了Claude Sonnet 4.5。提升了数学和推理能力，在HLE（人类最后的考试）基准测试获得42.8%，较GLM-4.6提升41%，超过了GPT-5.1

4.Code榜杀疯了：在Lmarena的全世界Code盲测排行榜上排名第6，超越了GPT-5.2。

5.情商也更高了，写作和角色扮演方面也有加强。

其实这些跑分我都看麻了，现在我主要看Lmarena的排行，因为这里是全世界所有人盲测投票出来的结果。

GLM-4.7作为开源模型，在编程方面能干到世界第6也是挺意外的

打造出海营销数字人平台

再回到我比较关心的事儿。

这些升级，能不能在一个真实产品里兑现呢。

所以我这次不想搞Case了，也不搞什么花活

我用Codex + GLM-4.7 + Claude Code，尝试在一天之内，做完一个海外营销数字人短视频生成平台的MVP。

现在回头看，这个想法本身，其实比结果更有意思。

我先简单说下这个MVP项目是干啥的。

逻辑比较清晰，大概率能赚米：

一段口播（音频）+数字人结合产品（图片）+视频Prompt（文字）=数字人营销短视频

文案由GLM-4.7生成，通过TTS（可以用开源的index-tts）转成语音

图片可以由香蕉 Pro生成，也可以自己上传

视频Prompt也可以由GLM-4.7生成

最后的数字人由开源的infiniteTalk模型生成

流程大致如下：

这不是随便搞的，而是一个真实存在需求的产品形态。

因为我最近一直在研究AI数字人视频的开源方案，现在数字人开源方案逐渐成熟，并且效果已经很不错了，但是真正卡住大家的，不是模型效果，而是把这些能力整合成一个完整产品的工程。

这个平台，把制作数字人短视频SOP化了，而且的本很低，意味着可以把AI数字人的价格打下来。

而正好，GLM又升级了，好像除了用GLM-4.7，没有别的更好的选择了，毕竟这是目前接入Claude Code性价比最高的模型

这次开发的平台难度有点高，我刻意把节奏放慢了一点，没有一上来就写代码。

现在AI做任何事情，上下文才是关键

所以第一步，我们需要花大量的时间在写需求上。

页面长啥样？用户咋流转？哪里同步哪里异步？用谁的API？数据库存啥？

这个阶段的初期，其实非常反AI，全是人脑在工作。

但如果你跳过这一步，后面就会发现，靠模型写得越快，返工越狠，离你的预期越来越远。

第二步，我把自己梳理的需求初稿交给了接入了GLM-4.7的Codex。

codex梳理需求很好用，GLM-4.7接入Codex的方法，放到最后了

不是让它写代码，是让它帮我评审需求，挑毛病，找出待确认的地方，然后不断跟它对话，对齐需求，这几轮来回，非常重要。

因为它逼着你把脑子里那些模糊的想法，变成可以落地的更详细的需求。

最后，GLM-4.7给我输出了一份一千三百多行的超详细的需求文档。

从技术架构、选型到接口定义，从数据库表结构到前端UI布局等9大块（见上图），几乎把后面所有容易出问题的地方都提前铺平了。

第三步：梳理需要用到的第三方API（请求、响应示例、apikey等）、数据库信息（地址、端口、用户名、密码、数据库名称）

第四步：直到这一步，我才让GLM-4.7+Claude Code进场。

还是不要一上来就写代码，先执行/init，让Claude Code熟悉目录下的所有文件，包括需求文档

然后开Plan Mode（计划模式）制定一个开发计划。

确认没问题之后，才开始一段一段往下写。

开发完成之后，可以让GLM-4.7帮忙快速启动前后端（过程中需要下载相关依赖，它都完成得很好）

不过这个任务还是太复杂了点，不仅有复杂的业务逻辑，还集成了大量AI能力

GLM-4.7一次性跑完之后是有一些Bug的。

但我觉得现阶段应该不会有模型能一次完成得很好，而且没有bug。

这里我有一个非常明显的体感变化：

以前我用大模型写复杂项目，最怕啥？最害怕的不是写不出来，而是改Bug。

让它修一个报错，它可能顺手把旁边已经稳定的功能一起改了....

然后bug就越改越多，甚至还会为了完成任务造假，最后整个项目可能都改废了。。

这种感觉就像你让他修厨房的水龙头，他修好了，但回头把你卫生间的水管给踩爆了。这种按下葫芦浮起瓢的感觉，真的让非常抓狂！

以前用一些规则和或者直接在Input Prompt里面约束会稍微好一点点

这次GLM-4.7牛逼的地方在于，它知道边界在哪。

能判断清楚这个问题属于哪个模块，影响边界在哪里，只在必要的位置做修复。

这会让你真正敢放手把项目持续交给它推进，而不是每一步都担惊受怕，动不动就要回滚。

每找到一个问题，它都能立马解决，整个项目非常确定的在朝着越来越好的方向发展，这一点就足以封神了

GLM-4.7的审美和前端能力也有明显的提升，特别是在一些小细节上

你看这边框的流光

这个卡片的聚光灯效果，也非常棒

整个过程需求、各种API信息整理大概3个小时

编码和调试花了4个多小时，这里面包含了，前端的UI设计，功能逻辑，后台的接口、功能，还有跟数据库，以及第三方API的交互等等。

最后，一个功能完整、界面效果也不错的出海营销数字人短视频生成平台（MVP项目），就这样跑通了。

还有一个点，更现实。

Claude Code，本身就非常消耗token，如果用国外的模型，我可能会下意识压缩提示词，减少上下文。

不是不想给信息，是钱包着不住...但开了GLM Coding Plan包季的我变得非常豪横，疯狂给Claude Code灌信息，因为试错成本很低。

我不再担心每一次修改的成本，关注的重心完全回到了结果本身。

当然，现阶段GLM-4.7在特别长的任务里，偶尔还是会忘记早期的一些设定，需要你提醒。

一次性生成的复杂项目，也然需要人工Review和微调。

但技术本身正在被GLM系列的开源模型快速平权。

特别是从GLM-4.5开始，我就觉得智谱在大模型方面越来越对味了。

我还记得7月底的厦门之行，我们一众博主在一起讨论，都发自内心的被GLM-4.5的编程能力所惊艳。

直到国庆前几天，GLM-4.6又出来了，再次屠榜。时隔2个多月，又到4.7，编程和Agent能力都在不断升级，感觉这速度也忒快了，下半年开始就跟开了挂一样。

盲猜GLM-4.8或者GLM-5将在春节前夕发布。

希望下一代的GLM模型能原生集成多模态，在上下文长度方面再次突破，那将是一个在编程和Agent无敌的存在了。

所以，其实现在代码越来越不是事儿了，谁能找到需求、痛点，用最低成本，最快的速度把流程跑通，谁就是赢家。

我发现周围开始靠Vibe Coding赚到钱的人，大多不懂代码。

我也一直都觉得，AI时代，程序员好像反而是最难靠coding赚钱的人。

但是最近我思考了很多，我还是想打造自己的产品，我希望曾经引以为傲的技术能力，在AI时代更能放大它的价值。

接入Claude Code和Codex

接入Claude Code：

把下面的配置写到Claude Code的setting.json配置文件中

{"env": {"ANTHROPIC_BASE_URL": "https://open.bigmodel.cn/api/anthropic","ANTHROPIC_AUTH_TOKEN": "<GLM_API_KEY>","API_TIMEOUT_MS": "3000000","CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": 1,"ANTHROPIC_MODEL": "glm-4.7","ANTHROPIC_SMALL_FAST_MODEL": "glm-4.7","ANTHROPIC_DEFAULT_SONNET_MODEL": "glm-4.7","ANTHROPIC_DEFAULT_OPUS_MODEL": "glm-4.7","ANTHROPIC_DEFAULT_HAIKU_MODEL": "glm-4.7"}}

接入Codex：

第一步：把下面这些配置写到codex的config.toml

[model_providers.glm]name = "GLM Chat Completions API"base_url = "https://open.bigmodel.cn/api/paas/v4"env_key = "GLM_API_KEY"wire_api = "chat"requires_openai_auth = falserequest_max_retries = 4stream_max_retries = 10stream_idle_timeout_ms = 300000[profiles.glm]model = "glm-4.7"model_provider = "glm"

第二步，设置环境变量。

在你的终端里，执行以下命令，注意：把GLM_API_KEY替换成你自己的APIKey。

export GLM_API_KEY="你的GLM_API_KEY"

如果是Windows可以在PowerShell里面执行：

$env:GLM_API_KEY = "<GLM_API_KEY>"

第三步，使用codex --profile glm命令，指定模型来启动，这样Codex就会默认使用我们配置好的GLM-4.7模型了。

最后的最后，如果你也在观望AI编程，不妨给自己设一个具体目标，哪怕只是一个很小的产品，先把东西做出来。

很多答案，只有在真正跑通的那一刻，才会变得清楚。

你会愿意把核心产品的第一版，交给AI一起完成吗？欢迎评论区交流～

我是袋鼠帝，持续分享AI实践干货，我们下期见

能看到这里的都是凤毛麟角的存在！

如果觉得不错，随手点个赞、在看、转发三连吧~

如果想第一时间收到推送，也可以给我个星标⭐

谢谢你耐心看完我的文章~