feeeei

作者问题，你换个赛道看看，你看看 OpenClaw/Hermes ，不过这俩比较极端，一天 800 个 commit...

稍微正常一点儿的，比如 sub2api ，平均一天几十个 PR ，人工肯定 Review 不过来，都是 AI 写、AI Review

@owen800q 要不就是每个员工自己订阅，要不还是买外面的中转站吧，很多号池技术还是有点儿猛...

我帮一个中转站老板修 BUG ，人家机器都是直接拉满的双路 EPYC 7702 + 1T 内存 + 10G 无限流量的配置，羡慕死了

默认是看不到的，sub2api 也不会记录会话数据，只会记录用量是为了拿来做计费用的

不过有一个 SUB2API_DEBUG_GATEWAY_BODY 的开关（默认关闭），打开这个开关之后会落盘数据，是方便 DEBUG 用的，除非还有一个外挂系统来消化处理重新汇总成会话，否则这玩意儿不会开的。

因为每次对话都是带着这个会话的全部上下文的，等于 sub2api 的网络 IO 数据全落盘，巨大...

打开 SUB2API_DEBUG_GATEWAY_BODY 开关之后，数据记录大概长这样：
========== [2026-07-29 14:03:21.482] CLIENT_ORIGINAL ==========
--- context ---
account: 12(账户名)
account_type: anthropic
model: claude-opus-4-20250514
stream: true
--- headers ---
Host: api.anthropic.com
User-Agent: claude-cli/1.0.x (external, cli)
authorization: Bearer [redacted]
anthropic-beta: oauth-2025-04-20,...
--- body ---
{
"model": "...",
"messages": [ ... ]
}

@honjow 哎，算了，我再苦口婆心地给你解释一遍吧。上面蒙娜丽莎其实已经讲得很清楚了，看来你还是理解不了

如果面对的是一个 GUI 客户端，大模型通常无法直接调用它的内部接口，只能通过“识别屏幕画面＋模拟鼠标键盘操作”的方式进行交互，效率上就天差地别

然后这其中的图像识别就是多模态能力了啊，比如 GUI 里面有一张日志链路图表，ZCode 现在的处理方式是先调用一个 GLM-5V-Turbo 这样的支持多模态的小模型，把这张图片识别完毕之后翻译成文字，翻译成文字必然是丢失数据失真，比如：
他总结出来的内容是“这是一张日志链路追踪图，第一个节点是 xx ，第二个节点是 xxx ，每个节点分别日志是 xxx ，xxxx ，耗时 xxms”。但是有可能图片中的连线粗细表达了权重关系、线条颜色深重表达了 SLA 质量，Z 轴高度表达了调用次数等等，有可能这些信息他在翻译成文字的过程中就都丢掉了，没识别出的内容，要不就是后面的文字模型永远看不到，要不就是后续会反复一遍遍再调用 OCR 图片识别。

如果他是一个原生多模态模型，图片被存储成了图像 token 就不会有这个问题，明白了没？

@honjow 好的好的，你都说了“那智谱没有多模态”了，你几斤几两、什么水平已经显而易见了

无需多言，再讲什么都是在招笑话了

@honjow “那智谱没有多模态”这句话是谁说的，上来就说"那智谱没有多模态"，还嘴这么硬... 我想问问你，你这种情况，持续多久了？

@honjow 你到底用没用过啊.... 啥都不懂就开始人身攻击，你不怕打脸给你打肿？！？！？

1. “那智谱没有多模态”，谁说智谱没有多模态，GLM-5V-Turbo 不知道？
2. “Zcode 是怎么用”，你到底用没用过，你没发现你上传图片他会单独调用 analyze_image tools ？你但凡用过一次看到输出就不会有这么蠢的问题，你没发现他是把图片先分析成文本再开始处理？明显就是先调用了一次 GLM-5V-Turbo 做图片识别，把输出的文字内容丢到主会话中继续处理

所以 Zcode 是通过嫁接的方式实现的图片识别，问题是很多图片通过文字表述就严重失真了，比如不管你怎么文字描述蒙娜丽莎的图片，AI 都没办法给你画出蒙娜丽莎，只有原生多模态直接图片输入的才能保持图片信息不失真，懂？

不懂就多查查，别肚子没几滴墨水就开始攻击，被打脸不尴尬吗

GUI 是图形化界面，考验大模型多模态识图能力
CLI 是命令行，纯文字，属于是 raw 级别交互，在所有大模型都在卷 agent 能力的今天，命令行交互属于是 AI 最基础的能力之一了