用 Python 一键切换大模型 API：告别重复造轮子
不少开发者日常都在跟不同的 AI 模型打交道：早上用 DeepSeek-V3 做数据分析，下午切到 Claude 3.5 Sonnet 写文案，晚上又得试试 Qwen 的长文本能力。每个模型有自己的一套 SDK、鉴权方式和参数风格，光是维护这些调用代码就让人心累。更麻烦的是，一旦想在项目里根据任务难度动态分配模型，或者想快速对比几个模型的输出，代码就会变得又臭又长。其实，只要花一点点精力搭一层薄薄的抽象，就能实现“一键切换”不同的大模型 API，让后面的开发效率成倍提升。
### 统一入口，屏蔽差异
无论哪家大模型，最终都是往一个接口发送消息、拿到回复。我们可以定义一个非常薄的 Client，把“用哪个模型、发什么参数、怎么解析返回”这些差异都封装在配置里，对外暴露完全一致的方法。核心思路是：
1. 用一个字典保管不同模型的 endpoint、API key、模型名称以及请求/响应的适配函数。 2. 暴露一个 `chat` 方法，根据模型名称去找到对应配置，拼好请求体、带上 key、发送 HTTP 请求，再把结果解析成统一的格式。 3. 调用方只需要选择模型名称，其他一概不管。
这样，你的业务代码里只会看到 `client.chat("deepseek", messages)` 或 `client.chat("claude", messages)`，后面怎么切换都不影响上层。
### 一个极简实现
下面是一个可以直接用的例子，用 `requests` 发送 HTTP 请求，分别适配 OpenAI 风格的 DeepSeek、Anthropic 的 Claude，以及阿里云的 Qwen（通过 DashScope API），都返回统一格式：
```python import requests import json
# 模型配置中心 MODEL_CONFIGS = { "deepseek": { "url": "https://api.deepseek.com/v1/chat/completions", "api_key": "sk-your-deepseek-key", "model": "deepseek-chat", "headers": lambda key: {"Authorization": f"Bearer {key}", "Content-Type": "application/json"}, "build_body": lambda model, msgs, **kw: { "model": model, "messages": msgs, "temperature": kw.get("temperature", 0.7), "max_tokens": kw.get("max_tokens", 1024) }, "parse_response": lambda resp: resp.json()["choices"][0]["message"]["content"] }, "claude": { "url": "https://api.anthropic.com/v1/messages", "api_key": "sk-ant-your-anthropic-key", "model": "claude-3-5-sonnet-20241022", "headers": lambda key: {"x-api-key": key, "anthropic-version": "2023-06-01", "Content-Type": "application/json"}, "build_body": lambda model, msgs, **kw: { "model": model, "max_tokens": kw.get("max_tokens", 1024), "messages": [{"role": m["role"], "content": m["content"]} for m in msgs] }, "parse_response": lambda resp: resp.json()["content"][0]["text"] }, "qwen": { "url": "https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions", "api_key": "sk-your-dashscope-key", "model": "qwen-turbo", "headers": lambda key: {"Authorization": f"Bearer {key}", "Content-Type": "application/json"}, "build_body": lambda model, msgs, **kw: { "model": model, "messages": msgs, "temperature": kw.get("temperature", 0.7), "max_tokens": kw.get("max_tokens", 1024) }, "parse_response": lambda resp: resp.json()["choices"][0]["message"]["content"] } }
class AIClient: def __init__(self): self.configs = MODEL_CONFIGS
def chat(self, model_name: str, messages: list, **kwargs): cfg = self.configs[model_name] headers = cfg["headers"](cfg["api_key"]) body = cfg["build_body"](cfg["model"], messages, **kwargs) resp = requests.post(cfg["url"], headers=headers, json=body) resp.raise_for_status() return cfg["parse_response"](resp)
# 使用示例 client = AIClient()
msgs = [{"role": "user", "content": "用一句话介绍Python的GIL锁"}]
# 一键切换 print("DeepSeek:", client.chat("deepseek", msgs)) print("Claude:", client.chat("claude", msgs)) print("Qwen:", client.chat("qwen", msgs)) ```
每个模型的配置都是独立的，新增一个模型只需要在字典里加一项，不影响已有代码。你甚至可以把 `api_key` 改成从环境变量读取，或者用 `litellm` 这样的工具再包一层，达到更细粒度的控制。
### 善用中转站，把复杂度再降一级
上面虽然做了统一封装，但仍要自己去各个平台申请 key、管理余额、适配不同接口格式，尤其是像 Claude、Gemini 这类海外模型，支付和网络都让人头疼。这个时候，一个靠谱的中转 API 服务就能省掉大量琐碎的工作。以 [TokenPocket API 中转站](https://tokenpocket.site) 为例，它把 DeepSeek、Qwen、Claude、Gemini 等主流模型全部接到统一的 OpenAI 风格接口下，你只需要一个 API key、一个 endpoint，就能像调用普通 OpenAI 接口一样去调用所有模型。
这样一来，上面的配置字典可以被极大简化——所有模型共用一个 URL（`https://api.tokenpocket.site/v1/chat/completions`）和同一套请求/解析逻辑，`model` 字段直接传 `deepseek-chat`、`claude-3-5-sonnet`、`gemini-1.5-pro` 就能任意切换。按量计费、USDT 直接支付，注册后还有免费额度可以试跑，既解决了多平台账号管理的麻烦，也省去了国际支付的折腾。对于追求效率的开发者来说，这无异于把切换成本降到了零——真正的一键直达。