SQL Server 效能調校之四:四個常見陷阱解析

在調校 SQL Server 查詢效能時,有些問題容易被忽略,卻也容易造成嚴重的效能退化:Missing Index、Implicit Conversion、Spill to TempDB、以及 Residual Predicate;本篇整理這四種問題的成因、症狀與修正方式,並說明彼此之間容易混淆的關鍵差異。 Missing Index(缺少索引) 成因:查詢的篩選欄位(WHERE、JOIN 條件)未建立對應索引,導致 SQL Server 必須掃描整張資料表(Table Scan 或 Clustered Index Scan)才能找到符合的資料列。 症狀: 執行計畫出現 Table Scan 或 Clustered Index Scan 節點。 Logical reads 數量遠超預期。 CPU 與磁碟 IO 長期偏高。 偵測方式:執行計畫中會出現綠色的「遺漏索引」提示文字;亦可查詢 sys.dm_db_missing_index_details 取得建議清單。 修正建議:針對高頻查詢的篩選欄位建立索引,並善用 INCLUDE 子句將查詢所需的非索引鍵欄位一併納入,形成 Covering Index,避免額外的 Key Lookup。 1CREATE INDEX IX_Orders_CustDate 2 ON Orders (CustomerID, OrderDate) 3 INCLUDE (TotalAmount); Implicit Conversion(隱含型別轉換) 成因:當查詢參數或比較值的資料型別與欄位型別不符時,SQL Server 會自動進行隱含型別轉換;轉換作業發生在欄位端,使得索引的 Seek 能力喪失,退化為 Scan。 症狀: 明明已建立索引,執行計畫仍顯示 Index Scan 而非 Index Seek。 執行計畫節點出現黃色警告,標示 CONVERT_IMPLICIT。 偵測方式:檢查執行計畫節點上的警告圖示,或透過 SET STATISTICS IO ON 觀察 Logical reads 是否異常偏高。 修正建議:確保應用程式傳入的參數型別與資料表欄位型別完全一致;使用 ORM 框架時須特別注意 nvarchar 與 varchar 的混用,以及資料庫 Collation 設定是否統一。 1-- 錯誤:欄位為 int,傳入字串導致隱含轉換 2WHERE CustomerID = '12345' 3 4-- 正確:型別一致,索引可正常 Seek 5WHERE CustomerID = 12345 Spill to TempDB(記憶體溢出至暫存資料庫) 成因:執行 Sort、Hash Match、或 Window Function 等需要工作記憶體的運算時,若 SQL Server 低估了資料量(通常源自過期的統計資料),分配的 Memory Grant 不足,多餘的中間資料便會溢出(Spill)至 TempDB 磁碟。 症狀: 執行計畫的 Sort 或 Hash Match 節點出現警告圖示。 TempDB 磁碟 IO 明顯飆升。 相同查詢的執行時間不穩定、變異大。 偵測方式:查看執行計畫節點屬性中的 Warning > SpillLevel;或查詢 sys.dm_exec_query_stats 的 total_spills 欄位找出高溢出查詢。 修正建議:這個問題通常是統計資料過舊,建議定期執行 UPDATE STATISTICS;此外,可以透過建立索引讓資料預先排序,減少 Sort 運算的需求,或將大量資料的操作拆分成批次處理。 1-- 更新統計資料 2UPDATE STATISTICS Orders WITH FULLSCAN; 3 4-- 建立索引預先排序,減少 Sort 需求 5CREATE INDEX IX_Orders_Date 6 ON Orders (OrderDate); Residual Predicate(殘餘篩選條件) 成因:Index Seek 只能用索引的前導鍵欄位(Seek Predicate)快速定位資料範圍,查詢條件中不屬於前導鍵的欄位,會在 Storage Engine 層逐列再次過濾(Predicate),稱為殘餘謂詞(Residual Predicate)。 症狀: 執行計畫中有 Index Seek,表面上看起來正常。 Seek 節點的 Rows Read 遠大於 Actual Rows,顯示大量資料列被讀取後又被篩掉。 Logical reads 偏高但不易察覺。 偵測方式:點開執行計畫中 Index Seek 節點的屬性,區分 Seek Predicates(有效利用索引)與 Predicates(殘餘過濾)兩個欄位的內容。 修正建議:將殘餘條件欄位加入複合索引的鍵欄位,或納入 INCLUDE 清單,調整索引欄位順序以符合查詢的過濾邏輯。 1-- 原索引只有 OrderDate, Status 成為殘餘條件 2-- 調整為複合索引以消除殘餘條件 3CREATE INDEX IX_Orders_DateStatus 4 ON Orders (OrderDate, Status); 容易混淆的差異 Missing Index vs Residual Predicate:前者是「完全沒有索引」,後者是「有索引但 Seek 只用了部分欄位」;看到執行計畫有 Index Seek 不代表沒有問題,需要進一步比對 Rows Read 與 Actual Rows 的差距。 Implicit Conversion:它會靜默破壞現有索引,讓原本正常的 Seek 退化成 Scan,執行計畫只會出現一個小黃警告,極易被忽略;ORM 框架是最常見的來源,尤其是字串型別混用或 Collation 不一致的情境。 Spill to TempDB:與其他三者性質不同,它不是索引問題,而是「查詢工作記憶體不足」的問題;根本原因通常是統計資料過舊,光是建立索引並無法解決,必須從統計資料更新與查詢設計兩方面著手。

2026年5月18日

SQL Server 效能調校之三:三大 Join 運算子解密

延續上篇,當我們確保了資料存取的效率(消滅了不必要的 Scan 與 Key Lookup)後,接下來要面對的就是關聯式資料庫最核心的動作:將多張資料表結合在一起(Join)。 當你在 SQL 語法中寫下 INNER JOIN 或 LEFT JOIN 時,SQL Server 的 Query Optimizer(查詢最佳化程式)會根據資料表的大小、有沒有索引、以及資料是否已經排序,自動從武器庫中挑選最適合的實體運算子;在執行計畫中,一定會遇到以下這三位主角: 精緻的雙層迴圈:Nested Loops (巢狀迴圈) 運作原理:概念上就像是寫程式時的兩層 for 迴圈;SQL Server 會將資料量較小的表作為外部表(Outer Table),針對外部表的「每一列」,逐一去掃描內部表(Inner Table)尋找匹配的資料。 適合情境:小表 Join 大表,且大表的 Join 欄位上有索引;當內部表有索引時,SQL Server 可以直接使用高效的 Index Seek 來尋找目標,效能極好。 效能警訊:如果兩張表都很大,且內部表沒有索引(被迫變成 Table Scan),那麼時間複雜度 O(N X M) 會讓效能急速惡化。 暴力卻有效的碰撞:Hash Match (雜湊比對) 運作原理: 處理過程分為兩個階段。 Build(建立)階段:掃描較小的表,在記憶體中建立一個 Hash Table(雜湊表)。 Probe(探測)階段:逐一掃描較大的表,將每一列資料套用雜湊函數,去 Hash Table 中快速查詢並配對。 適合情境:兩張表都很大,且沒有合適索引的場合,這時 Query Optimizer 通常會自動選擇 Hash Match 作為最後防線;它的時間複雜度為 O(N + M),在處理無索引大數據時效能相對穩定。 效能警訊:最大的致命傷是「記憶體消耗」,如果記憶體不足以容納整個 Hash Table,就會發生 Spill to TempDB(溢出到硬碟)的現象(圖示上會出現黃色驚嘆號Warning),此時讀寫速度會大幅下降,是必須優先解決的瓶頸。 完美排序的雙劍合璧:Merge Join (合併連接) 運作原理:就像拉鍊一樣的結合方式,前提是兩個輸入資料集都必須已經依照 Join Key 排序完成;執行時,SQL Server 會同時推進兩個指標,依序往下比對,兩邊的資料都只需要掃描一遍即可完成配對。 適合情境:兩表已有排序順序(如有索引,或前置步驟已排序),且資料量大的場合;這是記憶體需求極低、效能非常優異的演算法。 效能警訊:若資料本身未經排序,SQL Server 為了硬湊出 Merge Join,必須先在前方加入一個昂貴的 Sort(排序)運算子;這個額外付出的排序成本,往往會抵銷掉 Merge Join 帶來的所有優勢,得不償失。 優化建議 面對這三種 Join,我們該如何除錯與優化呢? ...

2026年5月17日

SQL Server 效能調校之二:看懂 Index Seek、Scan 與 Key Loop

在上一篇中,建立了閱讀執行計畫的「方向感」,學會透過箭頭粗細找出塞車路段;順著箭頭一路往右追溯到最源頭,就會看到 SQL Server 是如何進入資料庫「拿資料」,這一步至關重要,因為資料庫系統最大的效能瓶頸往往在於磁碟 I/O(資料讀寫),是在「精準尋找」還是在「盲目翻找」,決定了這個查詢是只要 0.1 秒,還是要跑 10 分鐘。 在執行計畫的最右側,最常看見的資料存取運算子有這幾種: 理想的境界:Index Seek 白話比喻:就像查字典時,利用部首或注音索引,直接翻到你要的那一頁。 背後意義:這是效能最好的存取方式,代表 SQL Server 完美利用了 B-Tree 索引結構,精確定位到符合 WHERE 條件的資料列;看到這個圖示通常代表你的索引設計順利發揮了作用。 尷尬的中間地帶:Index Scan 白話比喻:不用翻整本字典,但把字典的「整個附錄/整個目錄」從頭到尾看了一遍。 背後意義:看到 “Index” 這個字或許會覺得令人安心,但請注意後面的 “Scan”;這代表查詢條件無法讓 SQL Server 縮小搜尋範圍,只好把整個索引從頭到尾掃了一遍。 優化建議: 改善查詢條件(避免索引失效):這是最常見的「索引殺手」,例如在欄位上套函數(如 WHERE YEAR(created_at) = 2026),或發生型別隱含轉換(字串比對數字欄位),可以改成對索引友善的寫法,例如:WHERE created_at >= '2024-01-01' AND created_at < '2025-01-01',讓 SQL Server 能切換回 Index Seek。 建立或調整 Composite Index(複合索引):把常常一起出現在 WHERE、ORDER BY 的欄位組合進同一個索引,且要注意欄位順序。 減少回傳欄位:盡量避免 SELECT *,只取真正需要的欄位,有助於讓 Optimizer 選擇更精準的索引。 效能的紅燈:Table Scan / Clustered Index Scan 白話比喻:為了找書裡的一句話,從第一頁逐字逐句讀到最後一頁。 背後意義:這是最需要優先處理的狀況,代表完全沒有可用的索引,或查詢條件根本繞過了索引;SQL Server 必須把整張表掃描一遍,一筆一筆核對。 優化建議: 建立索引:最直接的解法,可以先參考 Execution Plan 上方黃色字體的 Missing Index 提示來建立 Non-Clustered Index,這通常能立竿見影。 檢查資料選擇性(Selectivity):如果你的 WHERE 條件篩出來的資料佔了整張表的 20%–30% 以上,SQL Server 會認為「既然都要抓這麼多資料,不如直接掃整張表比較快」;此時加索引沒用,需要檢討的是查詢邏輯本身。 更新統計資料:執行 UPDATE STATISTICS 或 sp_updatestats,有時候是資料庫的統計資訊太舊,導致 Optimizer 誤判,放著好好的索引不用跑去掃表。 檢查 NOLOCK 或 Hint 干擾:確認程式碼中是否有不必要的查詢提示(Hint)強制改變了 SQL Server 的預設行為。 隱藏的效能殺手:Key Lookup 白話比喻:用目錄找到了頁碼,但發現那頁只有大綱,還得跑去另一本詳細版的手冊裡翻出完整內容。 ...

2026年5月16日

SQL Server 效能調校之一:不迷路的導航,Execution Plan 的閱讀方向與指標

在開發與維護資料庫的日常中,會遇到這樣的場景,一段 SQL 查詢平常跑得順順的,卻突然卡住,或者明明加了 WHERE 條件,資料庫卻慢到讓人想砸電腦。 面對效能瓶頸,可以打開 SQL Server 提供的導航地圖「執行計畫」(Execution Plan),執行計畫是 SQL Server 查詢最佳化工具(Query Optimizer)的詳細報告;然而,初次見到這張充滿各種圖示與線條的圖表時,往往是讓人眼花撩亂,不知所措。 閱讀方向:從右到左、從上到下 在解讀 SQL Server 的圖形化執行計畫時,閱讀順序是:從右到左、從上到下。 最右邊的節點(起點):代表「資料的來源」;這裡通常是實體資料表(Tables)或是索引(Indexes)。這是 SQL Server 第一步要去硬碟或記憶體裡把基礎資料撈出來的地方。 中間的節點(過程):每個圖示都代表一個「處理步驟」(Operator),例如:關聯(Join)、排序(Sort)、過濾(Filter)或群組化(Aggregate)。 最左邊的節點(終點):代表「最終的輸出」;通常會是一個 SELECT、INSERT、UPDATE 或 DELETE 的圖示,表示這段查詢最後呈現給應用程式的結果。 從上到下:當一個步驟需要結合多個資料來源(例如 JOIN 兩張表)時,通常在圖形上方的分支會先被執行或作為外部輸入(Outer Input),下方的分支則作為內部輸入(Inner Input)。 下次打開 Plan 時,將目光移到畫面的最右端,看看 SQL Server 是從哪些表開始動手的而非一開始就盯著最左邊的 SELECT 看。 解讀箭頭的「粗細」 在各個節點之間,會看到許多連接的箭頭;這些箭頭不僅僅是指出資料流動的方向,它們還隱藏著極其重要的效能指標,箭頭的粗細,代表著傳遞的資料列數(Rows)多寡。 極細的箭頭:代表經過這個步驟後,只傳遞了非常少量的資料(甚至只有 1 筆)。 非常粗的箭頭:代表這裡有龐大的資料量正在兩個節點之間搬運。 掌握了箭頭粗細的含義,就能在幾秒鐘內靠「視覺」找出潛在的問題點: 漏斗效應(粗進細出):如果看到一個節點,右邊進來的箭頭非常粗,但左邊出去的箭頭突然變得很細;這代表 SQL Server 在這個步驟(可能是一個 Filter 或 Hash Match)花費了巨大的力氣,過濾掉成千上萬筆不符合條件的資料,最後只留下幾筆,這通常是強烈的優化訊號,告訴我們「資料需要從源頭就開始進行篩選,而非把一堆資料搬進記憶體裡慢慢濾」。 一路粗到底:如果從最右邊到最左邊,箭頭始終粗得像水管一樣,這意味著你的查詢確實要回傳大量資料;這時你可以問應用程式端:「我們真的需要一次 SELECT 幾百萬筆資料出來嗎?能不能做分頁處理?」 閱讀 Execution Plan 最重要,就是建立「方向感」,只要掌握了正確的閱讀方向,就不會在複雜的 Plan 裡迷失;從「由右至左找源頭」以及「看箭頭粗細找瓶頸」這兩個導航法則,就能在面對那張複雜的網路圖時,擁有清晰的解讀脈絡,而當我們知道資料是從哪裡來,又在哪裡塞車之後,下一步就是要檢視 SQL Server 到實體表中「拿資料」的手法是否夠聰明了。

2026年5月15日

從 WinForms 到 Web 之二:前後端分離架構

如果說 MVC 是「後端包辦一切」,那前後端分離就是「後端只管資料,前端只管畫面」;兩者最根本的差異在於渲染發生的位置: ── MVC ────────────────────────────────────────────── 瀏覽器 ──請求──▶ 後端(組好 HTML)──▶ 瀏覽器(顯示) ── 前後端分離 ──────────────────────────────────────── 瀏覽器 ──請求──▶ 後端(回傳 JSON)──▶ 瀏覽器(自行渲染) 後端不再負責產生 HTML,它只提供結構化的資料(通常是 JSON);畫面要長什麼樣子,完全是前端的責任。 用 ASP.NET Core Web API 來說明 後端:只負責資料,不碰畫面 1[ApiController] 2[Route("api/[controller]")] 3public class ProductsController : ControllerBase 4{ 5 private readonly AppDbContext _db; 6 public ProductsController(AppDbContext db) => _db = db; 7 8 [HttpGet] 9 public async Task<IActionResult> GetAll() 10 { 11 var products = await _db.Products.ToListAsync(); 12 return Ok(products); // 純 JSON,沒有 HTML 13 } 14 15 [HttpPost] 16 public async Task<IActionResult> Create(ProductDto dto) 17 { 18 // 驗證邏輯、商業規則... 19 var product = new Product { Name = dto.Name, Price = dto.Price }; 20 _db.Products.Add(product); 21 await _db.SaveChangesAsync(); 22 return CreatedAtAction(nameof(GetAll), new { id = product.Id }, product); 23 } 24} 後端回傳的是這樣的 JSON: ...

2026年5月10日

從 WinForms 到 Web 之一:認識 MVC 架構

公司有一套已運行多年的內部管理系統,原本是 Windows Forms 應用程式,現在決定整個搬到 Web 平台;新系統起初以 ASP.NET MVC + Razor Page 為主架構,同時也有部分功能採用 Web API 的形式,形成了一種混搭的局面;這讓我開始思考這兩種做法的本質差異是什麼?在什麼情況下應該選哪一種?在討論這個問題之前,得先把 MVC 架構弄清楚。 MVC 是什麼? MVC 是一種將應用程式切分成三個層次的架構模式: Model:應用程式的核心,負責管理資料、業務規則與邏輯,獨立於使用者介面。 View:資料的視覺呈現,在 ASP.NET 中就是 Razor Page(.cshtml)。 Controller:中間協調者,接收使用者輸入、呼叫 Model 處理、再選擇適合的 View 回應。 這三層緊密協作,最關鍵的特點是:整個渲染過程發生在伺服器端,瀏覽器只負責顯示已經組好的 HTML。 瀏覽器 ──請求──▶ Controller ──呼叫──▶ Model(業務邏輯 + 資料存取) │ │ │ ▼ │ DB / Repository │ │ │◀────── 資料 ───────────┘ │ ▼ 傳遞資料 View(Razor Page) │ 瀏覽器 ◀──完整 HTML──┘ 用 ASP.NET Core MVC 來說明 一個典型的 MVC 流程如下: ...

2026年5月9日

從模糊通訊到精確修復:如何運用 AI 協作、重構、除錯之開發工作流

在真實的軟體維護與開發場景中,任務往往不是從一份清晰的規格書開始,而是一長串雜亂的商業通訊或 Email;這篇文章將探討如何將 AI 融入日常工作流,從「接收業務抱怨」到「提交安全的程式碼變更」,把 AI 當作技術協作的思考夥伴,而不僅僅是一台代碼生成機;以下是運用 AI 提升遺留系統(Legacy System)維護效率與安全性的協作方法: 從商業語言萃取技術問題 ( Issue Intake & Hypothesis) 輸入來源:雜亂的商業通訊記錄、Email 討論串或 PDF。 協作模式:讓 AI 扮演第一線的「需求翻譯官」。 可以請 AI 閱讀長篇大論的討論串,從中剝離情緒與表面症狀,找出真正的需求。 接著,與 AI 討論根本原因的假設「這究竟是基礎設施層級的錯誤、系統整合失敗,還是單純的商業邏輯落差?」,這能有效避免我們在一開始就找錯系統層級,將「修復整合問題」的大方向,收斂為具體可行的技術行動。 系統勘查與新舊行為比對 (Reconnaissance & Comparison) 輸入來源:舊版系統的執行腳本與現有程式碼架構。 協作模式:在改動任何遺留系統前,釐清「過去的基準是什麼」至關重要。 我們可以將舊有的腳本或程式碼作為來源,讓 AI 協助比對現行程式碼中的執行路徑與邏輯斷層,透過比對列出遺失的商業規則(例如:時間視窗的處理、過濾邏輯的差異),而非不斷的對著錯誤代碼做猜測。 邊界談判與範圍收斂 (Scope Reduction & Constraint Negotiation) 輸入來源:比對結果與開發的限制及偏好。 協作模式:這是實務上最關鍵,卻常被忽略的一步。 告訴 AI 你的底線,例如:「不引入新的抽象層」、「不改動共用的核心模組」、「避免不必要的全域設定(Global config)重構」,甚至限制修改的檔案數量。 與 AI 進行條件談判,將原本龐大的系統修復目標,限縮為風險最低的最小程度變更,良好的維護不僅追求技術上的正確,更要契合團隊習慣、邊界與上線風險。 迭代規劃與微創實作 (Iterative Implementation) 輸入來源:收斂後的執行計畫與動態的環境反饋。 協作模式:在遺留系統中,修復計畫很少是一次到位的。 隨著開發進行或外部設定的調整,必須隨時與 AI 重新校準範圍;在撰寫程式碼時,嚴格要求 AI 僅針對痛點進行最小化修補,保留不想更動的既有邏輯,確保修改範圍集中,不引發大範圍的架構震盪。 版本控制與技術敘事 (Git Hygiene & Technical PR Narrative) 輸入來源:最終測試通過的程式碼差異 (Diff) 與工作紀錄。 協作模式:修補完成後,AI 也能協助提升版本控制的品質。 可以請 AI 協助檢視改動,並建議如何拆分為原子化提交(Atomic Commits,確保單一檔案或單一邏輯獨立提交)。 此外,在未審核的前提下,讓 AI 根據你的習慣草擬 PR(Pull Request),好的 PR 能清楚交代修改動機、改變了什麼、沒改變什麼,這是給審查者最好的技術文件,也能大大加速 Code Review 的流程。 透過上述方法,AI 能夠成為引導診斷與控制範圍的最佳助手,讓我們重新思考軟體維護的工作流,可以是「萃取意圖、比對行為、收斂範圍、最小化實作,將過程沉澱為可重複的技術」,讓每次的修復都更安全、更精準且具備高度可追溯性。

2026年5月4日

搶救儲值金:OpenCode + OpenRouter 的背景扣費,配置 Small Model 心得分享

承續上篇 OpenCode 搭配 OpenRouter 的踩坑紀錄:意外的模型扣費之謎,在今日反覆測試之後,終於找到了初步的解決之道。 今日行動:馴服 OpenCode 的設定檔 為了拿回控制權,嘗試透過設定檔明確指定 small_model,在摸索過程中排除了幾個關鍵障礙: 路徑迷蹤:在 Windows 系統上,OpenCode 的設定檔位置並非在安裝目錄,而是位於 %USERPROFILE%\.config\opencode\opencode.jsonc。 **格式陷阱:**模型設定必須是頂層字串格式;我曾嘗試使用巢狀物件(nested objects)來描述模型屬性,但這會導致解析錯誤。 聯動依賴(關鍵):這是過程中遇到的最大阻礙,如果只單獨設定 small_model 而忽略了 model 的宣告,OpenCode 會噴出 ConfigInvalidError 並導致 Session 無法載入;兩者必須同時存在於設定檔中。 Model ID 命名:Model ID 格式不需要額外加上 openrouter/ 前綴,直接使用原廠定義的 ID 即可。 最終有效的設定方案 經過多次失敗與修正,整理出這份能讓 OpenCode 穩定啟動的 opencode.jsonc 範例: 1{ 2 "$schema": "https://opencode.ai/config.json", 3 "model": "google/gemini-3.1-pro-preview", // 主模型設定 4 "small_model": "google/gemini-3-flash-preview" // 強制指定背景任務使用的模型,避免自動選取導致額外扣費 5} 目前設定檔已能成功讓 OpenCode 運行,不再發生啟動失敗的問題。 不過,這項修正是否能完美杜絕「意外扣費」,仍需觀察 OpenRouter 的 Generation Data;目前正在等待後台出現 Gemini 3 Flash Preview 的請求紀錄,以便驗證 OpenCode 是否確實將背景任務轉發到指定的 BYOK 模型上。 ...

2026年5月3日

OpenCode 搭配 OpenRouter 的踩坑紀錄:意外的模型扣費之謎

今天在開發時,遇到了一個有趣但也讓人有點困擾的狀況;使用的開發環境是 OpenCode 搭配 OpenRouter,主模型則是透過 OpenRouter BYOK (Bring Your Own Key) 綁定 Google AI Studio API Key 的 Google Gemini 3.1 Pro。 本來預期所有的花費都會走自己的 Key,享受免費或可控的額度,沒想到卻在 OpenRouter 的後台發現了預期之外的扣費紀錄。 案發現場:被悄悄觸發的背景請求 透過檢查 OpenRouter Log 的 Generation Data,我發現 OpenCode 在使用過程中,背景會自動觸發額外的 API 請求,而這些請求的行為跟我的全域設定完全不同: 模型被切換:請求並沒有發給 Gemini,而是被發送到了 anthropic/claude-haiku-4.5。 Provider 改變:走的是 Amazon Bedrock(OpenRouter 自己的後端)。 BYOK 失效:紀錄顯示 is_byok: false,代表這筆請求沒有走我綁定的 Key,而是直接扣除了我 OpenRouter 帳戶裡的餘額。 用量特徵:tokens_prompt: 603, tokens_completion: 10,典型的輕量級背景任務用量,且 origin 標示為 https://opencode.ai/。 推測原因:獨立的 Small Model 機制 仔細調查與推敲後,我認為這跟 OpenCode 底層的任務分發機制有關。 OpenCode 內部應該有一個獨立的 small_model 機制,專門用來處理像是「生成 Session 標題」、「壓縮摘要 Context」這類不需要強大推理能力的輕量級背景任務。 ...

2026年5月2日

如何在 Claude Code 中透過 OpenRouter 串接第三方模型

在 AI 輔助開發的過程中,為了能自由體驗更多不同模型的特性,無論是想測試各家模型在特定任務上的表現,還是單純想感受如 DeepSeek V4 Pro 這類強大開源模型的邏輯推演能力,需要有彈性的開發環境;這篇文章將分享如何透過簡單的配置,讓你在 Claude Code 中解鎖模型限制,串接 OpenRouter 的豐富的第三方模型。 引導 CLI 走向 OpenRouter 要讓 Claude Code 放棄預設的官方伺服器並將請求轉發至 OpenRouter,我們需要設定特定的環境變數。 關鍵技巧:必須將官方的 ANTHROPIC_API_KEY 留空;這樣可以完全避免 CLI 預設去向 Anthropic 伺服器進行驗證而產生錯誤,確保所有的請求都乾淨地透過 ANTHROPIC_AUTH_TOKEN 轉發。 在終端機(以 PowerShell 為例)輸入以下指令: 1$env:ANTHROPIC_BASE_URL = "https://openrouter.ai/api" 2$env:ANTHROPIC_AUTH_TOKEN = "Your_OpenRouter_API_Key" 3$env:ANTHROPIC_API_KEY = "" 抽換 Claude Code 的邏輯大腦 Claude Code 實際運作時,會根據任務的複雜度自動調度不同的模型,例如:預設會使用 Sonnet 來做快速的檔案結構掃描與意圖判斷,然後用 Opus 進行核心的程式碼生成與重構。 與其單純設定單一的 $env:ANTHROPIC_MODEL,更進階且優雅的做法是直接覆寫預設的任務模型;我們可以將 DeepSeek V4 Pro 部署在最關鍵的主力開發位置: 1# 將負責核心邏輯與重構的 Model 替換為 DeepSeek V4 Pro,也可以視需求將輕量級任務指派給其他反應更快的模型 2$env:ANTHROPIC_DEFAULT_HAIKU_MODEL = "deepseek/deepseek-v4-pro" 3$env:ANTHROPIC_DEFAULT_OPUS_MODEL = "deepseek/deepseek-v4-pro" 4$env:ANTHROPIC_DEFAULT_SONNET_MODEL = "deepseek/deepseek-v4-pro" 透過覆寫這些特定變數,等於讓不同的第三方模型各司其職,精準對應到不同的思考與執行階段。 ...

2026年5月1日