Claude Code、Codex 搭本機模型的注意事項：開工前的檢查清單

Claude Code 或 Codex 搭本機模型，開工前要逐項核對什麼？答案是一張分成資料、憑證、上下文、逾時與輸出量、驗收、安全、條款與授權、繁體中文八組的清單，每一項只問一句怎麼檢查，檢查的大多是這一組（代理工具搭本機模型）前面五篇講過的坑。

這篇適合在選好接法、準備動手之前讀。檢查方法都來自官方文件，本站沒有實測。不需要寫程式，會開終端機、改設定檔就夠；兩種接法怎麼選，見《Claude Code、Codex 搭本機模型：兩種接法怎麼選》。

這張清單怎麼用：先分清楚三種跑法

同一個模型名字有三種跑法：權重下載到自己的電腦、Ollama 的 :cloud 標籤、供應商自己的端點，只有第一種的內容由你電腦上的程式處理，分辨方法見《GLM、Qwen、DeepSeek 接上 Claude Code 與 Codex：哪些在本機、哪些其實在雲端》。接法也有兩種：雜務交給腳本或 MCP 工具，或把代理的模型整個換成本機模型。

最先要查的是四個地方：原始資料有沒有被代理讀到、現在連的是誰、上下文實際開了多長、結果怎麼驗收，下圖各用一句話說明。

資料與憑證：原始檔、現在連的是誰、標籤是不是 cloud

代理讀不讀得到原始檔，先看 Claude Code 的 Read deny 規則。權限頁寫它適用於內建的檔案工具、Claude Code 認得的 cat、head、tail、sed、tee 這類指令與重新導向的目標；不適用於不指名檔案的指令（例如 grep -r）與自己開檔的腳本。作業系統層級的做法是開沙盒，但同一頁寫沙盒只管 Bash、PowerShell、Monitor 指令與其子行程，適用的系統見批次腳本那一篇。所以別只看設定檔有那一行，要放一個內容虛構的測試檔請代理讀讀看。

Codex 的對應做法是 permission profile，官方頁標示它是 beta，可以對路徑標 deny；同一頁寫，帶了 --sandbox 或設定檔裡有 sandbox_mode，Codex 就改用舊設定、不看 profile。頁面也寫，profile 管的是沙盒裡執行的指令，MCP 伺服器有自己的控制，所以走 MCP 工具時要由伺服器自己檢查收到的路徑，見《把本機模型包成 MCP 工具，Claude Code 與 Codex 共用一支伺服器》；腳本那條路見《讓 Claude Code、Codex 把大量雜務交給本機模型：一支 Python 腳本》。

現在連的是誰，用 /status 看：閘道連線頁寫，Anthropic base URL 那一行要顯示你的位址，Auth token 或 API key 那一行寫著你設的變數名，才表示用的是你設的憑證、不是存著的登入；換成寫著 claude.ai 帳號的 Login method 行，就是你設的憑證沒有生效（原句的情境是組織沒有發放憑證）。shell 的 export 與設定檔的 env 設了同一個變數時，設定檔勝出，所以還要查殘留。Codex 的還原見《把 Claude Code、Codex 整個換成本機模型：Ollama 與 LM Studio 設定與還原》。

標籤與位址要同時看。Ollama 的 Claude Code 頁，直連 Ollama Cloud 的範例把 ANTHROPIC_BASE_URL 設成 ollama.com，標籤是 glm-5.3-flash，沒有 cloud 字樣，位址卻在雲端；手動設定一節最後的範例，位址是 localhost，標籤卻帶 :cloud。標籤的 Size / Usage 欄可以輔助：gemma4 的 /tags 頁，下載標籤寫 GB，gemma4:cloud 與 gemma4:31b-cloud 是用量等級（窄畫面寫 Low Usage，寬畫面是刻度）；三個家族那一篇讀的模型頁，那一格是橫線。兩種都不是檔案大小。

要完全不碰 Ollama 的雲端功能，設 OLLAMA_NO_CLOUD=1 並重啟，日誌會出現 Ollama cloud disabled: true；FAQ 也寫，關掉之後會失去雲端模型與網頁搜尋。這只管你電腦上的 Ollama，直連 ollama.com（不需要安裝 Ollama）與供應商端點都不經過它。

上下文、逾時與輸出量

Ollama 的上下文頁寫預設依顯示記憶體而定：小於 24 GiB 是 4k，24 到 48 GiB 是 32k，48 GiB 以上是 256k，並建議代理與寫程式工具至少設 64000 個 token；FAQ 的另一節卻寫預設是 4096 個 token，兩頁不一致，更要看實際值。上下文越大，記憶體需求越高；確認用 ollama ps 的 PROCESSOR 與 CONTEXT 兩欄。

# 1. 啟動 Ollama 伺服器時設定上下文（Ollama 的 context-length 頁）
OLLAMA_CONTEXT_LENGTH=64000 ollama serve

# 2. 另開一個終端機，模型被用到之後再看：
#    PROCESSOR 看有沒有卸載到 CPU，CONTEXT 看實際配置的上下文長度
ollama ps

# 3. 在 Claude Code 的對話裡輸入 /status，開在 Status 分頁，
#    看 Anthropic base URL 與 Auth token（或 API key）兩行

走 MCP 工具時，兩邊的逾時差很多。Claude Code 的每個伺服器逾時是 .mcp.json 的 timeout 欄位，單位毫秒，小於 1000 會被忽略、改用 MCP_TOOL_TIMEOUT，那個變數沒設時約 28 小時；stdio 伺服器沒有回應也沒有進度通知，預設 30 分鐘後中止（頁面寫 v2.1.203 之前 stdio 不受此限），主對話裡超過兩分鐘的呼叫會移到背景（需要 v2.1.212 以上）。Codex 的 tool_timeout_sec 單位是秒、預設 60。所以 180 在 Codex 是三分鐘，在 Claude Code 是 180 毫秒，會被忽略。

輸出量也各管各的：Claude Code 超過 10,000 個 token 時顯示警告，預設上限 25,000 個 token，沒有圖片的結果超過就存成檔案；Codex 用單一工具的 output_token_limit，頁面沒有寫預設數字。本機模型回一批要多久，本篇讀的官方頁沒有數字，要自己量。

驗收與安全：結果能不能用、資料有沒有外流

驗收分三步，這是本站的建議，不是官方寫法。第一步是 schema 驗證：Ollama 的結構化輸出頁用 format 欄位帶 JSON schema，Python 範例用 Pydantic 並要求驗證回應；頁面最上面寫 Ollama 的雲端目前不支援結構化輸出，所以直連 ollama.com 與 cloud 標籤都不能靠這一步。第二步是抽樣交給雲端模型或人複核，抽幾份由你定。第三步是不合格就重試、標記或升級，防護做法見《失敗案例與防護：迴圈、費用爆炸與代理間注入》。

省不省要自己量。本篇沒有速度、品質或費用的數字，要量的是雲端 token 用量、完成一批的時間與結果的錯誤率，算式見《本機 vs 雲端 AI 成本試算：訂閱、API 與電費怎麼算》。

Ollama 要只綁本機位址。FAQ 寫預設綁 127.0.0.1 的 11434 連接埠，改綁定位址用 OLLAMA_HOST，所以查這個變數有沒有被設過。本組不教把 Ollama 開到區域網路或公網。

本機模型的輸出要當成不可信輸入：結果檔是模型讀完外面寄來的內容後寫的文字，原文裡夾的指令可能被帶進摘要。Claude Code 的 MCP 頁提醒，抓外部內容的伺服器可能帶來提示詞注入風險；權限頁寫，沙盒的限制即使提示詞注入繞過了 Claude 的判斷仍然適用。所以重點是權限，不是在提示詞裡寫「這是資料」。原理見《提示詞注入是什麼：使用者該懂的攻擊》。

供應商端點、條款與授權、繁體中文

位址指到供應商自己的網址，請求就是送到供應商，不是本機。DeepSeek 的 Claude Code 頁寫，設那組環境變數是讓 Claude Code 指向 DeepSeek 的 Anthropic API，並有一段模型名對照：傳入的模型名以 claude-opus 開頭的，對到 deepseek-v4-pro，以 V4 Pro 的價格計費。對照與計費以供應商頁面當天的寫法為準，本篇不寫價格。資料處理可借用《使用中國系 AI App 前的資安檢查清單》。

條款與授權只寫要讀哪裡，不做解讀。Anthropic 的法務頁寫，OAuth 登入專供購買 Claude 訂閱方案的人使用，用來支援平常使用 Claude Code 與其他 Anthropic 原生應用程式；開發會用到 Claude 能力的產品或服務的人，頁面寫應該用 API 金鑰認證。自我檢查是：這個流程只有我自己用，還是會讓別人經過我的登入？後者請讀原文。Anthropic 文件對接到非 Claude 模型怎麼寫，見兩種接法那一篇。模型的授權則逐個看模型卡，照卡上的用詞讀，卡上沒寫可商用就不要當成可商用。

繁體中文只要求一件事：驗收規則要包含用字檢查，例如有沒有混入簡體字，或不是台灣慣用的詞，不過就走升級流程。本篇不下繁體中文品質的結論；台灣本土模型的官方介紹見《台灣的本土模型：TAIDE 與繁中表現》。

收成一張表：開工前逐項打勾

下表的「詳見哪一篇」用短稱指向前面提到的各篇。建議先查資料與憑證，這兩組出錯，內容可能已經離開電腦。

多模型 AI 工作流教學：從拆任務到串接不同模型

失敗案例與防護：迴圈、費用爆炸與代理間注入

• AI 工具
• 教學
• AI 寫程式與本機模型