我花了一晚上把 Claude Code 彻底"薅羊毛"了——free-claude-code 项目深度实测

这个项目叫 free-claude-code ，GitHub 地址：github.com/Alishahryar1/free-claude-code。

截至 2026-04-28，它已经收获 3k+ Star、592 Fork，在过去两周内以几乎病毒式的速度在开发者社区扩散。我在 X（前 Twitter）上看到有人发帖说：

"Goodbye Claude Code subscription fees. Someone just built a proxy that runs Claude Code completely free... and it's wild."

然后我就去看了。然后我就睡不着了。

这个项目是干什么的？

一句话：它是一个本地 FastAPI 代理服务器，拦截 Claude Code 的 Anthropic API 请求，悄悄转发给免费/低成本的替代后端。

Claude Code 本人完全不知道发生了什么------它以为自己还在愉快地和 Anthropic 服务器通信，实际上请求已经被偷梁换柱，转到了 NVIDIA NIM、OpenRouter、DeepSeek、LM Studio 或 llama.cpp。

Claude pro 和 max 充值的话对国内用户不太友好，想体验正版的还是推荐代订阅，地址：claudemax.shop

整个架构如下：

架构示意：

css 复制代码

Claude Code CLI/VSCode
        ↓  Anthropic API 格式
Free Claude Code 代理 (:8082)
    ├── 格式转换 + 路由
    ├── 请求拦截优化（5 类本地响应）
    └── Thinking Token 处理
        ↓  OpenAI 兼容格式
NVIDIA NIM / OpenRouter / DeepSeek / LM Studio / llama.cpp

最精妙的设计：Claude Code 客户端全程以为自己在和 Anthropic 通信，代理层完全透明。不需要修改 Claude Code 本身，不需要 fork，不需要打补丁------只需要设置两个环境变量。

为什么这件事值得认真对待？

让我先算一笔账。

我是个同时做量化策略和维护内部工具链的人，Claude Code 对我来说不是"玩具"，是每天必用的生产工具。原来用 Claude Max 计划，每个月 $100--200。

用这个方案： $0。

NVIDIA NIM 提供每分钟 40 次免费请求，对于日常开发来说绰绰有余（你一分钟能发出去 40 次 API 请求吗？大多数时候你还在想怎么写需求描述呢）。

五大后端，各有绝活

表格1：后端提供商全对比

NVIDIA NIM（强烈推荐） ：免费、40 req/min，可以跑 Kimi K2 Thinking、GLM-5、Qwen3.5-397B 等主流模型。对大多数开发者来说，这个配额根本用不完。申请 API Key 只需要去 build.nvidia.com/settings/api-keys，两分钟搞定。

OpenRouter：免费模型选择丰富，包括 DeepSeek R1 free、Step-3.5-flash free、GPT-OSS-120B free 等，适合想"大乱炖"、多模型切换的玩家。缺点是免费模型的稳定性参差不齐。

DeepSeek ：直连 API，deepseek-chat 和 deepseek-reasoner 都支持，价格比 Opus 便宜一个数量级，推理任务特别好使。

LM Studio / llama.cpp：完全本地运行，无限速，对隐私敏感的场景（金融数据处理、内部代码库）是真正的救星。代价是你需要有块够用的 GPU------作为一个量化狗，这个条件我勉强满足。

安装配置：比你想象的简单 10 倍

整个流程说起来简单到让人不敢置信：

Step 1：安装 uv（Python 包管理器）

复制代码

pip install uv

Step 2：克隆项目，配置 .env

bash 复制代码

git clone https://github.com/Alishahryar1/free-claude-code.git
cd free-claude-code
cp .env.example .env

编辑 .env，以 NVIDIA NIM 为例：

ini 复制代码

NVIDIA_NIM_API_KEY="nvapi-你的key"

MODEL_OPUS="nvidia_nim/moonshotai/kimi-k2-thinking"
MODEL_SONNET="nvidia_nim/mistralai/devstral-2-123b-instruct-2512"
MODEL_HAIKU="nvidia_nim/stepfun-ai/step-3.5-flash"
MODEL="nvidia_nim/z-ai/glm4.7"
ENABLE_THINKING=true

Step 3：启动代理服务器

yaml 复制代码

# 终端1：启动代理
uv run uvicorn server:app --host 0.0.0.0 --port 8082

Step 4：启动 Claude Code

ini 复制代码

# 终端2：启动 Claude Code
ANTHROPIC_AUTH_TOKEN="freecc" ANTHROPIC_BASE_URL="http://localhost:8082" claude

就这样。 Claude Code 已经在用你配置的免费后端了，界面和功能完全一致。

如果你和我一样懒，可以直接包安装：

bash 复制代码

uv tool install git+https://github.com/Alishahryar1/free-claude-code.git
fcc-init    # 初始化配置
free-claude-code    # 启动服务

项目的"隐藏黑科技"：不只是简单转发

我仔细看了一遍源码，发现这个项目做的事情远比"简单代理"复杂：

1. 请求优化拦截（Request Optimization）

Claude Code 在运行过程中会发出大量"配额探测"请求------问模型"你能用吗"、"帮我生成个标题"、"猜一下文件路径"......这些请求占了不少配额，但不需要真正的 LLM 来回答。

项目把这 5 类请求直接在本地拦截响应，省配额、降延迟：

ini 复制代码

FAST_PREFIX_DETECTION = true          # 前缀探测本地处理
ENABLE_NETWORK_PROBE_MOCK = true      # 网络探测本地模拟
ENABLE_TITLE_GENERATION_SKIP = true   # 标题生成跳过
ENABLE_SUGGESTION_MODE_SKIP = true    # 建议模式跳过
ENABLE_FILEPATH_EXTRACTION_MOCK = true # 文件路径提取本地处理

2. Thinking Token 处理

有些模型（比如 kimi-k2-thinking）输出 <think> 标签格式的思考过程，Anthropic API 格式用的是原生 thinking blocks。代理自动完成格式转换，让 Claude Code 看到的永远是它习惯的格式。

3. 工具调用解析（Heuristic Tool Parser）

有些模型在输出 tool call 时用的是纯文本格式，而不是结构化的 JSON。代理内置了启发式解析器，自动把文本格式的工具调用转成结构化 tool use。这解决了很多开源模型接入 Agent 框架时的兼容性问题。

4. 智能限速（Smart Rate Limiting）

主动滚动窗口限速（proactive rolling-window throttle）
响应式 429 指数退避（reactive exponential backoff on 429）
可选并发上限（PROVIDER_MAX_CONCURRENCY）

遇到 API 限速不会直接崩，会优雅等待重试。

5. Discord / Telegram Bot 集成

这个功能让我眼前一亮：可以把 Claude Code 接到 Discord 或 Telegram 频道，远程给 Claude 发任务，看着它实时工作。

ini 复制代码

# Discord 配置
MESSAGING_PLATFORM="discord"
DISCORD_BOT_TOKEN="你的 bot token"
ALLOWED_DISCORD_CHANNELS="频道ID"
CLAUDE_WORKSPACE="./agent_workspace"

配置好之后，你可以在手机上的 Discord 给 Claude 发一个需求，它会在服务器上开始写代码，实时把进展（包括 Thinking Token 和工具调用）发回频道。支持多并发 session，支持 tree-based 分支对话。

这个功能对于"睡觉前给 AI 分配任务，早上起来看结果"的使用场景太适合了。量化策略回测可以这样搞，我已经在实测了。

我的实测体验

说说我真正用下来的感受。

测试环境：NVIDIA NIM，kimi-k2-thinking 作为 Opus，devstral-2-123b 作为 Sonnet

任务1：重构一个 500 行的 Python 数据清洗脚本

效果：和原生 Opus 4.6 相比，kimi-k2-thinking 在这个任务上几乎无缝。理解代码逻辑的速度很快，生成的重构方案也有理由、有注释。偶尔会有思考过程冗长的问题，但 Claude Code 界面下这不碍事。

任务2：给一个 FastAPI 项目添加 JWT 认证中间件

效果：Sonnet 级别用 devstral-2-123b，这个场景基本无感差异。生成的代码可以直接跑，不需要二次修改。

任务3：复杂的多文件架构重构

这里出现了一些差距。kimi-k2-thinking 在跨文件依赖理解上偶尔会遗漏，需要我补充提示。原生 Opus 4.7 在这个场景明显更稳。但考虑到价格是 <math xmlns="http://www.w3.org/1998/Math/MathML"> 0 v s 0 vs </math>0vs200/月，这点差距......接受了。

速度感受：比原生 Claude Code 慢一点，主要是网络多了一跳（本地代理 → NIM API）。但不明显，正常写代码感知不到。

几个需要注意的坑

坑1：Thinking 模式只对特定模型有效

如果你把 ENABLE_THINKING=true 但用的是不支持推理的模型（比如 step-3.5-flash），会报错。记得按模型设置：

模型	ENABLE_THINKING
kimi-k2-thinking	true
kimi-k2.5	false
devstral-2-123b	false
step-3.5-flash	false

坑2：ANTHROPIC_BASE_URL 别加 /v1

正确：http://localhost:8082

错误：http://localhost:8082/v1

这坑了我半个小时。代理自己处理路径，不要在 base URL 里加 /v1。

坑3：环境变量作用域

在终端1 export 了环境变量，在终端2 里用 claude 是看不到的。要么在同一个终端里设，要么写进 .bashrc/.zshrc，要么直接在命令行前缀带上变量（推荐方式）。

坑4：VSCode 扩展的登录屏

如果 VSCode 里弹出登录屏，点"Anthropic Console"授权一下就行------点完它会在浏览器里让你买会员，直接无视浏览器，回 VSCode 看，扩展已经在工作了。

金融行业开发者特别提示

我特别想跟做量化、做数据分析、做 Fintech 后端的朋友多说几句。

如果你有数据合规顾虑，选本地方案（LM Studio + Qwen3.5/MiniMax GGUF），代码完全不出本机网络，GDPR 和数据本地化要求都能满足。

如果你的工作流是"策略 → 代码 → 回测"循环，Discord Bot 功能太合适了：睡前在手机上发任务给 Claude，早上起来看回测代码已经写好了。当然，要配合好工作目录权限，别让 AI 在错误的地方乱写文件。

如果你的团队有多人用 Claude Code ，可以在服务器上起一个 free-claude-code 实例，通过 ANTHROPIC_AUTH_TOKEN 设置访问令牌，团队成员共享这个代理，不用每人都申请 NIM 账号。

坦率说：这方案有局限

说了这么多好处，也要诚实地说说局限：

1. 模型能力上限：NIM 上的免费模型，综合能力比不上 Claude Opus 4.7。特别是在需要极高精度的复杂推理任务上，差距是真实存在的。

2. 网络稳定性：多了一层本地代理，如果代理进程崩了，Claude Code 也跟着断。需要自己做进程守护（pm2、systemd 都行）。

3. 免费配额有波动：OpenRouter 的免费模型偶尔会限速或者暂时下线，NIM 的免费层配额在高峰时段也可能紧张。不是银行级别的 SLA。

4. 本地方案需要算力：LM Studio 全本地跑主力模型，起步 24GB 显存，不是所有人都有条件。

结语：这是属于穷人的反击

我知道 Anthropic 的订阅费有其合理性------训练和运行顶级模型需要巨大的算力投入。

但我也觉得，当一个开发者花了几个月钱包里没有余粮，还是要每天对着 AI 写代码的时候，能有这样一个工具是值得高兴的事情。

free-claude-code 在本质上是一个大模型"插座适配器" ------它让 Claude Code 这个优秀的客户端，可以接上各种各样的电源，而不是被锁死在一家供应商的插座里。

3k Star 不是因为大家都想薅羊毛，而是因为开发者工具应该有选择权。

这个项目仍在快速迭代：502 次 Commit，最近一次更新在几天前。Pull Request 里还有人在提 Groq、Together AI 的 Provider 支持。

如果你用得顺手，给作者点个 Star，或者提个 PR------这才是开源精神的底色。

数据来源：GitHub 项目页面（2026-04-28）、NVIDIA NIM 官方文档、项目 README、Medium 评测文章、社区实测反馈。代码配置以项目最新 README 为准。

作者碎碎念：写这篇文章时我的 Claude Code（跑在 devstral-2-123b 上）已经帮我改完了今天的三个 bug，一分钱没花。省下来的订阅费我去买了顿好吃的。人生很短，要快乐。点个赞比什么都实在。

我花了一晚上把 Claude Code 彻底"薅羊毛"了——free-claude-code 项目深度实测

这个项目是干什么的？

为什么这件事值得认真对待？

五大后端，各有绝活

安装配置：比你想象的简单 10 倍

Step 1：安装 uv（Python 包管理器）

Step 2：克隆项目，配置 .env

Step 3：启动代理服务器

Step 4：启动 Claude Code

推荐的模型组合搭配

项目的"隐藏黑科技"：不只是简单转发

我的实测体验

几个需要注意的坑

金融行业开发者特别提示

坦率说：这方案有局限

结语：这是属于穷人的反击