OpenCode调用BigModel API指南

1. 项目准备

1.1 环境要求

• Python 3.8+

• pip 20.0+

1.2 安装依赖

```bash

安装智谱AI SDK

pip install zai-sdk

安装其他依赖

pip install requests python-dotenv

```

1.3 获取API密钥

1. 通过邀请链接注册智谱AI账号：

https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY(https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY)

2. 登录后，在「控制台-API密钥」页面创建并获取API密钥

之后输入你自己在bigmodel.cn中的api key

2. 配置文件设置

创建`.env`文件，存储API密钥：

```dotenv

智谱AI API密钥

ZHIPU_API_KEY=your-api-key-here

邀请链接

INVITE_LINK=https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY

```

3. API调用示例

3.1 基础调用

```python

from zai import ZhipuAiClient

from dotenv import load_dotenv

import os

加载环境变量

load_dotenv()

初始化客户端

client = ZhipuAiClient(api_key=os.getenv("ZHIPU_API_KEY"))

调用GLM-4.7模型

def call_glm47(prompt):

response = client.chat.completions.create(

model="glm-4.7",

messages=[

{"role": "user", "content": prompt}

],

thinking={

"type": "enabled", # 启用深度思考模式

},

max_tokens=65536,

temperature=1.0

)

return response.choices0.message.content

使用示例

if name == "main":

result = call_glm47("编写一个Python函数来计算阶乘")

print("GLM-4.7响应:")

print(result)

print(f"\n通过邀请链接注册享受更多优惠: {os.getenv('INVITE_LINK')}")

```

3.2 流式调用

```python

from zai import ZhipuAiClient

from dotenv import load_dotenv

import os

加载环境变量

load_dotenv()

初始化客户端

client = ZhipuAiClient(api_key=os.getenv("ZHIPU_API_KEY"))

流式调用GLM-4.7模型

def stream_call_glm47(prompt):

response = client.chat.completions.create(

model="glm-4.7",

messages=[

{"role": "user", "content": prompt}

],

thinking={

"type": "enabled",

},

stream=True,

max_tokens=65536,

temperature=1.0

)

print("GLM-4.7流式响应:")

print("=" * 50)

for chunk in response:

if chunk.choices0.delta.reasoning_content:

print(chunk.choices0.delta.reasoning_content, end='', flush=True)

if chunk.choices0.delta.content:

print(chunk.choices0.delta.content, end='', flush=True)

使用示例

if name == "main":

stream_call_glm47("详细解释Python中的生成器和迭代器")

print(f"\n\n通过邀请链接注册享受更多优惠: {os.getenv('INVITE_LINK')}")

```

4. 完整项目结构

```

opencode/

├── main.py # 主程序入口

├── glm4_client.py # GLM-4.7客户端封装

├── .env # 环境变量配置

├── requirements.txt # 依赖声明

├── README.md # 项目说明

└── opencode.md # 本文档

```

4.1 glm4_client.py (客户端封装)

```python

from zai import ZhipuAiClient

from dotenv import load_dotenv

import os

加载环境变量

load_dotenv()

class GLM4Client:

"""GLM-4.7模型客户端封装"""

def init(self):

self.api_key = os.getenv("ZHIPU_API_KEY")

self.invite_link = os.getenv("INVITE_LINK")

self.client = ZhipuAiClient(api_key=self.api_key)

self.model = "glm-4.7"

def call(self, prompt, thinking=True, max_tokens=65536, temperature=1.0):

"""基础调用方法"""

response = self.client.chat.completions.create(

model=self.model,

messages={"role": "user", "content": prompt},

thinking={"type": "enabled"} if thinking else None,

max_tokens=max_tokens,

temperature=temperature

)

return response.choices0.message.content

def stream_call(self, prompt, thinking=True, max_tokens=65536, temperature=1.0):

"""流式调用方法"""

response = self.client.chat.completions.create(

model=self.model,

messages={"role": "user", "content": prompt},

thinking={"type": "enabled"} if thinking else None,

stream=True,

max_tokens=max_tokens,

temperature=temperature

)

for chunk in response:

if chunk.choices0.delta.reasoning_content:

yield ("thinking", chunk.choices0.delta.reasoning_content)

if chunk.choices0.delta.content:

yield ("content", chunk.choices0.delta.content)

def get_invite_link(self):

"""获取邀请链接"""

return self.invite_link

```

4.2 main.py (主程序)

```python

from glm4_client import GLM4Client

初始化客户端

client = GLM4Client()

print("=== OpenCode GLM-4.7 调用工具 ===")

print("通过邀请链接注册享受更多优惠:", client.get_invite_link())

print("=" * 60)

示例1: 基础调用

print("\n示例1: 基础调用")

print("查询: 编写一个Python函数来计算斐波那契数列")

result = client.call("编写一个Python函数来计算斐波那契数列")

print("响应:", result)

示例2: 流式调用

print("\n示例2: 流式调用")

print("查询: 解释什么是机器学习")

print("响应:", end=" ")

for type_, content in client.stream_call("解释什么是机器学习"):

print(content, end="", flush=True)

print("\n" + "=" * 60)

print("感谢使用！通过邀请链接注册获得更多福利:", client.get_invite_link())

```

4.3 requirements.txt

```txt

zai-sdk>=0.2.0

python-dotenv>=1.0.0

requests>=2.31.0

```

5. 运行项目

5.1 配置API密钥

将从智谱AI平台获取的API密钥填入`.env`文件：

```dotenv

ZHIPU_API_KEY=your-actual-api-key-here

INVITE_LINK=https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY

```

5.2 执行程序

```bash

安装依赖

pip install -r requirements.txt

运行主程序

python main.py

```

6. 邀请链接集成

在项目中，邀请链接通过以下方式集成：

1. 存储在`.env`文件中，便于配置和管理

2. 在`GLM4Client`类中封装获取方法

3. 在程序启动和结束时显示邀请链接

4. 可根据需要在其他位置调用`get_invite_link()`方法显示

7. 高级功能扩展

7.1 支持多轮对话

```python

def multi_round_call(self, messages, thinking=True, max_tokens=65536, temperature=1.0):

"""多轮对话调用"""

response = self.client.chat.completions.create(

model=self.model,

messages=messages,

thinking={"type": "enabled"} if thinking else None,

max_tokens=max_tokens,

temperature=temperature

)

return response.choices0.message.content

使用示例

messages = [

{"role": "user", "content": "你好，我想学习Python"},

{"role": "assistant", "content": "当然可以！Python是一种非常流行的编程语言，适合初学者。你想了解Python的哪些方面呢？"},

{"role": "user", "content": "请推荐一些学习资源"}

]

result = client.multi_round_call(messages)

```

7.2 批量处理

```python

def batch_call(self, prompts, thinking=True, max_tokens=65536, temperature=1.0):

"""批量调用"""

results = \[\]

for prompt in prompts:

result = self.call(prompt, thinking, max_tokens, temperature)

results.append(result)

return results

```

8. 注意事项

1. **API密钥安全**：不要将API密钥直接硬编码在代码中，使用环境变量或配置文件管理

2. **请求频率**：注意智谱AI API的请求频率限制，避免过度调用

3. **错误处理**：在实际项目中，建议添加适当的错误处理和重试机制

4. **邀请链接**：分享项目时，确保邀请链接正确集成，让更多用户通过你的邀请注册

9. 总结

通过本文档的指导，你可以轻松在OpenCode项目中集成智谱AI BigModel平台的GLM-4.7模型API，并通过邀请链接功能邀请更多用户。

立即通过邀请链接注册，享受更多优惠：

https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY(https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY)

---

**OpenCode项目** | 让编程更智能，让分享更有价值# OpenCode调用BigModel API指南

本文档将详细介绍如何在OpenCode项目中调用智谱AI BigModel平台的GLM-4.7模型API，并集成邀请链接功能。

1. 项目准备

1.1 环境要求

• Python 3.8+

• pip 20.0+

1.2 安装依赖

```bash

安装智谱AI SDK

pip install zai-sdk

安装其他依赖

pip install requests python-dotenv

```

1.3 获取API密钥

1. 通过邀请链接注册智谱AI账号：

https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY(https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY)

2. 登录后，在「控制台-API密钥」页面创建并获取API密钥

2. 配置文件设置

创建`.env`文件，存储API密钥：

```dotenv

智谱AI API密钥

ZHIPU_API_KEY=your-api-key-here

邀请链接

INVITE_LINK=https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY

```

3. API调用示例

3.1 基础调用

```python

from zai import ZhipuAiClient

from dotenv import load_dotenv

import os

加载环境变量

load_dotenv()

初始化客户端

client = ZhipuAiClient(api_key=os.getenv("ZHIPU_API_KEY"))

调用GLM-4.7模型

def call_glm47(prompt):

response = client.chat.completions.create(

model="glm-4.7",

messages=[

{"role": "user", "content": prompt}

],

thinking={

"type": "enabled", # 启用深度思考模式

},

max_tokens=65536,

temperature=1.0

)

return response.choices0.message.content

使用示例

if name == "main":

result = call_glm47("编写一个Python函数来计算阶乘")

print("GLM-4.7响应:")

print(result)

print(f"\n通过邀请链接注册享受更多优惠: {os.getenv('INVITE_LINK')}")

```

3.2 流式调用

```python

from zai import ZhipuAiClient

from dotenv import load_dotenv

import os

加载环境变量

load_dotenv()

初始化客户端

client = ZhipuAiClient(api_key=os.getenv("ZHIPU_API_KEY"))

流式调用GLM-4.7模型

def stream_call_glm47(prompt):

response = client.chat.completions.create(

model="glm-4.7",

messages=[

{"role": "user", "content": prompt}

],

thinking={

"type": "enabled",

},

stream=True,

max_tokens=65536,

temperature=1.0

)

print("GLM-4.7流式响应:")

print("=" * 50)

for chunk in response:

if chunk.choices0.delta.reasoning_content:

print(chunk.choices0.delta.reasoning_content, end='', flush=True)

if chunk.choices0.delta.content:

print(chunk.choices0.delta.content, end='', flush=True)

使用示例

if name == "main":

stream_call_glm47("详细解释Python中的生成器和迭代器")

print(f"\n\n通过邀请链接注册享受更多优惠: {os.getenv('INVITE_LINK')}")

```

4. 完整项目结构

```

opencode/

├── main.py # 主程序入口

├── glm4_client.py # GLM-4.7客户端封装

├── .env # 环境变量配置

├── requirements.txt # 依赖声明

├── README.md # 项目说明

└── opencode.md # 本文档

```

4.1 glm4_client.py (客户端封装)

```python

from zai import ZhipuAiClient

from dotenv import load_dotenv

import os

加载环境变量

load_dotenv()

class GLM4Client:

"""GLM-4.7模型客户端封装"""

def init(self):

self.api_key = os.getenv("ZHIPU_API_KEY")

self.invite_link = os.getenv("INVITE_LINK")

self.client = ZhipuAiClient(api_key=self.api_key)

self.model = "glm-4.7"

def call(self, prompt, thinking=True, max_tokens=65536, temperature=1.0):

"""基础调用方法"""

response = self.client.chat.completions.create(

model=self.model,

messages={"role": "user", "content": prompt},

thinking={"type": "enabled"} if thinking else None,

max_tokens=max_tokens,

temperature=temperature

)

return response.choices0.message.content

def stream_call(self, prompt, thinking=True, max_tokens=65536, temperature=1.0):

"""流式调用方法"""

response = self.client.chat.completions.create(

model=self.model,

messages={"role": "user", "content": prompt},

thinking={"type": "enabled"} if thinking else None,

stream=True,

max_tokens=max_tokens,

temperature=temperature

)

for chunk in response:

if chunk.choices0.delta.reasoning_content:

yield ("thinking", chunk.choices0.delta.reasoning_content)

if chunk.choices0.delta.content:

yield ("content", chunk.choices0.delta.content)

def get_invite_link(self):

"""获取邀请链接"""

return self.invite_link

```

4.2 main.py (主程序)

```python

from glm4_client import GLM4Client

初始化客户端

client = GLM4Client()

print("=== OpenCode GLM-4.7 调用工具 ===")

print("通过邀请链接注册享受更多优惠:", client.get_invite_link())

print("=" * 60)

示例1: 基础调用

print("\n示例1: 基础调用")

print("查询: 编写一个Python函数来计算斐波那契数列")

result = client.call("编写一个Python函数来计算斐波那契数列")

print("响应:", result)

示例2: 流式调用

print("\n示例2: 流式调用")

print("查询: 解释什么是机器学习")

print("响应:", end=" ")

for type_, content in client.stream_call("解释什么是机器学习"):

print(content, end="", flush=True)

print("\n" + "=" * 60)

print("感谢使用！通过邀请链接注册获得更多福利:", client.get_invite_link())

```

4.3 requirements.txt

```txt

zai-sdk>=0.2.0

python-dotenv>=1.0.0

requests>=2.31.0

```

5. 运行项目

5.1 配置API密钥

将从智谱AI平台获取的API密钥填入`.env`文件：

```dotenv

ZHIPU_API_KEY=your-actual-api-key-here

INVITE_LINK=https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY

```

5.2 执行程序

```bash

安装依赖

pip install -r requirements.txt

运行主程序

python main.py

```

6. 邀请链接集成

在项目中，邀请链接通过以下方式集成：

1. 存储在`.env`文件中，便于配置和管理

2. 在`GLM4Client`类中封装获取方法

3. 在程序启动和结束时显示邀请链接

4. 可根据需要在其他位置调用`get_invite_link()`方法显示

7. 高级功能扩展

7.1 支持多轮对话

```python

def multi_round_call(self, messages, thinking=True, max_tokens=65536, temperature=1.0):

"""多轮对话调用"""

response = self.client.chat.completions.create(

model=self.model,

messages=messages,

thinking={"type": "enabled"} if thinking else None,

max_tokens=max_tokens,

temperature=temperature

)

return response.choices0.message.content

使用示例

messages = [

{"role": "user", "content": "你好，我想学习Python"},

{"role": "assistant", "content": "当然可以！Python是一种非常流行的编程语言，适合初学者。你想了解Python的哪些方面呢？"},

{"role": "user", "content": "请推荐一些学习资源"}

]

result = client.multi_round_call(messages)

```

7.2 批量处理

```python

def batch_call(self, prompts, thinking=True, max_tokens=65536, temperature=1.0):

"""批量调用"""

results = \[\]

for prompt in prompts:

result = self.call(prompt, thinking, max_tokens, temperature)

results.append(result)

return results

```

8. 注意事项

1. **API密钥安全**：不要将API密钥直接硬编码在代码中，使用环境变量或配置文件管理

2. **请求频率**：注意智谱AI API的请求频率限制，避免过度调用

3. **错误处理**：在实际项目中，建议添加适当的错误处理和重试机制

4. **邀请链接**：分享项目时，确保邀请链接正确集成，让更多用户通过你的邀请注册

9. 总结

通过本文档的指导，你可以轻松在OpenCode项目中集成智谱AI BigModel平台的GLM-4.7模型API，并通过邀请链接功能邀请更多用户。

立即通过邀请链接注册，享受更多优惠：

https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY(https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY)

---

**OpenCode项目** | 让编程更智能，让分享更有价值# OpenCode调用BigModel API指南

本文档将详细介绍如何安装OpenCode工具，以及在OpenCode项目中调用智谱AI BigModel平台的GLM-4.7模型API，并集成邀请链接功能。

1. OpenCode 安装

1.1 安装 OpenCode 工具

OpenCode 是一个强大的 AI 编程助手工具，支持多种安装方式：

方式一：使用 npm 安装（推荐）

```bash

全局安装 OpenCode

npm install -g opencode

验证安装

opencode --version

```

方式二：使用 yarn 安装

```bash

全局安装 OpenCode

yarn global add opencode

验证安装

opencode --version

```

方式三：使用 pnpm 安装

```bash

全局安装 OpenCode

pnpm add -g opencode

验证安装

opencode --version

```

方式四：从源码安装

```bash

克隆仓库

git clone https://github.com/your-repo/opencode.git

cd opencode

安装依赖

npm install

构建项目

npm run build

链接到全局

npm link

验证安装

opencode --version

```

1.2 初始化配置

安装完成后，首次使用需要初始化配置：

```bash

初始化 OpenCode

opencode init

按照提示输入配置信息

```

配置会存储在 `~/.opencode/config.json` 文件中。

1.3 常用命令

```bash

查看帮助

opencode --help

生成代码

opencode generate "创建一个 React 组件"

代码解释

opencode explain

代码优化

opencode optimize

启动交互式聊天

opencode chat

查看配置

opencode config show

```

2. 项目准备

2.1 环境要求

• Python 3.8+

• pip 20.0+

1.2 安装依赖

```bash

安装智谱AI SDK

pip install zai-sdk

安装其他依赖

pip install requests python-dotenv

```

1.3 获取API密钥

1. 通过邀请链接注册智谱AI账号：

https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY(https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY)

2. 登录后，在「控制台-API密钥」页面创建并获取API密钥

2. 配置文件设置

创建`.env`文件，存储API密钥：

```dotenv

智谱AI API密钥

ZHIPU_API_KEY=your-api-key-here

邀请链接

INVITE_LINK=https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY

```

3. API调用示例

3.1 基础调用

```python

from zai import ZhipuAiClient

from dotenv import load_dotenv

import os

加载环境变量

load_dotenv()

初始化客户端

client = ZhipuAiClient(api_key=os.getenv("ZHIPU_API_KEY"))

调用GLM-4.7模型

def call_glm47(prompt):

response = client.chat.completions.create(

model="glm-4.7",

messages=[

{"role": "user", "content": prompt}

],

thinking={

"type": "enabled", # 启用深度思考模式

},

max_tokens=65536,

temperature=1.0

)

return response.choices0.message.content

使用示例

if name == "main":

result = call_glm47("编写一个Python函数来计算阶乘")

print("GLM-4.7响应:")

print(result)

print(f"\n通过邀请链接注册享受更多优惠: {os.getenv('INVITE_LINK')}")

```

3.2 流式调用

```python

from zai import ZhipuAiClient

from dotenv import load_dotenv

import os

加载环境变量

load_dotenv()

初始化客户端

client = ZhipuAiClient(api_key=os.getenv("ZHIPU_API_KEY"))

流式调用GLM-4.7模型

def stream_call_glm47(prompt):

response = client.chat.completions.create(

model="glm-4.7",

messages=[

{"role": "user", "content": prompt}

],

thinking={

"type": "enabled",

},

stream=True,

max_tokens=65536,

temperature=1.0

)

print("GLM-4.7流式响应:")

print("=" * 50)

for chunk in response:

if chunk.choices0.delta.reasoning_content:

print(chunk.choices0.delta.reasoning_content, end='', flush=True)

if chunk.choices0.delta.content:

print(chunk.choices0.delta.content, end='', flush=True)

使用示例

if name == "main":

stream_call_glm47("详细解释Python中的生成器和迭代器")

print(f"\n\n通过邀请链接注册享受更多优惠: {os.getenv('INVITE_LINK')}")

```

4. 完整项目结构

```

opencode/

├── main.py # 主程序入口

├── glm4_client.py # GLM-4.7客户端封装

├── .env # 环境变量配置

├── requirements.txt # 依赖声明

├── README.md # 项目说明

└── opencode.md # 本文档

```

4.1 glm4_client.py (客户端封装)

```python

from zai import ZhipuAiClient

from dotenv import load_dotenv

import os

加载环境变量

load_dotenv()

class GLM4Client:

"""GLM-4.7模型客户端封装"""

def init(self):

self.api_key = os.getenv("ZHIPU_API_KEY")

self.invite_link = os.getenv("INVITE_LINK")

self.client = ZhipuAiClient(api_key=self.api_key)

self.model = "glm-4.7"

def call(self, prompt, thinking=True, max_tokens=65536, temperature=1.0):

"""基础调用方法"""

response = self.client.chat.completions.create(

model=self.model,

messages={"role": "user", "content": prompt},

thinking={"type": "enabled"} if thinking else None,

max_tokens=max_tokens,

temperature=temperature

)

return response.choices0.message.content

def stream_call(self, prompt, thinking=True, max_tokens=65536, temperature=1.0):

"""流式调用方法"""

response = self.client.chat.completions.create(

model=self.model,

messages={"role": "user", "content": prompt},

thinking={"type": "enabled"} if thinking else None,

stream=True,

max_tokens=max_tokens,

temperature=temperature

)

for chunk in response:

if chunk.choices0.delta.reasoning_content:

yield ("thinking", chunk.choices0.delta.reasoning_content)

if chunk.choices0.delta.content:

yield ("content", chunk.choices0.delta.content)

def get_invite_link(self):

"""获取邀请链接"""

return self.invite_link

```

4.2 main.py (主程序)

```python

from glm4_client import GLM4Client

初始化客户端

client = GLM4Client()

print("=== OpenCode GLM-4.7 调用工具 ===")

print("通过邀请链接注册享受更多优惠:", client.get_invite_link())

print("=" * 60)

示例1: 基础调用

print("\n示例1: 基础调用")

print("查询: 编写一个Python函数来计算斐波那契数列")

result = client.call("编写一个Python函数来计算斐波那契数列")

print("响应:", result)

示例2: 流式调用

print("\n示例2: 流式调用")

print("查询: 解释什么是机器学习")

print("响应:", end=" ")

for type_, content in client.stream_call("解释什么是机器学习"):

print(content, end="", flush=True)

print("\n" + "=" * 60)

print("感谢使用！通过邀请链接注册获得更多福利:", client.get_invite_link())

```

4.3 requirements.txt

```txt

zai-sdk>=0.2.0

python-dotenv>=1.0.0

requests>=2.31.0

```

5. 运行项目

5.1 配置API密钥

将从智谱AI平台获取的API密钥填入`.env`文件：

```dotenv

ZHIPU_API_KEY=your-actual-api-key-here

INVITE_LINK=https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY

```

5.2 执行程序

```bash

安装依赖

pip install -r requirements.txt

运行主程序

python main.py

```

6. 邀请链接集成

在项目中，邀请链接通过以下方式集成：

1. 存储在`.env`文件中，便于配置和管理

2. 在`GLM4Client`类中封装获取方法

3. 在程序启动和结束时显示邀请链接

4. 可根据需要在其他位置调用`get_invite_link()`方法显示

7. 高级功能扩展

7.1 支持多轮对话

```python

def multi_round_call(self, messages, thinking=True, max_tokens=65536, temperature=1.0):

"""多轮对话调用"""

response = self.client.chat.completions.create(

model=self.model,

messages=messages,

thinking={"type": "enabled"} if thinking else None,

max_tokens=max_tokens,

temperature=temperature

)

return response.choices0.message.content

使用示例

messages = [

{"role": "user", "content": "你好，我想学习Python"},

{"role": "assistant", "content": "当然可以！Python是一种非常流行的编程语言，适合初学者。你想了解Python的哪些方面呢？"},

{"role": "user", "content": "请推荐一些学习资源"}

]

result = client.multi_round_call(messages)

```

7.2 批量处理

```python

def batch_call(self, prompts, thinking=True, max_tokens=65536, temperature=1.0):

"""批量调用"""

results = \[\]

for prompt in prompts:

result = self.call(prompt, thinking, max_tokens, temperature)

results.append(result)

return results

```

8. 注意事项

1. **API密钥安全**：不要将API密钥直接硬编码在代码中，使用环境变量或配置文件管理

2. **请求频率**：注意智谱AI API的请求频率限制，避免过度调用

3. **错误处理**：在实际项目中，建议添加适当的错误处理和重试机制

4. **邀请链接**：分享项目时，确保邀请链接正确集成，让更多用户通过你的邀请注册

9. 总结

通过本文档的指导，你可以轻松在OpenCode项目中集成智谱AI BigModel平台的GLM-4.7模型API，并通过邀请链接功能邀请更多用户。

立即通过邀请链接注册，享受更多优惠：

https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY(https://www.bigmodel.cn/glm-coding?ic=WDUDWJ5IGY)

---

**OpenCode项目** | 让编程更智能，让分享更有价值