最近在折腾 IDE 侧 AI 编程工具时不少朋友问我现在 Claude Code 这么火能不能直接在 IDEA 里用而不是开个终端切来切去答案是能而且不仅能接 Claude Code还能把国内的 GLM 也一起集成进去。配置好之后代码生成、解释、重构、写单测这些操作都能在编辑器里直接完成流程顺了很多。这篇文章我把整套过程完整梳理一遍从选型、配置到实战再到踩坑记录所有步骤都是实测过的。适合已经装了 JetBrains 系 IDEIDEA、PyCharm、WebStorm 等、想给自己配一套 AI 编码助手但又不想完全抛弃原有开发习惯的同学参考。1. 内容整体设计与思路拆解1.1 为什么要把 Claude Code 和 GLM 集成进 IDEA先说痛点。Claude Code 的能力确实强尤其在理解长上下文、生成高质量代码、写测试用例这些场景下表现突出。但默认它是跑在终端里的而大部分 Java、Kotlin、Python 开发者的主战场是 IDEA。来回切窗口、复制粘贴代码片段、再把结果粘回去这种操作极其打断心流效率反而下降了。另一个实际问题是价格和网络。Claude 的 API 按 token 计费国内直连稳定性也很一般。而 GLM 有国内可用的 API 端点还有免费的模型档位处理日常任务完全够用成本敏感场景下是很好的补充。把两者同时集成到 IDEA 里本质上就是做一个“双引擎”的工作台Claude Code 负责重活比如跨文件重构、生成整套测试、分析复杂 Bug 根因GLM 负责轻量任务比如方法注释、单函数生成、代码翻译、日常问答。两条通道并存既保住了质量又控制住了成本。我在实际使用中最大的感受是这消除了“AI 在另一个窗口”的割裂感。代码上下文不落地找文件、看报错、改代码全部在 IDEA 内部完成这才是 IDE 集成 AI 的正确打开方式。1.2 选型思路走“外部工具 终端模拟”路线将 Claude Code 和 GLM 接入 IDEA 的现有插件市场里其实已经有第三方 AI Assistant 插件比如一些能对接 Anthropic API 的插件但大多有几个问题更新不及时、支持模型列表不完整、配置繁琐、偶尔还有隐私顾虑。更重要的是这些插件往往套了一层自己的 UI 和提示模板没法完全发挥 Claude Code 原生命令、多文件编辑、自动测试执行这些能力。我选择的方案是保留 Claude Code 和 GLM 原生命令行工具通过 IDEA 的 External Tools 和自定义运行配置把终端命令和编辑器交互打通。这样有四个明显优势命令行工具的版本更新由官方控制IDEA 集成层只需要调用不接触到核心逻辑。原生的会话管理、文件读写能力、工具调用能力都能保留不是套壳。切换模型时只需要改环境变量或配置文件的 model 字段不用换插件。GLM 这种国内模型同样适用配置方式完全一致只是 API Base URL 和模型名称不同。在实际配置之前我强烈建议先在系统终端里把 Claude Code 和 GLM 的命令行工具跑通一次确认 API Key 有效、能正常对话再进入 IDEA 集成阶段不然后面排错很难分清是工具问题还是 IDEA 配置问题。2. 核心细节解析与实操要点2.1 前置条件与工具安装在开始之前确认以下环境JetBrains 系 IDE 版本在 2023.1 或更高我用的是 IntelliJ IDEA 2024.1低版本也能跑但部分 UI 配置入口位置可能不同。JDK 17 及以上用于 IDEA 本身和某些工具链。Node.js 18 及以上Claude Code 原生基于 Node 运行时。一个有效的 Claude API Key。GLM 平台的 API Key 和 API Base URL例如https://open.bigmodel.cn/api/paas/v4以平台实际开通为准。安装的命令在 macOS 上大致是# 安装 Claude Codenpm 方式 npm install -g anthropic-ai/claude-code # 验证 claude --version如果用的是 GLM 的官方命令行工具通常是 Python 包方式pip install zhipuai # 或按官方文档安装对应 CLI这里有个容易踩的坑macOS 上 Node 版本太旧会导致 Claude Code 安装失败或运行时异常建议直接用 nvm 装一个 LTS 版本。Windows 环境则要确保 PATH 里能看到 node.exe 和 npm 目录不然 IDEA 调外部工具时会报“Cannot run program”之类的错误。2.2 API Key 与模型配置Claude Code 默认通过环境变量读取 API Key常见变量名是ANTHROPIC_API_KEY。为了方便切换多个 Key我建议不要写死在系统配置里而是通过 IDEA 的 Environment Variables 功能传入。GLM 这边则通常是ZHIPUAI_API_KEY或者你用的 SDK 自定的变量名。以下是两种在 IDEA 中传环境变量的方式方式一全局生效在 IDEA 的 Help - Edit Custom Properties 或系统 shell 配置文件中写入export ANTHROPIC_API_KEYsk-ant-xxxx export ZHIPUAI_API_KEYxxxx.yyyy方式二推荐只在工具运行时生效在 External Tools 或 Run Configuration 里配置环境变量不会污染全局。我更推荐方式二因为 API Key 只出现在项目级别的运行配置里换项目、换 Key 都方便也不会写到全局配置文件里被人误读。还有一点要特别提醒不要把这些 Key 提交到 Git 仓库。IDEA 的 Run Configuration 默认会写入.idea/runConfigurations/目录如果团队共享配置注意排除或使用本地覆盖机制这是我见到的最高频安全事故。2.3 IDEA 集成层External Tools 的定位与局限IDEA 的 External Tools 是一个“调用任意外部命令并把输出展示在控制台”的机制。它很适合用来接命令行 AI 工具因为不需要写插件也不需要编译什么代码配置几分钟就能跑起来。不过 External Tools 有几个固有局限你需要提前知道它只负责启动一个进程不会把你的代码选区、当前文件路径自动传给命令需要靠变量传参。输出是纯文本没有流式渲染或富文本选项代码块会以纯文本形式显示。没有原生的“会话保持”功能每次调用都是独立进程。如果你需要连续多轮对话必须在命令中指定--resume或--continue之类的参数。这些局限在实际使用中可以通过一些小技巧弥补。比如通过--input-format把选中内容以文件形式传给工具或者用一个 wrapper 脚本把每次调用的会话 ID 缓存下来下次运行自动带入。2.4 运行配置支持参数、输出、热切换IDEA 的 Run Configuration 比 External Tools 稍微“重”一点但它支持下拉参数输入方便切换模型或任务模式。更精细的输出过滤比如只显示标准输出。独立的环境变量配置界面。可以绑定快捷键调用非常顺手。我个人的最终方案是“双轨制”一个 External Tool 跑交互式 Claude Codeterminal 模式一个 Run Configuration 跑非交互单次任务CLI 模式。前者适合边写代码边问问题后者适合批量任务比如一键分析整个模块的代码质量。GLM 也类似跑单次任务居多适合轻量问答和代码补全。3. 实操过程与核心环节实现3.1 创建 IDEA 外部工具入口先打开 IDEA 的 Settings/Preferences - Tools - External Tools 界面点击加号新增。我给自己的配置起了个名字叫 “Claude Code Here”。Program 字段填 Claude Code 可执行文件路径。macOS 上一般在/opt/homebrew/bin/claude或者/usr/local/bin/claudeWindows 上则可能是C:\Users\用户名\AppData\Roaming\npm\claude.cmd。如果你用了 nvm路径可能要写成~/.nvm/versions/node/v18.20.4/bin/claude。建议先用which claude查清楚。Arguments 字段可以传这些参数--model claude-sonnet-4-20250514 --input-format text --output-format text --verbose其中--verbose会把详细的 token 使用、耗时都打出来方便观察成本。Working directory 用 IDEA 自带的宏$ProjectFileDir$这表示把当前项目根目录作为工作目录Claude Code 才能正确读取项目结构和上下文。Environment variables 里填入ANTHROPIC_API_KEY$Prompt$|请输入API Key首次实际上$Prompt$会在每次执行时弹框询问也可以直接写死。我建议第一次先用$Prompt$确认能跑通之后再改成环境变量或本地文件读取免得每次弹框烦人。3.2 配置 GLM 命令入口GLM 这边我用的是 Python SDK 的直连方式不依赖官方 CLI因为灵活性最高。在 External Tools 里再加一个 “GLM Chat”Program 填 Python 解释器路径比如/usr/bin/python3Arguments 指向我写的一个脚本$ProjectFileDir$/tools/glm_chat.py --prompt $Prompt$这个脚本负责从环境变量读 Key调用 GLM 的 chat completions 接口并把结果格式化输出。这样有几个好处不受 GLM CLI 版本迭代影响逻辑自己可控。可以在 Python 层做简单的日志、缓存、单元测试格式化。未来想接其他国内模型改脚本即可。如果你不想写脚本直接用已有的 GLM CLI 也可以配置方式与 Claude Code 一致只是把 Program 和 Arguments 替换成 CLI 入口。3.3 在 IDEA 中运行并验证配置完成后在 External Tools 菜单里点击 “Claude Code Here”第一次会弹出参数填写框输入你的问题或代码片段回车就会在 IDEA 底部的 Run 窗口看到 Claude 的回复。如果一切正常你会看到类似这样的输出Claude Code v1.0.0 Model: claude-sonnet-4-20250514 • 文件变更分析完成 • 检测到 3 个潜在问题 • 生成重构建议耗时 2.3sGLM 那边会直接打印 JSON 或纯文本回复我用 Python 脚本做了格式化让输出更易读。3.4 让 IDEA 自动读取当前文件和选区工具链跑通之后最提升效率的一步是让 AI 自动知道你在编辑什么文件、看的是哪段代码。IDEA 的 External Tools 支持变量宏常用几个如下宏含义$FilePath$当前文件完整路径$FileName$当前文件名$FileDir$当前文件所在目录$SelectionStartLine$选中代码起始行$SelectionEndLine$选中代码结束行$Prompt$每次执行时手动输入参数以 Claude Code 为例经典的用法是把当前文件内容保存为临时文件然后在提示词里引用。我写了一个 wrapper 脚本claude_idea.sh来处理这件事#!/bin/bash # 将 IDEA 变量作为参数传入的文件 CURRENT_FILE$1 SELECTED_TEXT$2 # 拼一个临时提示文件 TMP_PROMPT$(mktemp) cat $TMP_PROMPT EOF 请分析项目中的以下文件并针对选中区域给出优化建议。 文件路径: $CURRENT_FILE 选中内容: $SELECTED_TEXT 请直接给出修改后的代码块不要额外解释。 EOF claude --input-format text $TMP_PROMPT rm $TMP_PROMPTExternal Tools 配置Program:/path/to/claude_idea.shArguments:$FilePath$ $SelectedText$Working directory:$ProjectFileDir$这里有个注意点$SelectedText$如果太长会导致命令行参数溢出。我实际测试过超过几万字符时shell 会报 Argument list too long。遇到这种情况方案是改成把选中内容写入临时文件然后把文件路径传给脚本而不是直接传内容。3.5 配置 GLM 上下文提取与代码生成GLM 的脚本glm_chat.py我做了三档能力轻量问答输入一段文字直接返回回答。代码生成检测到提示词里包含“生成代码”等关键字时自动拼接系统提示词让它生成符合项目语言风格的代码。文件分析传入文件路径时读取文件内容并交给模型分析。核心逻辑大致是import os import sys import json import urllib.request API_URL https://open.bigmodel.cn/api/paas/v4/chat/completions API_KEY os.environ.get(ZHIPUAI_API_KEY, ) def chat(prompt): data { model: glm-4-flash, messages: [{role: user, content: prompt}], temperature: 0.3 } req urllib.request.Request(API_URL, datajson.dumps(data).encode(), headers{ Content-Type: application/json, Authorization: fBearer {API_KEY} }) resp urllib.request.urlopen(req) return json.loads(resp.read()) if __name__ __main__: prompt sys.argv[1] result chat(prompt) print(result[choices][0][message][content])这台脚本跑起来后GLM 就变成 IDEA 里一个随叫随到的轻量助理。由于 GLM 接口格式是 OpenAI 兼容格式后续换模型时只要改模型名和端点脚本无需大改。4. 常见问题与排查技巧实录4.1 Claude Code 报错 “command not found” 或 “Cannot run program”这是最典型的集成初装问题。绝大多数原因是 IDEA 进程的环境变量和系统 shell 不一致。IDEA 在 macOS 上默认通过 LaunchServices 启动不会加载~/.zshrc中的 PATH所以即使你在终端里能运行claudeIDEA 里照样找不到。解决办法在 Program 字段写绝对路径而不是命令名。如果是 nvm 安装的 Node记得把~/.nvm/versions/node/v18.20.4/bin写进绝对路径。还可以在 IDEA 的自定义属性文件idea.properties里追加idea.Process.encodingUTF-8避免中文输出乱码。我踩过最深的坑是明明终端里claude能跑IDEA 里却报错。最后发现是 IDEA 启动时的 PATH 根本没包含 nvm 目录写死绝对路径后立刻好了。4.2 输出中文乱码IDEA 的 Run 窗口默认按系统编码解析子进程输出。如果工具输出是 UTF-8但 IDEA 环境编码是 GBK就会出现乱码。处理方式在 External Tools 配置页面Advanced 选项卡里把 Output encoding 设为 UTF-8。如果还不行就在命令外层加一个PYTHONIOENCODINGutf-8Python或LANGen_US.UTF-8Unix环境变量。4.3 GLM API 返回 401 或 403GLM 的控制台 Key 和 API 端点是两回事确认你用的是 API 密钥而不是控制台登录密码。另外部分模型和 Key 存在白名单绑定关系如果换了模型名但 Key 权限不够也会出现鉴权失败。排错建议先用 curl 或 Python 脚本直接测一次 API排除 IDEA 配置因素。curl -X POST https://open.bigmodel.cn/api/paas/v4/chat/completions \ -H Authorization: Bearer $ZHIPUAI_API_KEY \ -H Content-Type: application/json \ -d {model:glm-4-flash,messages:[{role:user,content:hi}]}如果 curl 正常而 IDEA 里不行问题就出在环境变量传递上。检查 External Tools 的 Environment variables 字段确认没写错变量名也没跟全局变量冲突。4.4 如何应对“一次只回答一个文件”的限制Claude Code 本身支持一次读取多个文件但 External Tools 这种方式只能通过宏传入一个文件路径。需要分析多个文件时我写了一个辅助脚本接收目录路径自动找关键文件拼接成提示词再交给模型。比如claude --input-format text (find $ProjectFileDir$/src -name *.java | head -20 | xargs cat)这样能快速让 Claude 对多个文件做整体分析。如果你更习惯一次只处理一个文件的对话模式那么按原方案使用即可。4.5 添加自定义 Prompt 模板我发现固定格式的提示词比随手输入效果好得多。在 IDEA 里实现自定义模板关键是利用$Prompt$变量的默认值。External Tools 里没法直接给$Prompt$设置默认文本但我绕了一下用$Prompt$作为输入框提示再通过 wrapper 脚本内部做模板拼接。比如写代码时常用的模板PROMPT请以下要求修改代码 项目语言: $2 需求: $1 要求输出完整代码块不要省略。 这样每次点外部工具只需要输入“给这个方法加个缓存”脚本会自动补齐格式模型输出会更规范。4.6 输出内容不换行IDEA 的 Run 窗口默认会把行尾符处理成空格导致多行代码挤成一行。解决方法是Run 窗口右键 - 勾选“Use Soft Wraps”只是视觉换行不解决数据问题。真正解决需要在脚本里把输出用\n显式转成 IDEA 能识别的行分隔符或者在输出时统一加一行分隔线。我个人的做法是在 wrapper 脚本末尾加一个标记行echo END 这样即使前面行被挤掉仍然能根据标记判断输出完整度。5. 进阶用法与效率妙招5.1 给 Claude Code 绑定快捷键External Tools 配置好之后去 Settings - Keymap 里搜索你给工具起的名字直接 Assign Keyboard Shortcut。我习惯用CtrlShiftC调用 Claude CodeCtrlShiftG调用 GLM。实测下来这两个键位不容易和系统快捷键冲突单手操作也很顺手。快捷键绑定的意义在于把“选中代码 - 按快捷键 - 拿到建议”这个过程缩短到 2 秒内。一旦养成肌肉记忆你就很难回到手动复制粘贴的方式了。5.2 让 GLM 处理 Clippy 风格提问GLM 的轻量特性非常适合做“代码解释器”把不懂的代码片段丢给它让它用自然语言解释。我在脚本里加了一个模式参数--mode explain输出格式变成“一句话总结 分步骤解释 补充注意事项”比直接输出一大段文本更有用。此模式用来读陌生项目源码效果很理想。接手一个旧项目时我习惯把核心 Service 类丢给 GLM 解释再配合 Claude Code 做重构两者分工效率翻倍。5.3 会话管理与上下文延续命令行 AI 工具的无状态特性在多数单次任务里没问题但要连续对话时就麻烦了。Claude Code 原生支持会话恢复参数claude --resume session_id问题在于 External Tools 每次调用都不知道上一个 session 是什么。我的方案是在 wrapper 脚本里把每次生成的 session_id 写入项目目录下的.claude-session文件下一次运行时自动读取并带入--resume参数。GLM 由于是 API 调用我就在脚本里维护消息历史列表按轮次存成 JSON 文件。这样同一个 IDEA 项目里GLM 能记住前面几轮聊天的背景不用反复粘贴上下文。5.4 用 Run Configuration 做嵌入式任务面板比 External Tools 更进一步的是在 IDEA 的 Run Dashboard 里把 Claude Code 配置成可重复运行的任务。通过自定义运行配置Python 或 Shell Script每次运行都带上指定的提示词或任务定义。我最常用的是把“单元测试生成”做成一个独立运行配置选中文件后运行它Claude 自动扫描源码并生成单测。Run 窗口会显示耗时和 token 统计方便追踪成本。6. 安全与成本管理的几点建议6.1 API Key 不要硬编码Claude Code 和 GLM 脚本都不要在代码里明文写 Key。IDEA 的环境变量字段虽然比明文好但它会存进.idea目录的 XML 文件里。我更建议用本地的未跟踪文件比如.env并在 wrapper 脚本中用 dotenv 方式加载。具体来说在项目根目录放一个.env加入.gitignore里面写ANTHROPIC_API_KEYsk-ant-xxxx ZHIPUAI_API_KEYxxxx.yyyywrapper 脚本里用工具加载比如用set -a; source .env; set a这样 Key 只会留在本地不随项目共享。6.2 控制 token 消耗Claude Code 在处理大型代码库时一次上下文窗口可能消耗数千 token。尤其是自动把整个项目所有文件塞进去的做法很容易让账单快速攀升。我的个人策略是轻量任务只用 GLM因为成本通常低一个数量级。Claude Code 只处理需要深度理解的任务且通过明确提示词限制输出长度。在 wrapper 脚本里统一加--max-turns和--max-output-tokens参数防一手失控。定期检查 API 平台上的消耗报表看看哪个项目、哪个模型占了大头。6.3 隐私与代码安全把代码发给外部模型就要默认它会被服务方记录。公司项目、未公开模块、涉及敏感数据的代码不建议直接通过这个方案处理。如果一定要用先在内部做个脱敏把变量名、字符串、注释改成占位符再发。我一般设了两套工具链一套是 Claude Code/GLM处理个人项目或开源代码另一套是公司内部部署的模型或合规网关处理工作相关代码。真需要外部模型时会先在本地对敏感信息做一次替换。7. 实战效果复盘与后续扩展空间这套方案我持续用了约两个月整体感受是“集成之后回不去了”。最明显的效率提升点是代码评审和测试用例生成以前人工逐文件 review 要半小时现在 Claude Code 先筛一遍直接指出可疑区域我再集中精力复核时间压缩到原来的三分之一。GLM 这边我主要用于接口文档注释、异常分支补充、SQL 改写这类碎片化任务量大但不需要多深推理免费档位就够用基本零成本。后续还可以扩展的方向包括把 wrapper 脚本升级成 IDEA 插件直接加 Side Panel 显示流式输出。接入项目本身的构建日志让 Claude Code 在编译失败时自动分析错误并给修复建议。把对话历史和 MR、Issue 关联起来实现“AI 助手记住每个功能分支的上下文”。从配置角度看这套方案的价值在于“原生命令行能力 IDE 交互”的最佳平衡没有引入笨重框架也没有锁死某一家模型。哪天 Claude Code 更新了更好的模型或者 GLM 出了更强的版本改一行配置就能切换。我个人在实际操作中最大的体会是不要追求一步到位的完美配置先按最简路径跑通再逐步加上快捷键、会话管理、多文件分析这些进阶能力。AI 工具集成这件事动手跑通一次比看十篇教程都管用。 IDEA集成Claude Code与GLM：打造双引擎AI编程助手
最近在折腾 IDE 侧 AI 编程工具时不少朋友问我现在 Claude Code 这么火能不能直接在 IDEA 里用而不是开个终端切来切去答案是能而且不仅能接 Claude Code还能把国内的 GLM 也一起集成进去。配置好之后代码生成、解释、重构、写单测这些操作都能在编辑器里直接完成流程顺了很多。这篇文章我把整套过程完整梳理一遍从选型、配置到实战再到踩坑记录所有步骤都是实测过的。适合已经装了 JetBrains 系 IDEIDEA、PyCharm、WebStorm 等、想给自己配一套 AI 编码助手但又不想完全抛弃原有开发习惯的同学参考。1. 内容整体设计与思路拆解1.1 为什么要把 Claude Code 和 GLM 集成进 IDEA先说痛点。Claude Code 的能力确实强尤其在理解长上下文、生成高质量代码、写测试用例这些场景下表现突出。但默认它是跑在终端里的而大部分 Java、Kotlin、Python 开发者的主战场是 IDEA。来回切窗口、复制粘贴代码片段、再把结果粘回去这种操作极其打断心流效率反而下降了。另一个实际问题是价格和网络。Claude 的 API 按 token 计费国内直连稳定性也很一般。而 GLM 有国内可用的 API 端点还有免费的模型档位处理日常任务完全够用成本敏感场景下是很好的补充。把两者同时集成到 IDEA 里本质上就是做一个“双引擎”的工作台Claude Code 负责重活比如跨文件重构、生成整套测试、分析复杂 Bug 根因GLM 负责轻量任务比如方法注释、单函数生成、代码翻译、日常问答。两条通道并存既保住了质量又控制住了成本。我在实际使用中最大的感受是这消除了“AI 在另一个窗口”的割裂感。代码上下文不落地找文件、看报错、改代码全部在 IDEA 内部完成这才是 IDE 集成 AI 的正确打开方式。1.2 选型思路走“外部工具 终端模拟”路线将 Claude Code 和 GLM 接入 IDEA 的现有插件市场里其实已经有第三方 AI Assistant 插件比如一些能对接 Anthropic API 的插件但大多有几个问题更新不及时、支持模型列表不完整、配置繁琐、偶尔还有隐私顾虑。更重要的是这些插件往往套了一层自己的 UI 和提示模板没法完全发挥 Claude Code 原生命令、多文件编辑、自动测试执行这些能力。我选择的方案是保留 Claude Code 和 GLM 原生命令行工具通过 IDEA 的 External Tools 和自定义运行配置把终端命令和编辑器交互打通。这样有四个明显优势命令行工具的版本更新由官方控制IDEA 集成层只需要调用不接触到核心逻辑。原生的会话管理、文件读写能力、工具调用能力都能保留不是套壳。切换模型时只需要改环境变量或配置文件的 model 字段不用换插件。GLM 这种国内模型同样适用配置方式完全一致只是 API Base URL 和模型名称不同。在实际配置之前我强烈建议先在系统终端里把 Claude Code 和 GLM 的命令行工具跑通一次确认 API Key 有效、能正常对话再进入 IDEA 集成阶段不然后面排错很难分清是工具问题还是 IDEA 配置问题。2. 核心细节解析与实操要点2.1 前置条件与工具安装在开始之前确认以下环境JetBrains 系 IDE 版本在 2023.1 或更高我用的是 IntelliJ IDEA 2024.1低版本也能跑但部分 UI 配置入口位置可能不同。JDK 17 及以上用于 IDEA 本身和某些工具链。Node.js 18 及以上Claude Code 原生基于 Node 运行时。一个有效的 Claude API Key。GLM 平台的 API Key 和 API Base URL例如https://open.bigmodel.cn/api/paas/v4以平台实际开通为准。安装的命令在 macOS 上大致是# 安装 Claude Codenpm 方式 npm install -g anthropic-ai/claude-code # 验证 claude --version如果用的是 GLM 的官方命令行工具通常是 Python 包方式pip install zhipuai # 或按官方文档安装对应 CLI这里有个容易踩的坑macOS 上 Node 版本太旧会导致 Claude Code 安装失败或运行时异常建议直接用 nvm 装一个 LTS 版本。Windows 环境则要确保 PATH 里能看到 node.exe 和 npm 目录不然 IDEA 调外部工具时会报“Cannot run program”之类的错误。2.2 API Key 与模型配置Claude Code 默认通过环境变量读取 API Key常见变量名是ANTHROPIC_API_KEY。为了方便切换多个 Key我建议不要写死在系统配置里而是通过 IDEA 的 Environment Variables 功能传入。GLM 这边则通常是ZHIPUAI_API_KEY或者你用的 SDK 自定的变量名。以下是两种在 IDEA 中传环境变量的方式方式一全局生效在 IDEA 的 Help - Edit Custom Properties 或系统 shell 配置文件中写入export ANTHROPIC_API_KEYsk-ant-xxxx export ZHIPUAI_API_KEYxxxx.yyyy方式二推荐只在工具运行时生效在 External Tools 或 Run Configuration 里配置环境变量不会污染全局。我更推荐方式二因为 API Key 只出现在项目级别的运行配置里换项目、换 Key 都方便也不会写到全局配置文件里被人误读。还有一点要特别提醒不要把这些 Key 提交到 Git 仓库。IDEA 的 Run Configuration 默认会写入.idea/runConfigurations/目录如果团队共享配置注意排除或使用本地覆盖机制这是我见到的最高频安全事故。2.3 IDEA 集成层External Tools 的定位与局限IDEA 的 External Tools 是一个“调用任意外部命令并把输出展示在控制台”的机制。它很适合用来接命令行 AI 工具因为不需要写插件也不需要编译什么代码配置几分钟就能跑起来。不过 External Tools 有几个固有局限你需要提前知道它只负责启动一个进程不会把你的代码选区、当前文件路径自动传给命令需要靠变量传参。输出是纯文本没有流式渲染或富文本选项代码块会以纯文本形式显示。没有原生的“会话保持”功能每次调用都是独立进程。如果你需要连续多轮对话必须在命令中指定--resume或--continue之类的参数。这些局限在实际使用中可以通过一些小技巧弥补。比如通过--input-format把选中内容以文件形式传给工具或者用一个 wrapper 脚本把每次调用的会话 ID 缓存下来下次运行自动带入。2.4 运行配置支持参数、输出、热切换IDEA 的 Run Configuration 比 External Tools 稍微“重”一点但它支持下拉参数输入方便切换模型或任务模式。更精细的输出过滤比如只显示标准输出。独立的环境变量配置界面。可以绑定快捷键调用非常顺手。我个人的最终方案是“双轨制”一个 External Tool 跑交互式 Claude Codeterminal 模式一个 Run Configuration 跑非交互单次任务CLI 模式。前者适合边写代码边问问题后者适合批量任务比如一键分析整个模块的代码质量。GLM 也类似跑单次任务居多适合轻量问答和代码补全。3. 实操过程与核心环节实现3.1 创建 IDEA 外部工具入口先打开 IDEA 的 Settings/Preferences - Tools - External Tools 界面点击加号新增。我给自己的配置起了个名字叫 “Claude Code Here”。Program 字段填 Claude Code 可执行文件路径。macOS 上一般在/opt/homebrew/bin/claude或者/usr/local/bin/claudeWindows 上则可能是C:\Users\用户名\AppData\Roaming\npm\claude.cmd。如果你用了 nvm路径可能要写成~/.nvm/versions/node/v18.20.4/bin/claude。建议先用which claude查清楚。Arguments 字段可以传这些参数--model claude-sonnet-4-20250514 --input-format text --output-format text --verbose其中--verbose会把详细的 token 使用、耗时都打出来方便观察成本。Working directory 用 IDEA 自带的宏$ProjectFileDir$这表示把当前项目根目录作为工作目录Claude Code 才能正确读取项目结构和上下文。Environment variables 里填入ANTHROPIC_API_KEY$Prompt$|请输入API Key首次实际上$Prompt$会在每次执行时弹框询问也可以直接写死。我建议第一次先用$Prompt$确认能跑通之后再改成环境变量或本地文件读取免得每次弹框烦人。3.2 配置 GLM 命令入口GLM 这边我用的是 Python SDK 的直连方式不依赖官方 CLI因为灵活性最高。在 External Tools 里再加一个 “GLM Chat”Program 填 Python 解释器路径比如/usr/bin/python3Arguments 指向我写的一个脚本$ProjectFileDir$/tools/glm_chat.py --prompt $Prompt$这个脚本负责从环境变量读 Key调用 GLM 的 chat completions 接口并把结果格式化输出。这样有几个好处不受 GLM CLI 版本迭代影响逻辑自己可控。可以在 Python 层做简单的日志、缓存、单元测试格式化。未来想接其他国内模型改脚本即可。如果你不想写脚本直接用已有的 GLM CLI 也可以配置方式与 Claude Code 一致只是把 Program 和 Arguments 替换成 CLI 入口。3.3 在 IDEA 中运行并验证配置完成后在 External Tools 菜单里点击 “Claude Code Here”第一次会弹出参数填写框输入你的问题或代码片段回车就会在 IDEA 底部的 Run 窗口看到 Claude 的回复。如果一切正常你会看到类似这样的输出Claude Code v1.0.0 Model: claude-sonnet-4-20250514 • 文件变更分析完成 • 检测到 3 个潜在问题 • 生成重构建议耗时 2.3sGLM 那边会直接打印 JSON 或纯文本回复我用 Python 脚本做了格式化让输出更易读。3.4 让 IDEA 自动读取当前文件和选区工具链跑通之后最提升效率的一步是让 AI 自动知道你在编辑什么文件、看的是哪段代码。IDEA 的 External Tools 支持变量宏常用几个如下宏含义$FilePath$当前文件完整路径$FileName$当前文件名$FileDir$当前文件所在目录$SelectionStartLine$选中代码起始行$SelectionEndLine$选中代码结束行$Prompt$每次执行时手动输入参数以 Claude Code 为例经典的用法是把当前文件内容保存为临时文件然后在提示词里引用。我写了一个 wrapper 脚本claude_idea.sh来处理这件事#!/bin/bash # 将 IDEA 变量作为参数传入的文件 CURRENT_FILE$1 SELECTED_TEXT$2 # 拼一个临时提示文件 TMP_PROMPT$(mktemp) cat $TMP_PROMPT EOF 请分析项目中的以下文件并针对选中区域给出优化建议。 文件路径: $CURRENT_FILE 选中内容: $SELECTED_TEXT 请直接给出修改后的代码块不要额外解释。 EOF claude --input-format text $TMP_PROMPT rm $TMP_PROMPTExternal Tools 配置Program:/path/to/claude_idea.shArguments:$FilePath$ $SelectedText$Working directory:$ProjectFileDir$这里有个注意点$SelectedText$如果太长会导致命令行参数溢出。我实际测试过超过几万字符时shell 会报 Argument list too long。遇到这种情况方案是改成把选中内容写入临时文件然后把文件路径传给脚本而不是直接传内容。3.5 配置 GLM 上下文提取与代码生成GLM 的脚本glm_chat.py我做了三档能力轻量问答输入一段文字直接返回回答。代码生成检测到提示词里包含“生成代码”等关键字时自动拼接系统提示词让它生成符合项目语言风格的代码。文件分析传入文件路径时读取文件内容并交给模型分析。核心逻辑大致是import os import sys import json import urllib.request API_URL https://open.bigmodel.cn/api/paas/v4/chat/completions API_KEY os.environ.get(ZHIPUAI_API_KEY, ) def chat(prompt): data { model: glm-4-flash, messages: [{role: user, content: prompt}], temperature: 0.3 } req urllib.request.Request(API_URL, datajson.dumps(data).encode(), headers{ Content-Type: application/json, Authorization: fBearer {API_KEY} }) resp urllib.request.urlopen(req) return json.loads(resp.read()) if __name__ __main__: prompt sys.argv[1] result chat(prompt) print(result[choices][0][message][content])这台脚本跑起来后GLM 就变成 IDEA 里一个随叫随到的轻量助理。由于 GLM 接口格式是 OpenAI 兼容格式后续换模型时只要改模型名和端点脚本无需大改。4. 常见问题与排查技巧实录4.1 Claude Code 报错 “command not found” 或 “Cannot run program”这是最典型的集成初装问题。绝大多数原因是 IDEA 进程的环境变量和系统 shell 不一致。IDEA 在 macOS 上默认通过 LaunchServices 启动不会加载~/.zshrc中的 PATH所以即使你在终端里能运行claudeIDEA 里照样找不到。解决办法在 Program 字段写绝对路径而不是命令名。如果是 nvm 安装的 Node记得把~/.nvm/versions/node/v18.20.4/bin写进绝对路径。还可以在 IDEA 的自定义属性文件idea.properties里追加idea.Process.encodingUTF-8避免中文输出乱码。我踩过最深的坑是明明终端里claude能跑IDEA 里却报错。最后发现是 IDEA 启动时的 PATH 根本没包含 nvm 目录写死绝对路径后立刻好了。4.2 输出中文乱码IDEA 的 Run 窗口默认按系统编码解析子进程输出。如果工具输出是 UTF-8但 IDEA 环境编码是 GBK就会出现乱码。处理方式在 External Tools 配置页面Advanced 选项卡里把 Output encoding 设为 UTF-8。如果还不行就在命令外层加一个PYTHONIOENCODINGutf-8Python或LANGen_US.UTF-8Unix环境变量。4.3 GLM API 返回 401 或 403GLM 的控制台 Key 和 API 端点是两回事确认你用的是 API 密钥而不是控制台登录密码。另外部分模型和 Key 存在白名单绑定关系如果换了模型名但 Key 权限不够也会出现鉴权失败。排错建议先用 curl 或 Python 脚本直接测一次 API排除 IDEA 配置因素。curl -X POST https://open.bigmodel.cn/api/paas/v4/chat/completions \ -H Authorization: Bearer $ZHIPUAI_API_KEY \ -H Content-Type: application/json \ -d {model:glm-4-flash,messages:[{role:user,content:hi}]}如果 curl 正常而 IDEA 里不行问题就出在环境变量传递上。检查 External Tools 的 Environment variables 字段确认没写错变量名也没跟全局变量冲突。4.4 如何应对“一次只回答一个文件”的限制Claude Code 本身支持一次读取多个文件但 External Tools 这种方式只能通过宏传入一个文件路径。需要分析多个文件时我写了一个辅助脚本接收目录路径自动找关键文件拼接成提示词再交给模型。比如claude --input-format text (find $ProjectFileDir$/src -name *.java | head -20 | xargs cat)这样能快速让 Claude 对多个文件做整体分析。如果你更习惯一次只处理一个文件的对话模式那么按原方案使用即可。4.5 添加自定义 Prompt 模板我发现固定格式的提示词比随手输入效果好得多。在 IDEA 里实现自定义模板关键是利用$Prompt$变量的默认值。External Tools 里没法直接给$Prompt$设置默认文本但我绕了一下用$Prompt$作为输入框提示再通过 wrapper 脚本内部做模板拼接。比如写代码时常用的模板PROMPT请以下要求修改代码 项目语言: $2 需求: $1 要求输出完整代码块不要省略。 这样每次点外部工具只需要输入“给这个方法加个缓存”脚本会自动补齐格式模型输出会更规范。4.6 输出内容不换行IDEA 的 Run 窗口默认会把行尾符处理成空格导致多行代码挤成一行。解决方法是Run 窗口右键 - 勾选“Use Soft Wraps”只是视觉换行不解决数据问题。真正解决需要在脚本里把输出用\n显式转成 IDEA 能识别的行分隔符或者在输出时统一加一行分隔线。我个人的做法是在 wrapper 脚本末尾加一个标记行echo END 这样即使前面行被挤掉仍然能根据标记判断输出完整度。5. 进阶用法与效率妙招5.1 给 Claude Code 绑定快捷键External Tools 配置好之后去 Settings - Keymap 里搜索你给工具起的名字直接 Assign Keyboard Shortcut。我习惯用CtrlShiftC调用 Claude CodeCtrlShiftG调用 GLM。实测下来这两个键位不容易和系统快捷键冲突单手操作也很顺手。快捷键绑定的意义在于把“选中代码 - 按快捷键 - 拿到建议”这个过程缩短到 2 秒内。一旦养成肌肉记忆你就很难回到手动复制粘贴的方式了。5.2 让 GLM 处理 Clippy 风格提问GLM 的轻量特性非常适合做“代码解释器”把不懂的代码片段丢给它让它用自然语言解释。我在脚本里加了一个模式参数--mode explain输出格式变成“一句话总结 分步骤解释 补充注意事项”比直接输出一大段文本更有用。此模式用来读陌生项目源码效果很理想。接手一个旧项目时我习惯把核心 Service 类丢给 GLM 解释再配合 Claude Code 做重构两者分工效率翻倍。5.3 会话管理与上下文延续命令行 AI 工具的无状态特性在多数单次任务里没问题但要连续对话时就麻烦了。Claude Code 原生支持会话恢复参数claude --resume session_id问题在于 External Tools 每次调用都不知道上一个 session 是什么。我的方案是在 wrapper 脚本里把每次生成的 session_id 写入项目目录下的.claude-session文件下一次运行时自动读取并带入--resume参数。GLM 由于是 API 调用我就在脚本里维护消息历史列表按轮次存成 JSON 文件。这样同一个 IDEA 项目里GLM 能记住前面几轮聊天的背景不用反复粘贴上下文。5.4 用 Run Configuration 做嵌入式任务面板比 External Tools 更进一步的是在 IDEA 的 Run Dashboard 里把 Claude Code 配置成可重复运行的任务。通过自定义运行配置Python 或 Shell Script每次运行都带上指定的提示词或任务定义。我最常用的是把“单元测试生成”做成一个独立运行配置选中文件后运行它Claude 自动扫描源码并生成单测。Run 窗口会显示耗时和 token 统计方便追踪成本。6. 安全与成本管理的几点建议6.1 API Key 不要硬编码Claude Code 和 GLM 脚本都不要在代码里明文写 Key。IDEA 的环境变量字段虽然比明文好但它会存进.idea目录的 XML 文件里。我更建议用本地的未跟踪文件比如.env并在 wrapper 脚本中用 dotenv 方式加载。具体来说在项目根目录放一个.env加入.gitignore里面写ANTHROPIC_API_KEYsk-ant-xxxx ZHIPUAI_API_KEYxxxx.yyyywrapper 脚本里用工具加载比如用set -a; source .env; set a这样 Key 只会留在本地不随项目共享。6.2 控制 token 消耗Claude Code 在处理大型代码库时一次上下文窗口可能消耗数千 token。尤其是自动把整个项目所有文件塞进去的做法很容易让账单快速攀升。我的个人策略是轻量任务只用 GLM因为成本通常低一个数量级。Claude Code 只处理需要深度理解的任务且通过明确提示词限制输出长度。在 wrapper 脚本里统一加--max-turns和--max-output-tokens参数防一手失控。定期检查 API 平台上的消耗报表看看哪个项目、哪个模型占了大头。6.3 隐私与代码安全把代码发给外部模型就要默认它会被服务方记录。公司项目、未公开模块、涉及敏感数据的代码不建议直接通过这个方案处理。如果一定要用先在内部做个脱敏把变量名、字符串、注释改成占位符再发。我一般设了两套工具链一套是 Claude Code/GLM处理个人项目或开源代码另一套是公司内部部署的模型或合规网关处理工作相关代码。真需要外部模型时会先在本地对敏感信息做一次替换。7. 实战效果复盘与后续扩展空间这套方案我持续用了约两个月整体感受是“集成之后回不去了”。最明显的效率提升点是代码评审和测试用例生成以前人工逐文件 review 要半小时现在 Claude Code 先筛一遍直接指出可疑区域我再集中精力复核时间压缩到原来的三分之一。GLM 这边我主要用于接口文档注释、异常分支补充、SQL 改写这类碎片化任务量大但不需要多深推理免费档位就够用基本零成本。后续还可以扩展的方向包括把 wrapper 脚本升级成 IDEA 插件直接加 Side Panel 显示流式输出。接入项目本身的构建日志让 Claude Code 在编译失败时自动分析错误并给修复建议。把对话历史和 MR、Issue 关联起来实现“AI 助手记住每个功能分支的上下文”。从配置角度看这套方案的价值在于“原生命令行能力 IDE 交互”的最佳平衡没有引入笨重框架也没有锁死某一家模型。哪天 Claude Code 更新了更好的模型或者 GLM 出了更强的版本改一行配置就能切换。我个人在实际操作中最大的体会是不要追求一步到位的完美配置先按最简路径跑通再逐步加上快捷键、会话管理、多文件分析这些进阶能力。AI 工具集成这件事动手跑通一次比看十篇教程都管用。