1、问题介绍
在 AI 技术迅猛发展的今天，越来越多的研发同学面临着众多大模型选型的挑战。随着业务需求的多样化，大家希望能够逐一对比和探索不同的大模型，以便选择最适合的解决方案。然而，不同模型的对接方式各异，请求格式、参数解析也各不相同，这给开发者带来了不小的困扰。
2、解决方案
由于 OpenAI 的优先存在，即后续大模型都会考虑 OpenAI 兼容方案，通过统一的接口设计，屏蔽了底层模型的差异，使开发者能够无缝切换和对接不同的大模型。
无论是 OpenAI、Anthropic 还是 Cohere，只需简单配置，即可快速接入，大幅降低了开发和维护成本。
借助这一方案，研发同学可以更专注于业务逻辑的实现，而无需为不同模型的适配问题头疼，助你在 AI 的浪潮中游刃有余。
3、示例展示
多说无益，直接上手展示吧~
前期准备：
1）大模型APIKey -- 自行申请
2）服务endpoint -- 翻阅各家大模型对接文档
3.1 对接腾讯混元大模型
复制import os
from openai import OpenAI
model = "hunyuan-turbo"
# 构造 client
client = OpenAI(
api_key=os.environ.get("HUNYUAN_API_KEY"), # 混元 APIKey
base_url="https://api.hunyuan.cloud.tencent.com/v1", # 混元 endpoint
)
# 自定义参数传参示例
completion = client.chat.completions.create(
model=model,
messages=[
{
"role": "user",
"content": "你好",
},
]
)
print(model, completion.choices[0].message.content)执行输出：
图片
3.2 对接阿里千问大模型
复制import os
from openai import OpenAI
model = "qwen-plus"
# 构造 client
client = OpenAI(
api_key=os.environ.get("QIANWEN_API_KEY"), # 千问 APIKey
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", # 千问 endpoint
)
# 自定义参数传参示例
completion = client.chat.completions.create(
model=model,
messages=[
{
"role": "user",
"content": "你好",
},
],
)
print(model, completion.choices[0].message.content)执行输出：
图片
4、其他问题
当然，相信有人还有疑问：我如果想使用流式方式输出呢？
事实上，OpenAI 已经为我们提供了现成的参考实现，只需稍作调整即可轻松集成到你的项目中。
