Guide de construction de compétences GLM5 gratuites avec les capacités de Claude/Codex

GLM-5 est le dernier modèle MoE de Zhipu, avec un total de 744B de paramètres (40B actifs). Il s'agit d'une mise à niveau significative par rapport au GLM-4.5 de 355B, avec des données de pré-entraînement augmentées à 28,5T de jetons. Il est spécialement conçu pour l'ingénierie de systèmes complexes et les tâches d'agent à long terme, et excelle dans le codage et les flux de travail Agentic.

Ollama cloud prend désormais en charge glm-5:cloud, avec une fenêtre de contexte de 198K, une vitesse rapide et un démarrage gratuit (la capacité a été optimisée, il y a eu une limitation temporaire au début, mais elle a maintenant été augmentée).

Maintenant, je vais vous apprendre à obtenir gratuitement GLM-5 + la construction de compétences.

Étape 1 : Installer Ollama et extraire GLM-5

Téléchargez la dernière version d'Ollama (https://ollama.com/download) et assurez-vous que la version prend en charge les modèles cloud.

Connectez-vous à votre compte Ollama (obligatoire pour utiliser les modèles cloud)

Extrayez le modèle

ollama pull glm-5:cloud ou directement

ollama run glm-5:cloud La première fois que vous l'exécutez, il vous demandera si vous autorisez l'utilisation du cloud, acceptez simplement. Une fois réussi, vous pouvez directement dialoguer avec GLM-5 dans le terminal.

La version gratuite a une limite de débit, adaptée aux tests/utilisation quotidienne ; pour une utilisation fréquente, vous pouvez passer à un plan payant.

Étape 2 : Pontage en un clic de l'environnement de compétences Claude/Codex

Ollama launch permet à GLM-5 de devenir de manière transparente le cerveau principal de ces outils :

Claude Code

ollama launch claude --model glm-5:cloud ou configuration manuelle

export ANTHROPIC_AUTH_TOKEN="ollama"export ANTHROPIC_BASE_URL="http://localhost:11434"export ANTHROPIC_API_KEY="" # Must be Empty puis démarrez

claude --model glm-5:cloud Si cela réussit, vous verrez une interface de bienvenue similaire à celle ci-dessous :

✦ Claude Code v2.1.xModel: glm-5:cloudContext: 198KWelcome back!Codex

ollama launch codex --model glm-5:cloudOpenClaw

ollama launch openclaw --model glm-5:cloud

Étape 3 : Construire des compétences efficacement en 5 étapes

Une compétence est un dossier, le fichier principal est SKILL.md, qui adopte le format Markdown + les métadonnées YAML en tête. Autres répertoires optionnels :

• scripts/ : Stocke les scripts exécutables (Python, Bash, etc.).

• references/ : Documents de référence, fichiers de modèle, Claude peut les charger selon les besoins.

• assets/ : Icônes, polices et autres ressources.

Principes de conception (clé de l'efficacité) :

• Divulgation progressive : YAML ne contient que la description principale (permettant à Claude de déterminer rapidement si elle est applicable), le corps principal est placé dans le corps du MD et les fichiers supplémentaires sont chargés selon les besoins. Évitez l'explosion du contexte.

• Composabilité : Les compétences doivent être compatibles avec d'autres compétences, ne supposez pas une exclusivité.

• Portabilité : Une compétence peut être utilisée universellement dans Claude Web, Claude Code et API.

• Intégration MCP (facultatif) : Si vous avez un serveur MCP (Managed Claude Platform), vous pouvez améliorer l'appel d'outils de la compétence (tel que l'accès API).

Conseils d'efficacité : Commencez par des cas d'utilisation simples. Choisissez 2 à 3 tâches de programmation que vous répétez quotidiennement (telles que « Générer un modèle d'API REST » ou « Déboguer une erreur Python »), évitez de créer des compétences complexes dès le début.

Utilisez Claude Code lui-même pour aider à la construction (astuce de méta-compétence : laissez Claude vous aider à générer la structure de la compétence). Exécutez claude --model claude-4-opus (ou GLM5) dans le terminal, puis construisez de manière conversationnelle.

1. Planifier le cas d'utilisation et la structure

• Définir clairement l'objectif : Par exemple, « Créer une compétence pour aider à générer une architecture d'API Python Flask efficace, y compris les routes, la gestion des erreurs et les modèles de test. »

• Brainstorming avec Claude Code : Entrez /plan ou dites directement « Aidez-moi à planifier une compétence de génération d'API Flask, y compris la structure YAML et MD. » Claude produira un brouillon.

• Astuce d'efficacité : Spécifiez « Restez simple, YAML < 200 mots, MD < 1000 mots ». Enregistrez les décisions clés, telles que les paramètres d'entrée (par exemple, la liste des points de terminaison API) et le format de sortie (JSON ou fichier de code).

2. Créer un dossier de compétences

• Créez un nouveau dossier sous ~/.claude/skills/ (chemin par défaut), tel que flask-api-generator.

• Créez SKILL.md, ajoutez le préambule YAML :

---name: Flask API Generatordescription: Generates complete Flask API structures with routes, error handling, and tests.version: 1.0author: Your Nametriggers: ["flask api", "generate rest api", "python web app"]dependencies: ["flask", "pytest"] # Facultatif, Claude vérifiera l'environnement---- Astuce d'efficacité : Utilisez des mots déclencheurs (triggers) pour permettre à Claude de découvrir automatiquement la compétence. Évitez les descriptions généralisées, concentrez-vous sur des scénarios spécifiques.

3. Rédiger les instructions principales (corps MD)

• Écrivez des étapes détaillées après YAML :

`## Étape 1. Demander à l'utilisateur les spécifications de l'API : points de terminaison, méthodes, paramètres.2. Générer app.py : Contient l'application Flask, les routes et la gestion des erreurs de base.3. Générer tests.py : Tests unitaires utilisant pytest.4. Fichiers de sortie : Enregistrer dans le répertoire courant avec la commande /write_file.

Exemple d'entrée- Utilisateur : Générer une API de gestion des utilisateurs, y compris GET /users et POST /users.

Meilleures pratiques- Utilisez toujours des annotations de type et des docstrings.- Priorité à la sécurité : Ajouter une validation des entrées.`- Ajouter des exemples de scripts : Placez generate_routes.py sous scripts/, Claude peut l'appeler.

• Astuce d'efficacité : Utilisez des étapes numérotées + des exemples. Lors des tests, demandez à Claude de « simuler l'exécution » : dites « Utilisez cette compétence pour traiter une tâche d'exemple », itérez et optimisez.

4. Ajouter des composants optionnels

• Scripts : Tels que les scripts Python pour automatiser une partie de la logique (par exemple, utiliser Jinja2 pour générer des modèles). Claude peut exécuter via /run_script.

• Fichiers de référence : Placez references/best_practices.md, décrivant les spécifications de sécurité Flask.

• Actifs : Tels que le fichier de modèle assets/base_app.py.jinja.

• Astuce d'efficacité : Ajoutez uniquement les éléments nécessaires. 80 % des compétences n'ont besoin que de SKILL.md. Les utilisateurs de MCP peuvent intégrer des outils externes (tels que la connexion à une base de données).

5. Tester et itérer

• Charger la compétence : Entrez /load_skill flask-api-generator dans Claude Code ou laissez-le la découvrir automatiquement.

• Tester : Entrez une tâche de déclenchement, observez la sortie. Vérifiez l'utilisation du contexte (utilisez /context pour voir s'il y a une surcharge).

• Itérer : Si cela échoue, utilisez l'idée « Heal Skill » (astuce de la communauté) : analysez l'erreur, mettez à jour MD (par exemple, ajoutez l'étape « Gérer les dépendances manquantes »).

• Astuce d'efficacité : Utilisez des tests de dialogue multi-tours. Enregistrez les journaux : /log on pour capturer l'interaction, ce qui facilite le débogage.