阿里百炼 Coding Plan 接入指南

本文档说明如何使用阿里百炼 Coding Plan 的一套 API Key 驱动 ARIS 全流程，无需 Claude 或 OpenAI API。

背景

Coding Plan 是什么

阿里百炼 Coding Plan 是阿里云推出的 AI 编程套餐，一个专属 API Key 打通四款国产顶级模型，同时兼容 OpenAI 和 Anthropic 两大主流 API 协议。

支持的模型

模型	图像理解	推荐用途	速度参考
`qwen3.5-plus`	是	执行器轻量任务 / 读图	~94 tokens/s
`kimi-k2.5`	是	执行器主力（综合能力强）	~42 tokens/s
`glm-5`	否	审查器主力（推理质量高）	~51 tokens/s
`MiniMax-M2.7`	否	审查器备选（速度最快）	~101 tokens/s

为什么不能直接用 Codex MCP

原版 ARIS 的审查器使用 Codex MCP，而 Codex CLI 硬编码调用 OpenAI 专有的 Responses API (/v1/responses)，第三方 API 提供商（包括 Coding Plan）均不支持该接口。

解决方案：使用项目内置的 llm-chat MCP 服务器，它调用标准 Chat Completions API (/v1/chat/completions)，兼容所有 OpenAI 兼容端点，包括 Coding Plan。

相关讨论：OpenAI Codex GitHub #7782

重要：使用条款限制

警告：阿里百炼官方文档明确规定：

"仅限在编程工具（如 Claude Code、OpenClaw 等）中使用，禁止以 API 调用的形式用于自动化脚本、自定义应用程序后端或任何非交互式批量调用场景。将套餐 API Key 用于允许范围之外的调用将被视为违规或滥用，可能会导致订阅被暂停或 API Key 被封禁。"

使用前请了解以下风险评估：

使用场景	是否符合条款	风险
交互式使用（手动触发 skill，人在回路）	符合	低
半自动（每轮需人工确认，`AUTO_PROCEED: false`）	基本符合	低
过夜全自动循环（`/auto-review-loop` 无人值守）	违反	高，可能封禁 Key
llm-chat MCP 作为审查器被 Claude Code 调用	存在争议	中，取决于阿里方面解释

建议：如需完全自动化的过夜科研循环，考虑改用按量计费的百炼 API Key，或其他没有此限制的提供商（DeepSeek、MiniMax 直连等）。

双层架构

Coding Plan 提供两套 API 端点，分别对应 ARIS 的两个角色：

┌──────────────────────────────────────────────────────────┐
│                    Claude Code (CLI)                      │
│                                                           │
│  ┌──────────────────┐       ┌─────────────────────────┐  │
│  │     执行器        │──────▶│        审查器            │  │
│  │  (Claude CLI)    │       │   (llm-chat MCP)        │  │
│  │                  │       │                         │  │
│  │  ANTHROPIC_* 变量 │       │  LLM_* 环境变量          │  │
│  │  → Anthropic 端点 │       │  → OpenAI 端点           │  │
│  └──────────────────┘       └─────────────────────────┘  │
└──────────────────────────────────────────────────────────┘

角色	协议	端点
执行器（Claude CLI）	Anthropic 兼容	`https://coding.dashscope.aliyuncs.com/apps/anthropic`
审查器（llm-chat MCP）	OpenAI 兼容	`https://coding.dashscope.aliyuncs.com/v1`

两个端点使用同一个 Coding Plan 专属 API Key，无需分别申请。

安装步骤

前置条件

Claude Code CLI 已安装：npm install -g @anthropic-ai/claude-code
Python 3 可用：python3 --version（用 which python3 确认路径）
已购买阿里百炼 Coding Plan 套餐并获取专属 API Key（在套餐页面直接获取，与百炼按量 Key 不互通）

Step 1：克隆仓库

git clone https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep.git
cd Auto-claude-code-research-in-sleep

Step 2：安装 Python 依赖

pip3 install -r mcp-servers/llm-chat/requirements.txt

Step 3：部署 llm-chat MCP 服务器

mkdir -p ~/.claude/mcp-servers/llm-chat
cp mcp-servers/llm-chat/server.py ~/.claude/mcp-servers/llm-chat/server.py

Step 4：安装 Skills

mkdir -p ~/.claude/skills
cp -r skills/* ~/.claude/skills/

Step 5：配置 ~/.claude/settings.json

以下为推荐配置（kimi-k2.5 执行 + glm-5 审查）。用 which python3 替换 command 中的 python3 路径，用 echo $HOME 替换路径中的 $HOME：

{
  "env": {
    "ANTHROPIC_AUTH_TOKEN": "your-coding-plan-api-key",
    "ANTHROPIC_BASE_URL": "https://coding.dashscope.aliyuncs.com/apps/anthropic",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "kimi-k2.5",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "qwen3.5-plus",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "MiniMax-M2.7",
    "API_TIMEOUT_MS": "3000000",
    "CLAUDE_CODE_MAX_OUTPUT_TOKENS": "6000"
  },
  "mcpServers": {
    "llm-chat": {
      "command": "/usr/bin/python3",
      "args": ["$HOME/.claude/mcp-servers/llm-chat/server.py"],
      "env": {
        "LLM_API_KEY": "your-coding-plan-api-key",
        "LLM_BASE_URL": "https://coding.dashscope.aliyuncs.com/v1",
        "LLM_MODEL": "glm-5"
      }
    }
  }
}

Linux 路径说明：$HOME 通常为 /root（root 用户）或 /home/用户名。运行 echo $HOME 确认，并将配置中 args 里的 $HOME 替换为实际路径（settings.json 不会自动展开 shell 变量）。同理，用 which python3 确认 python3 实际路径。

Step 6：改写所有使用 Codex MCP 的 Skills

项目中有 12 个 skill 调用 mcp__codex__codex（依赖 OpenAI Responses API，Coding Plan 不支持）。在启动 Claude Code 后执行以下指令，让它自动完成改写：

Read skills/auto-review-loop-llm/SKILL.md as a reference.
It replaces mcp__codex__codex with mcp__llm-chat__chat.
Now rewrite ALL other skills that use mcp__codex__codex / mcp__codex__codex-reply
to use mcp__llm-chat__chat instead, following the same pattern.

Claude Code 会自动：

扫描 ~/.claude/skills/ 中所有使用 Codex MCP 的 skill 文件
参考 auto-review-loop-llm 的写法（MCP 优先 + curl fallback）
逐个改写为调用 mcp__llm-chat__chat

注意：此操作只修改 ~/.claude/skills/ 中的本地副本，不影响仓库原文件。如需恢复，重新执行 Step 4 即可。

模型选择建议

场景	执行器（OPUS 位）	审查器（llm-chat）	说明
推荐：能力均衡	`kimi-k2.5`	`glm-5`	kimi 执行综合能力强，glm-5 推理审查严谨
备选：速度优先	`qwen3.5-plus`	`MiniMax-M2.7`	两者出词最快，适合快速迭代和调试
备选：测试阶段	`qwen3.5-plus`	`glm-5`	执行轻量省请求次数，审查保持质量

关于跨模型优势：ARIS 的核心设计是执行器和审查器使用不同模型，互不审自己的输出，形成真正的反馈循环。如果两端用同一模型（如都用 kimi-k2.5），会部分削弱这一优势。

使用方法

配置完成后，按如下方式启动 Claude Code 并使用 skill：

claude

直接可用（无需改写）

/auto-review-loop-llm "你的论文主题"    # 已原生支持 llm-chat MCP

改写后可用（Step 6 完成后）

/idea-discovery "你的研究方向"          # 工作流 1：文献 → idea → 查新 → 实验
/auto-review-loop "你的论文主题"        # 工作流 2：自动 review 循环
/paper-writing "NARRATIVE_REPORT.md"   # 工作流 3：叙事 → LaTeX → PDF
/research-pipeline "你的研究方向"       # 完整流水线：1 → 2 → 3

验证安装

1. 验证执行器端点（Anthropic 协议）

curl -s "https://coding.dashscope.aliyuncs.com/apps/anthropic/v1/messages" \
  -H "Content-Type: application/json" \
  -H "x-api-key: your-coding-plan-api-key" \
  -H "anthropic-version: 2023-06-01" \
  -d '{"model":"kimi-k2.5","max_tokens":50,"messages":[{"role":"user","content":"Say hello"}]}'

预期：返回包含 "content" 字段的 JSON，其中有模型回复文本。

2. 验证审查器端点（OpenAI 协议）

curl -s "https://coding.dashscope.aliyuncs.com/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer your-coding-plan-api-key" \
  -d '{"model":"glm-5","messages":[{"role":"user","content":"Say hello"}],"max_tokens":50}'

预期：返回包含 "choices" 字段的 JSON，其中有模型回复文本。

3. 验证 llm-chat MCP 服务器

echo '{"jsonrpc":"2.0","id":1,"method":"initialize","params":{}}' | \
  LLM_API_KEY="your-coding-plan-api-key" \
  LLM_BASE_URL="https://coding.dashscope.aliyuncs.com/v1" \
  LLM_MODEL="glm-5" \
  python3 ~/.claude/mcp-servers/llm-chat/server.py

预期输出中包含："protocolVersion":"2024-11-05"

4. 在 Claude Code 中端到端验证

claude
> 读一下这个项目，验证 /auto-review-loop-llm skill 是否正常可用，列出可识别的所有 skill

文件结构总览

~/.claude/
├── settings.json                        # 包含 Coding Plan 执行器 + llm-chat MCP 配置
├── mcp-servers/
│   └── llm-chat/
│       └── server.py                    # 通用 LLM MCP 服务器（支持任意 OpenAI 兼容 API）
└── skills/
    ├── auto-review-loop-llm/
    │   └── SKILL.md                     # 已原生支持 llm-chat MCP，无需改写
    ├── idea-creator/
    │   └── SKILL.md                     # Step 6 改写后调用 mcp__llm-chat__chat
    ├── research-review/
    │   └── SKILL.md                     # Step 6 改写后调用 mcp__llm-chat__chat
    ├── novelty-check/
    │   └── SKILL.md                     # Step 6 改写后调用 mcp__llm-chat__chat
    └── ...（其余 11 个 skill 类似）

项目目录（运行时生成）/
├── AUTO_REVIEW.md                       # 审查日志（自动追加）
└── REVIEW_STATE.json                    # 状态持久化，支持断点恢复

与其他方案对比

	默认方案	本方案（Coding Plan）	MiniMax 方案	GLM + DeepSeek
执行器	Claude Opus/Sonnet	kimi-k2.5 / qwen3.5-plus	GLM-5 (Z.ai)	GLM-5 (Z.ai)
审查器	GPT-5.4 (Codex MCP)	glm-5 / MiniMax-M2.7	MiniMax-M2.7	DeepSeek
需要 Claude API	是	否	否	否
需要 OpenAI API	是	否	否	否
API Key 数量	2 个	1 个	2 个	2 个
配置指南	README 快速开始	本文档	MINIMAX_MCP_GUIDE	LLM_API_MIX_MATCH_GUIDE

常见问题

Q：执行器报错 "401 Unauthorized"？

Coding Plan 专属 API Key 与百炼平台按量调用 Key 不互通。确认在 Coding Plan 套餐页面获取的是套餐专属 Key，而非普通百炼 Key。

Q：llm-chat MCP 工具在 Claude Code 中不出现？

检查系统临时目录中的 llm-chat-mcp-debug.log（可运行 python3 -c "import tempfile; print(tempfile.gettempdir())" 查看路径）
确认 settings.json 中 command 的 python3 路径正确（which python3）
确认 args 中的路径为绝对路径，不能包含未展开的 $HOME（需替换为 /root 或实际路径）
重启 Claude Code

Q：改写后 skill 仍然调用 mcp__codex__codex？

检查 ~/.claude/skills/ 下对应 SKILL.md 文件内容是否已更新。若未改写，重新执行 Step 6 的指令。

Q：Linux 上 python3 路径在哪？

运行 which python3 确认。常见路径：/usr/bin/python3。若使用 conda/venv 环境，路径会不同（如 /root/miniconda3/envs/xxx/bin/python3）。

Q：过夜自动运行安全吗？

Coding Plan 明确禁止"非交互式批量调用"，过夜无人值守的自动化循环存在封禁风险。建议改用百炼按量计费 Key 或其他无此限制的提供商。

Q：如何切换审查器模型（如从 glm-5 改为 MiniMax-M2.7）？

修改 ~/.claude/settings.json 中 mcpServers.llm-chat.env.LLM_MODEL 的值，重启 Claude Code 即可生效。

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

阿里百炼 Coding Plan 接入指南

背景

Coding Plan 是什么

支持的模型

为什么不能直接用 Codex MCP

重要：使用条款限制

双层架构

安装步骤

前置条件

Step 1：克隆仓库

Step 2：安装 Python 依赖

Step 3：部署 llm-chat MCP 服务器

Step 4：安装 Skills

Step 5：配置 ~/.claude/settings.json

Step 6：改写所有使用 Codex MCP 的 Skills

模型选择建议

使用方法

直接可用（无需改写）

改写后可用（Step 6 完成后）

验证安装

1. 验证执行器端点（Anthropic 协议）

2. 验证审查器端点（OpenAI 协议）

3. 验证 llm-chat MCP 服务器

4. 在 Claude Code 中端到端验证

文件结构总览

与其他方案对比

常见问题

参考资料

FilesExpand file tree

ALI_CODING_PLAN_GUIDE.md

Latest commit

History

ALI_CODING_PLAN_GUIDE.md

File metadata and controls

阿里百炼 Coding Plan 接入指南

背景

Coding Plan 是什么

支持的模型

为什么不能直接用 Codex MCP

重要：使用条款限制

双层架构

安装步骤

前置条件

Step 1：克隆仓库

Step 2：安装 Python 依赖

Step 3：部署 llm-chat MCP 服务器

Step 4：安装 Skills

Step 5：配置 ~/.claude/settings.json

Step 6：改写所有使用 Codex MCP 的 Skills

模型选择建议

使用方法

直接可用（无需改写）

改写后可用（Step 6 完成后）

验证安装

1. 验证执行器端点（Anthropic 协议）

2. 验证审查器端点（OpenAI 协议）

3. 验证 llm-chat MCP 服务器

4. 在 Claude Code 中端到端验证

文件结构总览

与其他方案对比

常见问题

参考资料