Panduan Membangun Keterampilan GLM5 Gratis dengan Kemampuan Claude/Codex

GLM-5 adalah model MoE terbaru dari Zhipu, dengan total parameter 744B (aktif 40B), peningkatan signifikan dari GLM-4.5 yang sebesar 355B, dan data pra-pelatihan meningkat menjadi 28.5T token. Dirancang khusus untuk rekayasa sistem kompleks dan tugas agen jangka panjang, dengan kinerja luar biasa dalam pengkodean dan alur kerja Agentic.

Ollama cloud sekarang mendukung glm-5:cloud, dengan jendela konteks hingga 198K, cepat, dan gratis untuk memulai (kapasitas telah dioptimalkan, sebelumnya ada pembatasan lalu lintas singkat, sekarang telah ditingkatkan).

Sekarang saya akan mengajari Anda cara mendapatkan GLM-5 + pembangunan keterampilan secara gratis

Langkah 1: Instal Ollama dan Tarik GLM-5

Unduh Ollama terbaru (https://ollama.com/download), pastikan versi mendukung model cloud.

Masuk ke akun Ollama (wajib, untuk menggunakan model cloud)

Tarik model

ollama pull glm-5:cloud atau langsung

ollama run glm-5:cloud pertama kali dijalankan akan meminta otorisasi penggunaan cloud, setujui saja. Setelah berhasil, Anda dapat langsung berinteraksi dengan GLM-5 melalui terminal.

Versi gratis memiliki batasan kecepatan, cocok untuk pengujian/penggunaan sehari-hari; untuk penggunaan frekuensi tinggi, Anda dapat meningkatkan ke paket berbayar.

Langkah 2: Jembatan Satu Klik ke Lingkungan Keterampilan Claude/Codex

Ollama launch memungkinkan GLM-5 menjadi otak backend yang mulus untuk alat-alat ini:

Claude Code

ollama launch claude --model glm-5:cloud atau konfigurasi manual

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

claude --model glm-5:cloud Jika berhasil, Anda akan melihat antarmuka selamat datang seperti di bawah ini:

✦ 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

Langkah 3: 5 Langkah Membangun Keterampilan Secara Efisien

Keterampilan adalah sebuah folder, file inti adalah SKILL.md, menggunakan format Markdown + metadata YAML di bagian depan. Direktori opsional lainnya:

• scripts/: Menyimpan skrip yang dapat dieksekusi (Python, Bash, dll.).

• references/: Dokumen referensi, file templat, Claude dapat memuat sesuai kebutuhan.

• assets/: Sumber daya seperti ikon, font, dll.

Prinsip Desain (Kunci Efisiensi):

• Pengungkapan Progresif (Progressive Disclosure): YAML hanya berisi deskripsi inti (memungkinkan Claude dengan cepat menentukan apakah sesuai), konten utama ditempatkan di badan MD, dan file tambahan dimuat sesuai kebutuhan. Hindari ledakan konteks.

• Komposabilitas: Keterampilan harus kompatibel dengan keterampilan lain, jangan berasumsi eksklusif.

• Portabilitas: Sebuah keterampilan dapat digunakan secara umum di Claude Web, Claude Code, dan API.

• Integrasi MCP (Opsional): Jika ada server MCP (Managed Claude Platform), dapat meningkatkan panggilan alat keterampilan (seperti akses API).

Tips Efisien: Mulai dari kasus penggunaan sederhana. Pilih 2-3 tugas pemrograman yang Anda ulangi setiap hari (seperti "menghasilkan templat REST API" atau "men-debug kesalahan Python"), hindari membangun keterampilan kompleks sejak awal.

Gunakan Claude Code itu sendiri untuk membantu membangun (trik meta-keterampilan: biarkan Claude membantu Anda menghasilkan kerangka keterampilan). Jalankan claude --model claude-4-opus (atau GLM5) di terminal, lalu bangun secara percakapan.

1. Rencanakan Kasus Penggunaan dan Struktur

• Tentukan Tujuan: Misalnya, "Buat keterampilan yang membantu menghasilkan arsitektur Python Flask API yang efisien, termasuk rute, penanganan kesalahan, dan templat pengujian."

• Brainstorm dengan Claude Code: Masukkan /plan atau langsung katakan "Bantu saya merencanakan keterampilan pembuatan Flask API, termasuk struktur YAML dan MD." Claude akan menghasilkan draf.

• Tips Efisien: Tentukan "Jaga agar tetap ringkas, YAML < 200 kata, MD < 1000 kata". Catat keputusan penting, seperti parameter input (misalnya, daftar titik akhir API) dan format output (JSON atau file kode).

2. Buat Folder Keterampilan

• Buat folder baru di ~/.claude/skills/ (jalur default), seperti flask-api-generator.

• Buat SKILL.md, tambahkan YAML di bagian depan:

---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"] # 可选，Claude 会检查环境---- Tips Efisien: Gunakan kata pemicu (triggers) untuk membiarkan Claude secara otomatis menemukan keterampilan. Hindari deskripsi umum, fokus pada skenario spesifik.

3. Tulis Instruksi Inti (Badan MD)

• Tulis langkah-langkah detail setelah YAML:

## 步骤1. 询问用户 API 规格：端点、方法、参数。2. 生成 app.py：包含 Flask app、路由和基本错误处理。3. 生成 tests.py：使用 pytest 的单元测试。4. 输出文件：用 /write_file 命令保存到当前目录。## 示例输入- 用户：生成一个用户管理的 API，包括 GET /users 和 POST /users。## 最佳实践- 始终用类型提示和 docstrings。- 优先安全：添加输入验证。- Tambahkan contoh skrip: Tempatkan generate_routes.py di scripts/, Claude dapat memanggilnya.

• Tips Efisien: Gunakan langkah-langkah bernomor + contoh. Saat menguji, biarkan Claude "mensimulasikan menjalankan": katakan "Gunakan keterampilan ini untuk menangani tugas contoh", dan lakukan iterasi untuk optimasi.

4. Tambahkan Komponen Opsional

• Skrip: Seperti skrip Python untuk mengotomatiskan sebagian logika (misalnya, menggunakan Jinja2 untuk menghasilkan templat). Claude dapat mengeksekusi melalui /run_script.

• File Referensi: Tempatkan references/best_practices.md, yang menjelaskan spesifikasi keamanan Flask.

• Aset: Seperti file templat assets/base_app.py.jinja.

• Tips Efisien: Hanya tambahkan item yang diperlukan. 80% keterampilan hanya membutuhkan SKILL.md. Pengguna MCP dapat mengintegrasikan alat eksternal (seperti koneksi database).

5. Uji dan Iterasi

• Muat Keterampilan: Masukkan /load_skill flask-api-generator di Claude Code atau biarkan mendeteksinya secara otomatis.

• Uji: Masukkan tugas pemicu, amati output. Periksa penggunaan konteks (gunakan /context untuk melihat apakah terlalu banyak memuat).

• Iterasi: Jika gagal, gunakan ide "Heal Skill" (trik komunitas): Analisis kesalahan, perbarui MD (seperti menambahkan langkah "Tangani ketergantungan yang hilang").

• Tips Efisien: Gunakan pengujian percakapan multi-putaran. Catat log: /log on untuk menangkap interaksi, yang memudahkan debugging.