GLM-5.1 全面支持与 Gemini CLI 集成:HagiCode 的多模型进化之路

news2026/3/31 15:18:39
GLM-5.1 全面支持与 Gemini CLI 集成HagiCode 的多模型进化之路本文介绍了 HagiCode 平台近期的重要更新——智谱 AI GLM-5.1 模型的全面支持以及 Gemini CLI 作为第十个 Agent CLI 的成功集成。这两项更新进一步强化了平台的多模型能力和多 CLI 生态。背景时间过得真快大语言模型的发展就像春天的竹子一样蹭蹭地往上窜。曾经我们还在为一个能写代码的 AI而欢呼雀跃如今已是多模型协同、多工具融合的时代了。这有意思吗或许吧毕竟开发者需要的从来都不只是工具本身而是一种能够适应不同场景、灵活切换的从容。HagiCode 作为一个 AI 辅助编码平台最近也算是迎来了两件大事一是智谱 AI 的 GLM-5.1 模型全面接入二是 Gemini CLI 正式成为第十个支持的 Agent CLI。这两件事说大不大说小也不小只是对于平台的完善而言总归是好事一桩。GLM-5.1 是智谱 AI 的最新旗舰模型相比 GLM-5.0推理能力更强了代码理解更深了工具调用也更顺滑了。更重要的是它是首个支持图片输入的 GLM 模型——这意味着什么意味着用户可以直接截图让 AI 看问题不用再费劲巴力地描述了。这便利性用过就懂了。与此同时HagiCode 通过 HagiCode.Libs.Providers 架构把 Gemini CLI 成功集成了进来。这是第十个 Agent CLI 了说实话能走到这一步也算是有些许成就感罢了。值得一提的是HagiCode 的图片上传功能让用户可以直接截图与 AI 交流。即使运行的是 GLM 4.7 版本平台依然能够良好运行并且已经帮助项目完成了许多重要的构建工作。至于 GLM-5.1那自然会更进一步。关于 HagiCode本文分享的方案来自我们在 HagiCode 项目中的实践经验。HagiCode 是一个开源的 AI 辅助编码平台旨在通过多模型、多 CLI 的架构设计为开发者提供灵活、强大的 AI 编程助手。项目地址github.com/HagiCode-org/site多 CLI 架构设计HagiCode 的核心优势之一就是通过统一的抽象层支持多种不同的 AI 编程 CLI 工具。这种设计的好处说穿了也就那么回事新东西能进来旧东西能留下代码还不乱。毕竟谁都希望生活能这样吧AIProviderType 枚举平台通过AIProviderType枚举定义了支持的 CLI 提供商类型publicenumAIProviderType{ClaudeCodeCli0,// Claude Code CLICodexCli1,// GitHub Copilot CodexGitHubCopilot2,// GitHub CopilotCodebuddyCli3,// Codebuddy CLIOpenCodeCli4,// OpenCode CLIIFlowCli5,// IFlow CLIHermesCli6,// Hermes CLIQoderCli7,// Qoder CLIKiroCli8,// Kiro CLIKimiCli9,// Kimi CLIGeminiCli10,// Gemini CLI (新增)}可以看到Gemini CLI 作为第十个成员加入了这个大家庭。每个 CLI 都有独特的特点和适用场景用户可以根据自己的需求灵活选择。毕竟条条大路通罗马只是有的路好走一点有的路稍微曲折一点罢了。Provider 架构HagiCode.Libs.Providers 提供了统一的 Provider 接口让每个 CLI 的集成变得规范而简洁。以 Gemini CLI 为例publicclassGeminiProvider:ICliProviderGeminiOptions{privatestaticreadonlystring[]DefaultExecutableCandidates[gemini,gemini-cli];privateconststringManagedBootstrapArgument--acp;publicstringNamegemini;publicboolIsAvailable_executableResolver.ResolveFirstAvailablePath(DefaultExecutableCandidates)isnotnull;}这种设计的好处是新 CLI 的集成只需要实现一个 Provider 类统一的生命周期管理和会话池化自动化的别名解析和可执行文件查找说穿了这种设计其实就是把复杂的事情简单化让生活更轻松一点罢了。Provider RegistryProvider Registry 自动处理别名映射和注册if(providerisGeminiProvider){registry.Register(provider.Name,provider,[gemini-cli]);continue;}这意味着用户可以使用gemini或gemini-cli两种方式来调用 Gemini CLI系统会自动识别。这就像你朋友多有的叫大名有的叫小名反正都是他怎么叫都行。GLM-5.1 模型支持GLM-5.1 是智谱 AI 的最新旗舰模型HagiCode 已完成对其的全面支持。Secondary Professions CatalogHagiCode 通过 Secondary Professions Catalog 管理所有支持的模型。以下是 GLM 系列的配置Model IDNameSupportsImageCompatible CLI Familiesglm-4.7GLM 4.7-claude, codebuddy, hermes, qoder, kiroglm-5GLM 5-claude, codebuddy, hermes, qoder, kiroglm-5-turboGLM 5 Turbo-claude, codebuddy, hermes, qoder, kiroglm-5.0GLM 5.0 (Legacy)-claude, codebuddy, hermes, qoder, kiroglm-5.1GLM 5.1trueclaude, codebuddy, hermes, qoder, kiroGLM-5.1 的关键特性可以总结为独立的版本标识没有 legacy 包袱首个支持图片输入的 GLM 模型更强的推理能力和代码理解广泛的多 CLI 兼容性GLM-5.1 vs GLM-5.0从代码层面来看GLM-5.1 与 GLM-5.0 的关键区别// GLM-5.0 (Legacy) - 有特殊保留逻辑privateconststringGlm50CodebuddySecondaryProfessionIdsecondary-glm-5-codebuddy;privateconststringGlm50CodebuddyModelValueglm-5.0;// GLM-5.1 - 独立的新模型标识privateconststringGlm51SecondaryProfessionIdsecondary-glm-5-1;privateconststringGlm51ModelValueglm-5.1;GLM-5.0 带有 “Legacy” 标记是为了向后兼容而保留的旧版本标识。而 GLM-5.1 是一个全新的独立版本没有任何历史包袱。这就像有些人总是活在过去而有些人轻装上阵走得更快罢了。配置 GLM-5.1在 HagiCode 中使用 GLM-5.1 的配置示例{primaryProfessionId:profession-claude-code,secondaryProfessionId:secondary-glm-5-1,model:glm-5.1,reasoning:high}图片上传功能HagiCode 的图片支持是通过 SecondaryProfession 的SupportsImage属性实现的publicclassHeroSecondaryProfessionSettingDto{publicboolSupportsImage{get;set;}}在 Secondary Professions Catalog 中GLM-5.1 的配置如下{id:secondary-glm-5-1,supportsImage:true}这意味着用户可以直接上传截图让 AI 分析比如错误信息的截图UI 界面的问题数据可视化图表代码运行结果不用再手动描述问题了直接截图就行——这个功能的便利性用过就知道了。毕竟有些事情说再多不如看一眼。Gemini CLI 集成Gemini CLI 作为第十个 Agent CLI通过标准的 Provider 架构集成到 HagiCode 中。配置选项Gemini CLI 支持丰富的配置选项publicclassGeminiOptions{publicstring?ExecutablePath{get;set;}publicstring?WorkingDirectory{get;set;}publicstring?SessionId{get;set;}publicstring?Model{get;set;}publicstring?AuthenticationMethod{get;set;}publicstring?AuthenticationToken{get;set;}publicDictionarystring,string?AuthenticationInfo{get;set;}publicDictionarystring,string?EnvironmentVariables{get;set;}publicstring[]ExtraArguments{get;set;}publicTimeSpan?StartupTimeout{get;set;}publicCliPoolSettings?PoolSettings{get;set;}}这些选项覆盖了从基本配置到高级特性的方方面面用户可以根据自己的需求进行灵活配置。毕竟每个人的需求都不一样能灵活一点总是好的。ACP 通信协议Gemini CLI 支持 ACP (Agent Communication Protocol) 通信协议这是 HagiCode 统一的 CLI 通信标准。通过 ACP不同的 CLI 可以以一致的方式与平台交互大大简化了集成工作。说穿了就是把复杂的事情统一化让大家都能轻松一点罢了。环境配置使用智谱 AI 的模型需要配置相应的环境变量。智谱 AI ZAI 平台exportANTHROPIC_AUTH_TOKENyour-zai-api-keyexportANTHROPIC_BASE_URLhttps://open.bigmodel.cn/api/anthropic阿里云 DashScopeexportANTHROPIC_AUTH_TOKENyour-aliyun-api-keyexportANTHROPIC_BASE_URLhttps://coding.dashscope.aliyuncs.com/apps/anthropic配置完成后HagiCode 就可以正常调用 GLM-5.1 模型了。这事儿说难也不难说简单也不简单反正照着做就是了。HagiCode 自身构建实践说到实践最好的例子就是 HagiCode 平台自身的构建流程。HagiCode 的开发过程已经充分利用了 AI 能力使用 GLM 4.7 即可良好运行HagiCode 平台的设计优化得比较好即使使用 GLM 4.7 也能获得良好的开发体验。平台已帮助完成多个重要构建项目包括多 CLI Provider 的集成图片上传功能的实现文档生成和内容发布这其实也挺好毕竟不是所有人都需要用最新的东西。适合自己的才是最好的。GLM-5.1 事半功倍升级到 GLM-5.1 后这些能力将得到进一步增强更强的代码理解能力减少来回沟通更准确的依赖分析一次性指对方向更高效的错误诊断快速定位问题支持图片输入加速问题描述这就像从自行车换到汽车能到的地方是一样的只是速度和舒适度不一样罢了。多 CLI 集成最佳实践HagiCode.Libs.Providers 提供了统一的注册和使用机制services.AddHagiCodeLibs();vargeminiserviceProvider.GetRequiredServiceICliProviderGeminiOptions();varcodebuddyserviceProvider.GetRequiredServiceICliProviderCodebuddyOptions();varhermesserviceProvider.GetRequiredServiceICliProviderHermesOptions();这种依赖注入的设计让各个 CLI 的使用变得非常简洁也方便进行单元测试和模拟。毕竟代码写得干净一点对自己也是一种负责。注意事项在实际使用中有几个地方需要注意API Key 配置确保正确设置ANTHROPIC_AUTH_TOKEN否则无法调用模型模型可用性GLM-5.1 需要在对应的模型提供商处开通权限图片功能只有支持supportsImage: true的模型才能使用图片上传功能CLI 安装使用 Gemini CLI 前确保gemini或gemini-cli在系统 PATH 中这些都是小事但小事处理不好也可能变成大事。所以还是要注意一下的。总结通过 GLM-5.1 的全面支持和 Gemini CLI 的成功集成HagiCode 进一步强化了其作为多模型、多 CLI AI 编程平台的能力。这些更新不仅为用户提供了更多的选择也展示了 HagiCode 在架构设计上的前瞻性和可扩展性。GLM-5.1 的图片支持能力结合 HagiCode 的截图上传功能让看图说话成为可能——大大降低了问题描述的成本。而十个 CLI 的支持意味着用户可以根据自己的偏好和场景灵活选择最合适的 AI 编程助手。毕竟选择多了总是好事。最重要的是HagiCode 平台自身的构建实践证明即使使用 GLM 4.7平台也能良好运行并完成复杂任务而升级到 GLM-5.1 后开发效率将得到进一步提升。这就像人生一样不一定非要追求最好适合自己的就好。当然如果能在适合自己的基础上变得更好那自然更好。如果你对多模型、多 CLI 的 AI 编程平台感兴趣不妨试试 HagiCode——开源、免费、不断进化。反正试试又不花钱万一真适合你呢参考资料HagiCode GitHub 仓库HagiCode 官网智谱 AI 开放平台Gemini CLI 文档Docker Compose 快速安装Desktop 桌面端安装如果本文对你有帮助来 GitHub 给个 Stargithub.com/HagiCode-org/site访问官网了解更多hagicode.com观看 30 分钟实战演示www.bilibili.com/video/BV1pirZBuEzq/一键安装体验docs.hagicode.com/installation/docker-compose公测已开始欢迎安装体验原文与版权说明感谢您的阅读,如果您觉得本文有用,欢迎点赞、收藏和分享支持。本内容采用人工智能辅助协作,最终内容由作者审核并确认。本文作者: newbe36524原文链接: https://docs.hagicode.com/go?platformcsdntarget%2Fblog%2F2026-03-30-hagicode-glm-5-1-gemini-cli-update%2F版权声明: 本博客所有文章除特别声明外,均采用 BY-NC-SA 许可协议。转载请注明出处!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2468850.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…