1. 为什么非得在 Windows 上本地跑 Claude Code？——先破除三个常见误解

“Claude Code 是 Anthropic 官方推出的代码助手，只能用网页版”——这是最普遍的误判。实际上，Claude Code 本身不是一款独立可下载的桌面应用，它没有官方 Windows 安装包，也没有.exe发行版。网络上大量所谓“Claude Code 官网中文版”“Claude Code 下载”“Claude Code 桌面版”等搜索结果，99%指向的是第三方封装、镜像站诱导下载，或混淆了概念的项目（比如把 Codex、Ollama + Claude 模型、Dify 接入 Claude API 的前端界面，统称为“Claude Code”）。我去年帮三家中小技术团队做本地 AI 工具链评估时，就踩过这个坑：花两天时间反复安装各种“Claude Code 安装包”，最后发现全是带广告的 Electron 壳+网页 iframe，核心能力完全依赖外网 API，且无法离线、无法审计、无法定制。

第二个误区是：“本地部署 = 把 Claude 模型文件下到 C 盘”。Claude 系列模型（包括 Claude 3 Sonnet/Haiku）目前未开源权重，也不支持 Hugging Face 直接加载。你不可能像运行 Llama 3 或 Qwen2 那样，用 Ollama pull 一个 claude:sonnet 就完事。Anthropic 明确要求所有对 Claude 模型的调用必须通过其官方 API 网关（api.anthropic.com），这是法律与技术双重约束。所以，“Claude Code 本地部署”的真实含义，从来不是“把 Claude 模型搬进内网”，而是构建一个完全运行在你本地 Windows 机器上的、可离线启动的、面向开发者的代码智能增强工作流——它包含三重本地化：运行环境本地化（不依赖云 IDE）、数据处理本地化（代码不上传）、交互界面本地化（UI 运行在本地浏览器或 VS Code 插件中）。

第三个被严重低估的痛点是安全合规。某金融客户曾要求我们为 200+ 开发者统一配置 AI 编程辅助工具。他们试过直接用 VS Code 的官方 Anthropic 插件，结果发现：每次 Ctrl+Enter 触发补全，VS Code 插件会将当前文件全文、光标上下文、甚至部分剪贴板内容，明文 POST 到 api.anthropic.com；而他们的核心交易系统代码，连 GitLab 都是 air-gapped 隔离的。最终我们放弃“直连 API”方案，转而采用本地代理层 + 语义缓存 + 代码脱敏预处理的三层架构，这才是真正意义上的“本地部署”——API 调用仍需联网，但所有敏感逻辑、结构化提示词、历史对话摘要、代码片段特征向量，全部保留在本机 SQLite 数据库中，不经过任何中间服务器。这正是本教程要带你落地的核心：不是幻想绕过 Anthropic 的 API 墙，而是用 Windows 原生能力，把“调用 API”这件事，做成和你启动记事本一样可控、可审计、可中断的操作。

所以，当你看到标题里“Claude Code Windows 本地部署”，请立刻切换认知：这不是一个“安装软件”的任务，而是一次Windows 开发环境的深度重构。你要亲手配置的，是一套由 Python 后端服务、VS Code 前端插件、本地 HTTP 代理、环境变量沙箱、以及一套严格的数据生命周期策略共同组成的系统。它不提供“一键傻瓜式”，但换来的，是每一次代码补全背后，你对自己数据流向的绝对掌控权。

2. 真实可用的本地架构设计：为什么必须绕开“直接安装”陷阱？

市面上所有声称“Claude Code Windows 安装包”的方案，基本逃不开三类技术路径，而它们各自存在不可忽视的硬伤。我用一张表对比说明，再告诉你我们最终选定的方案为何更可靠：

我们最终选择的是第二类的强化演进版：一个轻量级、可审计、带语义缓存的本地 API 代理层，并明确拒绝第一类（纯壳）和第三类（替代模型）作为本教程主线。理由很务实：客户要的是“Claude Code 的能力”，不是“一个长得像的代码助手”。DeepSeek-Coder 再强，也无法原生支持claude-3-haiku-20240307的tool_use协议去调用本地 Python 解释器执行代码片段——而这恰恰是 Claude Code 最区别于其他模型的核心技能。

因此，我们的架构图非常清晰，只有四个核心组件，全部运行在你的 Windows 10/11 机器上：

1. claude-proxy服务：Python 3.11+ 编写，基于 FastAPI，监听http://127.0.0.1:8000。它不处理模型推理，只做三件事：(a) 接收来自 VS Code 插件的标准化 JSON-RPC 请求；(b) 对请求中的代码片段进行 SHA256 哈希，查本地 SQLite 缓存库，命中则直接返回缓存响应（毫秒级）；(c) 未命中则构造符合 Anthropic v1 API 规范的请求体，添加anthropic-version: 2023-06-01头，转发至https://api.anthropic.com/v1/messages，并将原始请求、响应、耗时、token 数写入审计日志表。

2. VS Code 插件客户端：不使用官方 Anthropic 插件（它直连外网），而是安装一个极简的自定义插件local-claude-code。它只做一件事：把你在编辑器中选中的代码块、光标位置、文件路径，打包成 JSON-RPC 2.0 格式，POST 到http://127.0.0.1:8000/v1/chat/completions（兼容 OpenAI API 格式，方便未来切换）。插件源码仅 200 行 TypeScript，你可以随时审查。

3. 本地 SQLite 审计数据库：位于%LOCALAPPDATA%\ClaudeProxy\cache.db。包含三张表：requests（id, hash, timestamp, model, prompt_tokens, completion_tokens）、responses（request_id, content, finish_reason）、cache（hash, response_id, created_at）。所有字段均不存储原始代码内容，只存哈希与元数据。这是“本地部署”最硬的证据——你的代码从未以明文形式离开内存。

4. Windows 环境沙箱：通过 PowerShell 脚本创建专用用户环境变量CLAUDE_PROXY_API_KEY，并设置HTTP_PROXY=http://127.0.0.1:8000（仅对claude-proxy进程生效）。VS Code 启动时读取此变量，确保所有插件流量强制走本地代理，杜绝意外直连。

这个设计的精妙之处在于：它不挑战 Anthropic 的 API 合规性，却在 Windows 系统层面筑起一道数据主权墙。你获得的是真实的 Claude Code 能力，付出的代价只是多启一个本地服务进程。而这个进程，从安装、配置、日志、到关闭，全程由你控制。接下来，我们就从零开始，把这个架构一砖一瓦垒起来。

3. 环境准备：Windows 上最稳妥的 Python 与依赖管理实践

在 Windows 上搞 Python 开发，最大的陷阱不是“装不上”，而是“装得太随意”。我见过太多人用python.org下载的 MSI 安装包一路“下一步”，结果导致pip权限混乱、venv创建失败、pyd扩展模块报错。本教程要求的claude-proxy服务，依赖anthropicSDK、fastapi、uvicorn、sqlalchemy和pysqlite3，任何一个环节出问题，整个代理就瘫痪。所以，我们必须用一种Windows 原生、无需管理员权限、可完全卸载、且与系统 Python 彻底隔离的方式完成环境搭建。答案只有一个：pyenv-win+venv组合拳。

3.1 为什么不用系统 Python 或 Anaconda？

• 系统 Python（来自 Microsoft Store）：默认安装在C:\Program Files\WindowsApps\，路径含空格和特殊字符，pip install经常因权限不足失败；且更新由 Windows Update 控制，你无法锁定 Python 版本。
• Anaconda/Miniconda：虽然强大，但对本项目是“杀鸡用牛刀”。它自带的conda包管理器与pip存在版本冲突风险（尤其sqlite3库）；其默认环境路径C:\Users\XXX\anaconda3在企业域环境下常被组策略禁写；更重要的是，它会全局修改PATH，干扰你已有的开发环境。

pyenv-win则完美规避所有问题：它只是一个纯 PowerShell 脚本集合，所有 Python 版本解压到用户目录（如C:\Users\YourName\.pyenv\pyenv-win\versions\3.11.9），每个版本完全独立；切换版本只需pyenv local 3.11.9，只影响当前目录；卸载就是删掉.pyenv文件夹，干净利落。

3.2 分步安装pyenv-win与 Python 3.11.9

提示：全程在PowerShell（非 CMD，非 Git Bash）中操作，且不要以管理员身份运行。右键开始菜单 → Windows PowerShell → 点击打开即可。

1. 安装pyenv-win
   在 PowerShell 中逐行执行（复制粘贴，回车）：

   # 设置执行策略（允许本地脚本运行） Set-ExecutionPolicy RemoteSigned -Scope CurrentUser -Force # 下载并安装 pyenv-win 到用户目录 Invoke-WebRequest -UseBasicParsing -Uri "https://raw.githubusercontent.com/pyenv-win/pyenv-win/master/pyenv-win/install-pyenv-win.ps1" -OutFile "$env:TEMP/install-pyenv-win.ps1" & "$env:TEMP/install-pyenv-win.ps1"

   安装完成后，关闭当前 PowerShell 窗口，重新打开一个新的。这是关键一步，让新的PATH环境变量生效。

2. 验证pyenv是否就绪
   输入pyenv --version，应输出类似pyenv 3.4.0。若报错“找不到命令”，说明新窗口没加载好，重启几次或检查是否用了 CMD。

3. 列出并安装 Python 3.11.9
   pyenv默认不显示所有版本，需先更新列表：

   pyenv update pyenv install --list | Select-String "3.11" # 找到 3.11.9，然后安装（此步骤约需 3-5 分钟，耐心等待） pyenv install 3.11.9

4. 设置项目级 Python 版本
   创建一个专属文件夹，比如C:\dev\claude-proxy，然后进入：

   mkdir C:\dev\claude-proxy cd C:\dev\claude-proxy pyenv local 3.11.9

   此时，在C:\dev\claude-proxy目录下执行python --version，必输出Python 3.11.9。这就是“项目级锁定”，换到其他目录，Python 版本不受影响。

3.3 创建隔离虚拟环境并安装核心依赖

切记：永远不要在pyenv管理的全局 Python 下直接pip install。必须用venv创建沙箱：

# 在 C:\dev\claude-proxy 目录下执行 python -m venv .venv # 激活虚拟环境（注意：PowerShell 中用 .venv\Scripts\Activate.ps1，不是 activate.bat） .venv\Scripts\Activate.ps1 # 激活后，命令行前缀会变成 (.venv)，此时 pip 指向虚拟环境内的 pip pip install --upgrade pip setuptools wheel # 安装核心依赖（关键：指定清华源加速，且 `pysqlite3` 必须用二进制 wheel） pip install fastapi uvicorn anthropic sqlalchemy pysqlite3 -i https://pypi.tuna.tsinghua.edu.cn/simple/

注意：pysqlite3是重点。Windows 自带的sqlite3模块（Python 3.11 内置）不支持 WAL 模式和 FTS5 全文检索，而我们的审计日志需要高性能写入。pysqlite3是一个独立的、预编译的二进制包，它会替换sqlite3模块，且完全兼容。安装后，在 Python 中执行import pysqlite3 as sqlite3; print(sqlite3.sqlite_version)，应输出3.40.0或更高，证明成功。

3.4 验证环境：一个 5 行测试脚本

在C:\dev\claude-proxy下新建test_env.py：

import sqlite3 from anthropic import Anthropic print("✅ SQLite version:", sqlite3.sqlite_version) print("✅ Anthropic SDK imported") # 测试能否创建内存数据库（模拟审计库） conn = sqlite3.connect(":memory:") conn.execute("CREATE TABLE test (id INTEGER)") print("✅ In-memory DB created") conn.close() print("🎉 Environment ready for claude-proxy!")

激活虚拟环境后运行：python test_env.py。如果四行 ✅ 全部打印，恭喜，你的 Windows Python 环境已达到工业级稳定水准。这比网上千篇一律的“下载 Python 安装包点下一步”严谨了不止一个数量级——因为真正的“本地部署”，始于对每一行字节的掌控。

4.claude-proxy服务实战：从零编写、调试、守护的全流程

现在，我们进入最核心的环节：亲手写出那个监听127.0.0.1:8000的代理服务。它不是黑盒，而是一个你完全理解、随时可修改、可审计的 200 行 Python 脚本。我会把每一行代码背后的决策逻辑都讲透，让你不仅会抄，更懂为什么这么写。

4.1 创建项目结构与核心文件

在C:\dev\claude-proxy目录下，建立如下结构：

C:\dev\claude-proxy\ ├── main.py # FastAPI 主应用 ├── database.py # SQLite 初始化与连接管理 ├── cache.py # 缓存哈希计算与查询逻辑 ├── models.py # Pydantic 数据模型定义 └── .env # 环境变量配置文件（存放 API Key）

首先，创建.env文件（注意：文件名就是.env，无后缀）：

ANTHROPIC_API_KEY=your_actual_api_key_here DATABASE_PATH=%LOCALAPPDATA%\ClaudeProxy\cache.db

提示：ANTHROPIC_API_KEY请从 Anthropic Console 获取。DATABASE_PATH使用 Windows 环境变量%LOCALAPPDATA%，它指向C:\Users\YourName\AppData\Local，是标准的、用户专属的、无需管理员权限的存储位置。绝不要写死C:\Users\YourName\...，否则迁移环境会失败。

4.2database.py：安全可靠的 SQLite 连接池

新建database.py，内容如下：

import os import sqlite3 from contextlib import contextmanager from pathlib import Path def get_db_path() -> Path: """解析 .env 中的 DATABASE_PATH，确保目录存在""" db_path_str = os.getenv("DATABASE_PATH", "") if not db_path_str: raise RuntimeError("DATABASE_PATH not set in .env") # 将 %LOCALAPPDATA% 展开为实际路径 db_path = Path(os.path.expandvars(db_path_str)) db_path.parent.mkdir(parents=True, exist_ok=True) # 自动创建父目录 return db_path @contextmanager def get_db_connection(): """上下文管理器，确保连接自动关闭，避免泄漏""" conn = sqlite3.connect(get_db_path(), check_same_thread=False) conn.row_factory = sqlite3.Row # 支持字典式取值 try: yield conn finally: conn.close() def init_database(): """初始化数据库表结构，幂等操作""" with get_db_connection() as conn: # 创建 requests 表：记录每次请求元数据 conn.execute(""" CREATE TABLE IF NOT EXISTS requests ( id INTEGER PRIMARY KEY AUTOINCREMENT, hash TEXT UNIQUE NOT NULL, timestamp DATETIME DEFAULT CURRENT_TIMESTAMP, model TEXT NOT NULL, prompt_tokens INTEGER, completion_tokens INTEGER ) """) # 创建 responses 表：存储响应内容（仅 content 字段，不含原始代码） conn.execute(""" CREATE TABLE IF NOT EXISTS responses ( id INTEGER PRIMARY KEY AUTOINCREMENT, request_id INTEGER NOT NULL, content TEXT NOT NULL, finish_reason TEXT, FOREIGN KEY(request_id) REFERENCES requests(id) ) """) # 创建 cache 表：哈希到响应 ID 的映射，用于快速查找 conn.execute(""" CREATE TABLE IF NOT EXISTS cache ( hash TEXT PRIMARY KEY, response_id INTEGER NOT NULL, created_at DATETIME DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY(response_id) REFERENCES responses(id) ) """) # 为 hash 字段创建索引，加速查询 conn.execute("CREATE INDEX IF NOT EXISTS idx_cache_hash ON cache(hash)") conn.commit()

这段代码的关键设计点：

• check_same_thread=False：FastAPI 默认多线程，SQLite 连接必须允许跨线程访问，否则会报ProgrammingError: SQLite objects created in a thread can only be used in that same thread。
• os.path.expandvars()：正确解析%LOCALAPPDATA%，这是 Windows 平台最佳实践。
• 幂等初始化：CREATE TABLE IF NOT EXISTS确保多次运行init_database()不会报错，适合服务重启场景。

4.3cache.py：语义缓存的核心引擎

新建cache.py：

import hashlib import json from typing import Optional, Dict, Any from database import get_db_connection def calculate_request_hash(request_body: Dict[str, Any]) -> str: """对请求体进行确定性哈希，忽略时间戳等动态字段""" # 只取影响响应的核心字段：model, messages, system, max_tokens, temperature # 移除 'timestamp', 'request_id' 等动态字段，保证相同请求体哈希一致 safe_body = { "model": request_body.get("model"), "messages": request_body.get("messages", []), "system": request_body.get("system", ""), "max_tokens": request_body.get("max_tokens", 1024), "temperature": request_body.get("temperature", 0.3), } # JSON 序列化时保持键顺序，确保哈希稳定 json_str = json.dumps(safe_body, sort_keys=True, separators=(',', ':')) return hashlib.sha256(json_str.encode()).hexdigest() def get_cached_response(request_hash: str) -> Optional[Dict[str, Any]]: """根据哈希查找缓存响应，返回 {content, finish_reason} 字典""" with get_db_connection() as conn: cursor = conn.execute( "SELECT r.content, r.finish_reason FROM cache c JOIN responses r ON c.response_id = r.id WHERE c.hash = ?", (request_hash,) ) row = cursor.fetchone() if row: return {"content": row["content"], "finish_reason": row["finish_reason"]} return None def save_to_cache(request_hash: str, response_content: str, finish_reason: str, model: str, prompt_tokens: int, completion_tokens: int): """保存请求与响应到数据库，包含完整审计链""" with get_db_connection() as conn: # 插入 requests 表 conn.execute( "INSERT INTO requests (hash, model, prompt_tokens, completion_tokens) VALUES (?, ?, ?, ?)", (request_hash, model, prompt_tokens, completion_tokens) ) request_id = conn.execute("SELECT last_insert_rowid()").fetchone()[0] # 插入 responses 表 conn.execute( "INSERT INTO responses (request_id, content, finish_reason) VALUES (?, ?, ?)", (request_id, response_content, finish_reason) ) response_id = conn.execute("SELECT last_insert_rowid()").fetchone()[0] # 插入 cache 表，建立哈希映射 conn.execute( "INSERT INTO cache (hash, response_id) VALUES (?, ?)", (request_hash, response_id) ) conn.commit()

这里体现了“本地部署”的灵魂：缓存不是为了提速，而是为了审计与可控。calculate_request_hash函数刻意剔除了timestamp字段，意味着你昨天写的同一段代码，今天再次请求，只要messages和model不变，就会命中缓存——这不仅是性能优化，更是你对“相同输入必得相同输出”的承诺。而save_to_cache中的三表关联，确保了每一条缓存记录，都能在数据库中追溯到完整的请求元数据（谁、何时、用什么模型、消耗多少 token）。

4.4main.py：FastAPI 服务的完整实现

这是主干，新建main.py：

import os import time import asyncio from fastapi import FastAPI, Request, HTTPException, status from fastapi.responses import JSONResponse from anthropic import Anthropic from database import init_database from cache import calculate_request_hash, get_cached_response, save_to_cache from models import ChatCompletionRequest, ChatCompletionResponse app = FastAPI(title="Claude Proxy", version="1.0") # 初始化数据库 init_database() # 初始化 Anthropic 客户端（复用连接，避免频繁创建） anthropic_client = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY")) @app.post("/v1/chat/completions") async def chat_completions(request: Request): """OpenAI 兼容接口，接收 VS Code 插件请求""" try: # 1. 解析 JSON 请求体 raw_body = await request.body() body_dict = await request.json() # 2. 计算请求哈希 request_hash = calculate_request_hash(body_dict) # 3. 尝试缓存命中 cached = get_cached_response(request_hash) if cached: return JSONResponse(content={ "choices": [{"message": {"content": cached["content"]}, "finish_reason": cached["finish_reason"]}] }) # 4. 缓存未命中，调用 Anthropic API start_time = time.time() # 构造 Anthropic Messages API 请求（v1） messages = [] for msg in body_dict.get("messages", []): # 将 OpenAI 格式转换为 Anthropic 格式 if msg["role"] == "user": messages.append({"role": "user", "content": msg["content"]}) elif msg["role"] == "assistant": messages.append({"role": "assistant", "content": msg["content"]}) # 调用 Anthropic API response = anthropic_client.messages.create( model=body_dict.get("model", "claude-3-haiku-20240307"), max_tokens=body_dict.get("max_tokens", 1024), temperature=body_dict.get("temperature", 0.3), system=body_dict.get("system", ""), messages=messages ) end_time = time.time() duration_ms = int((end_time - start_time) * 1000) # 5. 提取响应内容与 token 信息 content = response.content[0].text if response.content else "" finish_reason = response.stop_reason # 6. 保存到缓存（审计） save_to_cache( request_hash=request_hash, response_content=content, finish_reason=finish_reason, model=response.model, prompt_tokens=response.usage.input_tokens, completion_tokens=response.usage.output_tokens ) # 7. 返回 OpenAI 兼容格式响应 return JSONResponse(content={ "choices": [{"message": {"content": content}, "finish_reason": finish_reason}], "usage": { "prompt_tokens": response.usage.input_tokens, "completion_tokens": response.usage.output_tokens, "total_tokens": response.usage.input_tokens + response.usage.output_tokens } }) except Exception as e: # 记录详细错误，但不暴露敏感信息给客户端 print(f"❌ Proxy error: {e}") raise HTTPException( status_code=status.HTTP_500_INTERNAL_SERVER_ERROR, detail="Internal server error. Check logs." ) if __name__ == "__main__": import uvicorn uvicorn.run(app, host="127.0.0.1", port=8000, log_level="info")

4.5 启动、调试与守护：让服务稳如磐石

1. 首次启动与测试
   确保虚拟环境已激活，在C:\dev\claude-proxy下执行：

   python main.py

   你会看到 Uvicorn 启动日志，监听127.0.0.1:8000。打开浏览器，访问http://127.0.0.1:8000/docs，FastAPI 自动生成的 Swagger UI 就出现了——这证明服务已活。

2. 手动测试 API
   用 PowerShell 发送一个测试请求（模拟 VS Code 插件）：

   $body = @{ model = "claude-3-haiku-20240307" messages = @(@{role="user"; content="Hello, write a Python function to calculate factorial."}) max_tokens = 256 } | ConvertTo-Json Invoke-RestMethod -Uri "http://127.0.0.1:8000/v1/chat/completions" -Method Post -Body $body -ContentType "application/json"

   如果返回了正确的 Python 代码，说明代理通了！同时，检查C:\Users\YourName\AppData\Local\ClaudeProxy\cache.db，用 DB Browser for SQLite 打开，你会发现requests、responses、cache三张表里已写入数据。

3. 后台守护：Windows 服务化（可选但推荐）
   让claude-proxy随系统启动、崩溃自动重启，用 Windows 自带的sc命令：

   # 以管理员身份打开 PowerShell（仅此一步需要管理员） sc create ClaudeProxyService binPath= "C:\Users\YourName\.pyenv\pyenv-win\versions\3.11.9\python.exe C:\dev\claude-proxy\main.py" start= auto sc start ClaudeProxyService

   此后，服务将在后台静默运行。查看日志：Get-EventLog -LogName Application -Source "Service Control Manager" | Where-Object {$_.Message -like "*ClaudeProxy*"} | Select-Object TimeGenerated, Message。

至此，你的claude-proxy服务已完全就绪。它不是一个黑盒安装包，而是一套你亲手编写、调试、守护的、完全透明的本地基础设施。每一次代码补全，背后都是你对数据主权的坚定捍卫。

5. VS Code 插件配置：零代码修改，100% 本地化交互

有了后端代理，前端必须无缝对接。好消息是：你不需要写一行 TypeScript，也不需要发布自己的插件。VS Code 生态中，有一个成熟、轻量、开源的插件，专为这种“本地代理”场景而生——CodeLLDB的作者开发的CodeGeeX替代品Continue.dev，但它太重。我们选择更精准的：Tabnine的开源分支Tabby的 VS Code 插件，但需微调其配置。不过，最优雅的方案是：直接复用官方Anthropic插件，仅修改其 endpoint 配置。

5.1 为什么首选官方插件 + endpoint 重定向？

• 信任度最高：官方插件源码公开（GitHub:anthropic/anthropic-vscode），你可随时审查其网络请求逻辑。
• 功能最全：支持Ctrl+Enter补全、Alt+Enter生成单元测试、Cmd+Shift+P>Claude: Explain Code等全部快捷指令。
• 维护最及时：随 Anthropic API 更新自动适配新字段、新模型。
• 零学习成本：你的团队无需适应新 UI、新快捷键。

唯一要做的，就是告诉这个插件：“别连api.anthropic.com，去连我的127.0.0.1:8000”。

5.2 修改插件配置的两种方式（推荐方式二）

方式一：VS Code 设置中全局覆盖（简单，但影响所有插件）

1. 打开 VS Code →Ctrl+,打开设置。
2. 搜索http.proxy，在HTTP: Proxy设置项中填入：http://127.0.0.1:8000。
3. ⚠️ 严重警告：这会强制 VS Code 所有网络请求（包括扩展市场、Git 同步、Live Share）都走你的代理！而你的claude-proxy只处理/v1/chat/completions，其他请求会 404，导致 VS Code 功能异常。此方式绝对禁止！

方式二：插件专属配置（精准、安全、推荐）

这是anthropic-vscode插件预留的官方机制。它读取一个名为anthropic.apiEndpoint的设置项：

1. 在 VS Code 中，按Ctrl+Shift+P，输入Preferences: Open Settings (JSON)，回车。

2. 在打开的settings.json文件中，添加以下两行（确保逗号分隔正确）：

   "anthropic.apiEndpoint": "http://127.0.0.1:8000/v1", "anthropic.apiKey": "ignored"

   注意：apiKey设为"ignored"是关键。因为插件在发送请求时，会读取此值并放入Authorization: Bearer <key>头。但我们希望它不发送任何 key，因为claude-proxy服务自己会从.env文件读取ANTHROPIC_API_KEY并添加头。如果插件也发 key，会导致400 Bad Request（重复认证头）。设为"ignored"后，插件会跳过 key 注入，只发请求体。

3. 保存settings.json，重启 VS Code。

5.3 验证配置是否生效：三步精准诊断

1. 第一步：确认插件已启用
   Ctrl+Shift+P→Extensions: Show Enabled Extensions→ 搜索Anthropic，确保状态为Enabled。

2. 第二步：触发一次补全，观察网络
   打开任意.py文件，输入def hello():，将光标放在下一行，按Ctrl+Enter。此时，你的claude-proxy终端窗口应立即打印出类似日志：

   INFO: 127.0.0.1:54321 - "POST /v1/chat/completions HTTP/1.1" 200 OK

   这证明请求已成功抵达代理。

3. 第三步：检查数据库审计日志
   用 DB Browser for SQLite 打开cache.db，刷新requests表。你应该能看到一条新记录，model字段为claude-3-haiku-20240307，timestamp是当前时间。点开cache表，找到对应hash，再关联到responses表，content字段里就是 Claude 生成的补全代码。这才是“本地部署”最坚实的证据链：从键盘触发，到屏幕显示，全程数据未离本机，且每一步均可审计。

5.4 进阶技巧：为不同项目设置不同模型与温度

你可能希望在写脚本时用haiku（快、便宜），在重构核心模块时用 `