摘要 ：CodeFlicker 新支持两款国产 AI 模型：MiniMax M2.5（成本大幅降低，Agent 效率显著提升）与 GLM-5（原生 Agentic Engineering），结合深度计划与 DuetSpace 两大特性，为开发者提供更高性价比、更高效的 AI 编程体验。
当 AI 编程工具从"能用"迈向"好用且用得起"，开发者真正需要的是什么？
一、开发者的真实痛点
在 AI 编码工具越来越成熟的今天，你是否遇到过这些场景：
- 长任务中断：修改跨多个文件的重构任务，手动切换文件、定位改动点，一不小心就漏改或改错
- 上下文丢失：处理大型项目时，模型上下文有限，难以理解完整业务逻辑
- 成本高昂：复杂 Agent 任务消耗大量 tokens，按前沿模型计费，成本压力较大
- 工具单一：市面工具缺少"端到端完成复杂工程任务"的能力
CodeFlicker 在集成 MiniMax M2.5 与 智谱 GLM-5 后，正式进入"成本与能力双优"时代。
二、CodeFlicker 的两大突破性特点
CodeFlicker 是一款智能编码工具，集成智能体模式、代码续写、编辑预测等多项能力，其中"深度计划"与"DuetSpace"两大创新特性，让 AI 编程从"辅助工具"升级为"智能伙伴"。
🎯 深度计划(Deep Planning)：让 AI 先想清楚再动手
传统 AI 编程工具往往"边想边做"，遇到复杂任务容易陷入：
- 改了一半发现方向错了
- 漏改关键文件导致项目崩溃
- 反复试错浪费大量 tokens
CodeFlicker 的深度计划能力会在执行前：
- 理解任务全貌：分析需求、识别涉及文件、评估改动范围
- 制定执行计划：拆解子任务、规划改动顺序、标注关键节点
- 预判风险点：提前识别可能的冲突、依赖问题、测试需求
- 征求确认：将计划呈现给开发者，确认后再执行
几大核心路径
- 问题澄清
- 深度研究
- 创建计划
效果对比：
| 维度 | 传统 Agent | CodeFlicker 深度计划 |
|---|---|---|
| 任务成功率 | 低（反复试错） | 高（一次到位） |
| Token 消耗 | 高（反复试错） | 低（一次到位） |
| 开发者参与 | 被动等待 + 事后修复 | 主动审核 + 提前干预 |
| 可控性 | 黑盒执行 | 透明可预测 |
🪟 DuetSpace：沉浸式 AI 协作空间
可以看这个详细介绍 juejin.cn/post/760588...
传统 IDE 的 AI 助手通常是"侧边栏小窗口"，存在诸多局限：
- 屏幕空间有限，代码与对话频繁切换
- 无法同时查看多个文件的 AI 建议
- 长对话历史难以回溯
DuetSpace 是 CodeFlicker 的独创架构 ：一个与编辑器平级的独立窗口，专为 AI 协作设计。
核心优势：
-
双屏协同：
- 主屏编辑器：专注写代码
- DuetSpace：AI 对话、diff 预览、文档查询、终端输出
- 无需频繁切换，视野更聚焦
-
多任务并行：
- 在 DuetSpace 与 AI 讨论方案 A
- 同时在编辑器手动实现方案 B
- 两者互不干扰
-
沉浸式交互：
- 独立的渲染进程，性能更流畅
- 支持拖拽文件、内联 diff、代码高亮
- 可自由调整窗口大小、布局
-
完整上下文保持：
- 长对话历史完整保留
- 跨会话恢复（切换项目后可继续上次对话）
- 支持导出对话记录为 Markdown
适用场景：
- 双屏用户：一屏编辑器，一屏 DuetSpace
- 大屏用户：左右分屏，互不干扰
- 复杂任务：需要长时间与 AI 讨论方案时
三、为什么要支持 MiniMax M2.5 与 GLM-5？
不同模型的优势互补
在实际开发中，不同任务对模型的要求千差万别。单一模型很难同时满足所有诉求，CodeFlicker 的策略是：让用户根据场景选择最合适的模型。
MiniMax M2.5：成本杀手，Agent 任务高手
核心定位：以远低于同类产品的价格，提供接近顶级模型的性能表现。
关键特性：
- 显著成本优势 ：
- 相比于主流模型，具有明显的价格优势，让高频 Agent 编程更加经济实惠
- 在同等任务规模下，能够大幅降低使用成本
- 支持快速的 token 处理能力，满足高频 Agent 任务需求
- 降低成本提升价值：同等预算下，可完成更多的 Agent 任务
- 编程能力 ：
- 在编程基准测试中表现优秀，编程能力接近主流顶级模型水平
- 支持多种主流编程语言（Go/C/C++/TypeScript/Rust/Python/Java 等）
- 架构师思维：编写代码前会主动分解和规划项目，减少返工
- Agent 效率优化 ：
- 相比前代版本，在解决复杂问题时搜索效率有明显提升
- 在 Agent 基准测试中表现优秀
- 支持工具调用、代码执行、文件操作等完整 Agent 能力
- 办公生产力：支持生成可交付的 Word/PowerPoint/Excel 工作成果
适用场景：高频 Agent 任务、成本敏感场景、跨语言编程支持
GLM-5：长上下文与 Agentic Engineering 旗舰
核心定位：面向 Agentic Engineering 打造，擅长复杂系统工程与长程 Agent 任务。
关键特性：
- 长上下文支持：支持超长上下文处理能力，适合处理大型文档和复杂项目
- 先进技术架构：采用 MoE 等先进架构，在保持高性能的同时优化资源使用
- 编程能力：在编程基准测试中表现优秀，编程能力接近主流顶级模型水平
- Agent 能力 ：
- 在多个 Agent 基准测试中表现优秀
- 支持 MCP 工具 、Function Calling 、Structured Output
- 专为 Agentic Engineering 设计，擅长复杂系统工程
- 多种思考模式(Thinking Mode)：支持不同任务需求的思考模式切换
- 流式输出与缓存：支持实时流式响应，智能缓存降低成本
适用场景：长文档分析、复杂系统工程、高度结构化输出
四、两个模型如何选？场景对比
| 场景 | MiniMax M2.5 | GLM-5 | 推荐理由 |
|---|---|---|---|
| 跨文件重构（常规上下文） | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | M2.5 架构师思维 + 成本优势 |
| 长文档分析（超大上下文） | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | GLM-5 长上下文无损处理 |
| 复杂 Agent 任务(工具调用密集) | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | M2.5 更省钱，GLM-5 更稳定 |
| 搜索/检索增强(RAG) | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | M2.5 在 BrowseComp 表现更优 |
| 结构化输出(JSON/代码) | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | GLM-5 支持更强的 Structured Output |
| 成本敏感场景 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | M2.5 成本优势明显 |
简化选择原则：
- 日常 Agent 任务、成本优先 → MiniMax M2.5（成本低、速度快）
- 长文档/复杂工程/高稳定性 → GLM-5（长上下文、思考模式）
互动与反馈
如果你对 CodeFlicker 有任何疑问或建议，欢迎在评论区留言！ 或者在这里发起讨论 github.com/CodeFlicker... 欢迎体验 CodeFlicker www.codeflicker.ai/ 让我们一起见证 AI 编程工具从"辅助"到"伙伴"的跃迁！🚀
参考资料
new.qq.com/rain/a/2026...
docs.bigmodel.cn/cn/guide/mo...
developer.aliyun.com/article/171...