企业官网建设流程全解析

1. 从 openrig 这个名字说起：它到底想解决什么问题

第一次看到openrig这个词，我下意识把它拆成了两半：open和rig。rig在工程语境里通常指“装配好的整套装置”，比如一台矿机的整机、一套测试台架、一组调试工具链。把它放到当下 AI 编程助手满天飞的环境里，openrig大概率指的是“一套开放的、可自由拼装的 AI 编码工具装配方案”。结合热搜词里高频出现的claude code、codex、yaml、node.js，我基本可以判断：这是一个围绕命令行 AI 编码助手做本地化装配、配置与调度的实践方向。

为什么会有这个需求？因为现在的情况是，claude code和codex这类 CLI 工具各自为政，安装方式不同、配置文件格式不同、模型接入方式不同。你想在 VS Code 里用一套，在终端里用另一套，再想接个本地模型或者第三方 API，配置就散落在四五个地方。openrig要做的，就是把这些零散的东西用一套统一的思路“装配”起来，让node.js环境、yaml配置、CLI 工具、编辑器插件各就各位，而不是每次换机器都从头折腾一遍。

这篇文章适合谁看？如果你正在被claude code 安装、codex 安装教程、node.js 安装这些关键词反复折磨，或者你已经装好了但不知道怎么把yaml配置和实际工具链串起来，那这篇内容就是写给你的。我会从环境底座开始，一路讲到配置装配、模型接入、常见报错排查，尽量把每一步的“为什么”也讲清楚，而不是只丢一堆命令让你抄。

需要先说明一点：openrig目前没有官方统一文档，下面的内容是我基于热搜词反映出的真实使用场景，结合claude code、codex、node.js、yaml这些工具的通用实践整理出来的装配思路。你可以把它当成一套可复现的参考方案，具体细节按你手头的版本微调。

2. 装配之前先把底座打牢：node.js 与包管理器的选择

2.1 为什么 node.js 版本是第一个坑

热搜里有一条特别扎眼：error installing 24.21.0: node.js v24.21.0 is not yet released or is not available。这个报错说明有人试图安装一个还不存在的 node.js 版本。claude code和codex这类 CLI 工具绝大多数是基于 node.js 生态分发的，它们对 node 版本有明确的区间要求。版本太低，语法不支持；版本太高，某些原生依赖还没编译好。所以装配的第一步不是急着装工具，而是先把 node 版本锁定在一个“被验证过”的区间。

我的建议是直接用 LTS 版本。热搜里也出现了node.js lts下载，说明不少人已经意识到 LTS 的稳定性。截至我写这篇内容时，node.js 20.x 和 22.x 的 LTS 是兼容性最好的选择。不要盲目追最新的大版本，尤其是看到24.x这种还没正式发布的编号时，先确认它是不是真的存在。

安装方式上，Windows 用户直接去 node.js 官网下载 LTS 的 msi 安装包最省事；macOS 和 Linux 用户我更推荐用版本管理工具，比如nvm或fnm。原因很简单：你不可能只用一个 node 版本。今天跑claude code要 20.x，明天跑另一个工具要 18.x，没有版本管理器你就得反复卸载重装。

# 以 fnm 为例，安装后锁定 LTS fnm install --lts fnm use --lts node -v npm -v

装完之后一定要验证node -v和npm -v都能正常输出。如果npm报错，多半是环境变量没配好，或者安装过程中权限不足。Windows 上还有一种情况是之前装过旧版本，残留的路径和新版本冲突，这时候去“应用和功能”里把旧的 node.js 卸载干净再重装。

2.2 包管理器：npm、pnpm 还是 yarn

claude code和codex的安装命令通常以npm install -g开头，所以npm是必须能用的。但如果你后续要在一个项目里同时管理多个 AI 工具的依赖，pnpm会更省磁盘空间，安装速度也更快。不过对于全局 CLI 工具来说，npm的全局安装机制最成熟，出问题的概率最低。我的做法是：全局工具用npm，项目内依赖用pnpm，两者互不干扰。

这里有个细节值得注意：全局安装的 CLI 工具，其可执行文件会被放到 npm 的全局 bin 目录。如果这个目录不在系统的 PATH 里，你装完了也敲不出命令。可以用npm config get prefix查看全局目录，然后确认它下面的bin（Windows 是根目录）在 PATH 中。

2.3 网络与镜像：安装慢不等于装不上

热搜里node.js官网下载和node.js下载同时出现，说明很多人在下载环节就卡住了。npm 官方源在国内访问有时会很慢，这时候可以临时切换镜像源。但要注意，切换镜像源只影响下载速度，不影响工具本身的功能。如果你用的是公司网络，可能还需要配置代理才能访问外部源，这部分按你所在环境的规范来操作即可。

# 查看当前源 npm config get registry # 临时使用镜像源安装 npm install -g @anthropic-ai/claude-code --registry=https://registry.npmmirror.com

装完之后建议把源切回官方，避免后续安装其他包时出现版本不一致的问题。

3. claude code 与 codex 的安装路径差异

3.1 claude code 安装：全局装还是项目内装

claude code的安装方式在不同平台上略有差异。热搜里出现了claude code安装、安装claude code、claude code下载、claude code windows、ubuntu配置claude code，说明 Windows 和 Ubuntu 是两个主要的战场。通用的安装命令是通过 npm 全局安装：

npm install -g @anthropic-ai/claude-code

装完之后在终端输入claude应该能看到交互界面。如果提示命令找不到，回到上一节检查 PATH。Windows 用户如果用的是 PowerShell，可能还需要确认执行策略没有阻止脚本运行。

claude code有一个很实用的能力是直接执行终端命令，热搜里claude code如何直接执行终端命令就是在问这个。它的工作方式是你用自然语言描述意图，它生成命令并请求你确认后执行。这个确认环节很重要，不要图省事把确认关掉，否则一条误生成的删除命令就可能造成不可逆的后果。

3.2 codex 安装：注意组织设置与模型支持

codex的安装同样走 npm 路线，但热搜里出现了两个很具体的报错：codex无法加载组织设置和the 'gpt-5.6-sol' model is not supported when using codex with a。这两个问题指向同一个根源：codex的模型接入是受配置约束的，不是你想用哪个模型就能用哪个。

codex无法加载组织设置通常发生在登录环节。codex需要读取你的账户或组织配置来决定可用模型和权限。如果网络请求被拦截，或者本地缓存的凭证过期，就会报这个错。处理办法是先退出登录，清理本地配置目录，再重新登录。配置目录一般在用户主目录下的隐藏文件夹里，具体路径因版本而异，可以用codex --help查看是否有config相关子命令。

the 'gpt-5.6-sol' model is not supported这个报错更有意思。它说明有人在配置里指定了一个不被当前codex版本支持的模型名。模型名不是随便写的，必须和工具内部维护的模型列表匹配。遇到这种报错，第一反应应该是去查当前版本的文档，确认支持的模型标识，而不是反复重试同一个名字。

3.3 两个工具能共存吗

可以，而且我建议共存。claude code和codex的定位有重叠但不完全一样。claude code在终端命令执行和文件操作上更直接，codex在某些代码生成场景下有它的优势。两者都通过 npm 全局安装，命令名不同，配置文件也各自独立，不会互相覆盖。唯一需要注意的是别把两者的 API 密钥或登录凭证搞混。

4. yaml 配置：openrig 装配思路的核心载体

4.1 为什么是 yaml 而不是 json

热搜里yaml、yaml文件、yaml安装、yolov10 yaml文件怎么创建、rstudio的yaml在哪里混在一起，说明 yaml 这个格式在很多领域都被使用。在 AI 编码工具的语境下，yaml 通常用来描述模型接入配置、工具链参数、项目级设置。相比 json，yaml 的优势是支持注释、层级更直观、手写更友好。你可以在配置里写清楚每一段是干什么的，三个月后回来看还能看懂。

yaml安装这个搜索词其实有点误导。yaml 本身是一种数据格式，不是需要单独安装的软件。你真正需要的是解析 yaml 的库，比如 node.js 里的js-yaml。如果你在项目里要用 yaml，装的是解析库，不是 yaml 本身。

npm install js-yaml

4.2 一份可参考的模型接入配置结构

下面这份 yaml 结构是我在实际装配中常用的模板，用来描述多个模型端点的接入信息。字段名你可以按自己使用的工具调整，但结构思路是通用的：

# openrig 模型接入配置示例 version: 1 default_provider: local providers: local: type: openai-compatible base_url: http://127.0.0.1:1234/v1 api_key: not-needed models: - name: local-model context_window: 8192 max_tokens: 2048 remote: type: openai-compatible base_url: https://api.example.com/v1 api_key: ${API_KEY_FROM_ENV} models: - name: remote-model context_window: 128000 max_tokens: 4096 routing: default: local rules: - match: "long-context" provider: remote

这份配置里有几个设计点值得解释。第一，api_key用环境变量占位，不要把密钥硬编码进文件，否则一旦这个文件被提交到代码仓库，密钥就泄露了。第二，routing段落定义了路由规则，让不同任务走不同模型端点，这是openrig装配思路里很关键的一环——不是所有任务都需要最强的模型，简单任务走本地端点又快又省。第三，context_window和max_tokens显式声明，避免工具按默认值去猜，猜错了就会在长文本场景下截断。

4.3 yaml 缩进与常见语法错误

yaml 最坑的地方是缩进。它不允许用 Tab，只能用空格，而且同一层级的缩进必须完全一致。我见过太多次因为复制粘贴导致缩进混用，解析器直接报mapping values are not allowed here。排查这种错误没有捷径，就是打开编辑器的“显示空白字符”功能，把 Tab 全部替换成两个空格。

另一个常见错误是冒号后面没加空格。key:value在 yaml 里不是合法的键值对，必须是key: value。这个细节在写配置时很容易忽略，尤其是从 json 转过来的时候。

提示：写完 yaml 后，用node -e "require('js-yaml').load(require('fs').readFileSync('config.yaml','utf8'))"快速验证语法，比等到工具报错再回头查要高效得多。

5. 把工具接进编辑器：VS Code 配置的取舍

5.1 插件装哪个，不装哪个

热搜里vscode配置claude code、claude code for vs code、vscode接入claude code、vs code使用方法集中出现，说明编辑器集成是刚需。VS Code 的插件市场里同类型插件很多，我的原则是只装官方或明确维护活跃的。装太多同功能插件会互相抢快捷键、抢终端控制权，最后哪个都用不顺。

claude code的 VS Code 集成方式通常有两种：一种是通过官方插件，在编辑器内提供侧边栏对话；另一种是直接在 VS Code 的集成终端里运行 CLI。两种方式不冲突，我一般两个都留着，写代码时用侧边栏，需要执行复杂命令时切到终端。

5.2 终端环境变量的坑

VS Code 在 Windows 上默认可能用 PowerShell，而你在系统终端里配置的环境变量，VS Code 的集成终端不一定能读到。表现就是：在外部终端里claude能跑，在 VS Code 里就提示找不到命令或者读不到 API 密钥。解决办法是在 VS Code 的设置里明确指定终端 shell，或者把环境变量写进 VS Code 能读取的配置文件里。

macOS 上从 Finder 启动 VS Code 时，它不会加载你 shell 的配置文件，所以 PATH 里的自定义路径可能缺失。这种情况要么从终端用code .启动 VS Code，要么在 VS Code 设置里手动补全 PATH。

5.3 本地模型接入编辑器的实际体验

热搜里claude code 调用lmstudio的本地模型是一个很具体的需求。把本地模型接进编辑器，最大的好处是隐私和离线可用，代价是响应速度和上下文长度通常不如云端。实际配置时，关键是确认本地模型服务暴露的是 OpenAI 兼容接口，然后在 yaml 里把base_url指向本地端口。如果连接失败，先确认服务是否在运行，再确认端口有没有被防火墙拦截。

本地模型的上下文窗口往往偏小，配置里如果写了 128000 但模型实际只支持 8192，工具可能会在超出部分直接报错或静默截断。所以context_window一定要按模型真实能力填写，宁可写小一点。

6. 报错排查：从 cc switch 到模型不支持

6.1 cc switch local proxy failed 的排查链路

热搜里有一条很长的报错：cc switch local proxy failed while handling codex endpoint /responses。这个报错涉及三个层面：cc switch这个切换工具、本地代理、以及codex的/responses端点。排查顺序应该是从外到内。

第一步，确认cc switch本身是否正常运行。它是一个用来在多个模型配置之间切换的工具，如果它自己启动失败，后面的代理和端点都无从谈起。第二步，确认本地代理端口是否被占用。代理工具通常会监听一个本地端口，如果这个端口已经被其他程序占用，代理就起不来。用netstat或lsof查一下端口占用情况。第三步，确认codex的端点路径是否正确。/responses是特定 API 规范的路径，如果你的代理配置里路径写错了，请求就会 404。

6.2 模型不支持报错的通用处理思路

前面提到的the 'gpt-5.6-sol' model is not supported和your organization has disabled claude subscription access属于同一类问题：配置里声明的能力，当前账户或当前工具版本不具备。处理这类问题的通用思路是：

这张表里的每一行我都实际遇到过。最容易被忽略的是“模型名拼写错误”，因为报错信息不会告诉你正确的名字是什么，只会说你不支持。这时候去翻工具的更新日志或者--help输出，往往能找到当前支持的模型列表。

6.3 安装类报错的快速定位

error installing 24.21.0这类报错，核心是版本不存在。node.js 的版本号是有严格发布流程的，偶数大版本是 LTS，奇数大版本是过渡版。24.21.0如果还没发布，你指定它当然装不上。解决办法是换成当前实际存在的 LTS 版本。用fnm ls-remote或nvm ls-remote可以列出所有可安装的版本，从列表里选一个，而不是凭记忆写版本号。

7. 装配完成后的验证与日常维护

7.1 一套最小验证流程

装完 node.js、claude code、codex、配好 yaml 之后，不要急着上复杂项目。先用一个最小流程验证整条链路是通的：

1. node -v确认 node 可用
2. claude --version确认 claude code 可执行
3. codex --version确认 codex 可执行
4. 用 yaml 解析库加载你的配置文件，确认语法无误
5. 在 VS Code 集成终端里重复第 2、3 步，确认编辑器环境一致
6. 发一条最简单的对话请求，确认模型端点能返回结果

这六步走完，基本能覆盖 90% 的装配问题。剩下的 10% 通常是特定模型或特定网络环境导致的，需要单独排查。

7.2 配置文件该不该进版本控制

我的做法是：配置模板进版本控制，实际配置不进。模板里用占位符代替密钥和本地路径，实际配置放在.gitignore里。这样团队协作时大家共享结构，但各自的密钥和本地端点互不干扰。如果团队需要统一模型路由策略，可以把routing段落单独抽出来共享，因为它不包含敏感信息。

7.3 版本升级的节奏

claude code和codex都在快速迭代，升级频率很高。我的建议是不要每次发版就升，而是固定一个节奏，比如每两周升一次，升级前先看更新日志里有没有破坏性变更。升级命令很简单：

npm update -g @anthropic-ai/claude-code npm update -g @openai/codex

升级后如果出现之前能用的配置突然报错，第一反应是回滚到上一个版本，而不是花几个小时去适配新版本。全局安装的工具回滚很方便，指定版本号重装即可。

npm install -g @anthropic-ai/claude-code@1.0.0

7.4 我踩过的几个真实坑

第一个坑是环境变量在 GUI 和终端之间不一致。我在终端里配好了 API 密钥，结果 VS Code 从图标启动时读不到，排查了半天才发现是启动方式的问题。第二个坑是 yaml 缩进混用，复制了一段配置进来，看起来对齐了，实际上有的是 Tab 有的是空格，解析器直接罢工。第三个坑是本地模型端口冲突，代理工具和本地模型服务抢同一个端口，表现是时好时坏，最后用lsof才定位到。

这些坑的共同点是：报错信息不会直接告诉你原因，需要你顺着链路一层层查。所以装配openrig这类工具链时，养成“每装一个组件就验证一次”的习惯，比全部装完再统一调试要省时间得多。

8. 关于 openrig 装配思路的一点个人体会

openrig这个词本身没有官方定义，但它精准地描述了一种需求：把开放的 AI 编码工具装配成一套顺手的装置。这套装置的核心不是某一个工具，而是工具之间的衔接方式——node.js 提供运行时底座，yaml 提供配置载体，claude code和codex提供能力，VS Code 提供交互界面，本地模型和远程 API 提供算力来源。任何一环出问题，整条链路都会卡住。

我在实际装配中最大的体会是：配置的清晰度比工具的先进性更重要。一份注释完整、结构清晰的 yaml 配置，能让你在换机器、换模型、换工具版本时快速定位问题。相反，如果配置是东拼西凑来的，每次报错都要从头猜。所以花时间把配置整理好，是这笔投入里回报最高的部分。

另外，不要追求一次装配到位。工具在变，模型在变，你的需求也在变。先跑通最小链路，再逐步加功能，比一开始就搭一个复杂系统要稳得多。