低成本运行 Claude Code：通过 LiteLLM 接入 GitHub Copilot Chat API 的完整指南

优质文章学习记录

— 9 min read
低成本运行 Claude Code：通过 LiteLLM 接入 GitHub Copilot Chat API 的完整指南

阅读原文

一、背景与动机

Claude Code 是 Anthropic 推出的编程 Agent 工具，很多人会用它做 “vibe coding”：一边写代码一边提问，在对话中重构、重组、查 bug，体验非常接近“和聪明同事结对编程”。

但在实际使用中，它有两个比较现实的问题：

  1. 成本高：频繁的对话请求，会很快消耗你的 Anthropic API 配额；
  2. 网络不稳：在一些网络环境下，直接请求 Anthropic API 可能经常超时或失败。

与此同时，很多开发者已经在使用 GitHub Copilot。GitHub 在 Copilot 背后接入了包括 Claude 在内的多种大模型（具体组合会随时间调整），而你已经为这部分算力付过费了。

于是，一个很自然的问题出现了：

能不能让 Claude Code 直接“吃” GitHub Copilot 的额度？

答案是肯定的。

本文会介绍如何使用 LiteLLM 作为本地中间层，让 Claude Code 对着本地代理讲话，再由本地代理去请求 GitHub Copilot Chat API（下文简称 Copilot API）。

1.1 使用前的合规提示

在继续之前，需要特别说明：

⚠️ 注意：通过中间层将 Claude Code 接入 Copilot API 的方式，并非 GitHub 官方公开文档中主推或保证支持的使用场景。
实际操作前，请自行阅读并评估 GitHub Copilot 的最新服务条款、使用限制与风控策略，确认自己的使用方式是合规且可接受风险的。

如果你清楚了解这一点，并愿意自行承担相应风险，可以继续往下。

二、整体架构

Claude Code 支持通过环境变量配置自定义的 BASE_URL。我们正是利用这一点，将它“接入” LiteLLM，再由 LiteLLM 去调用 Copilot API。

整体流程可以概括为：

  1. 客户端：Claude Code
    • 使用 claude CLI 客户端（本文中的 claude 命令，即 Claude Code 的命令行工具）；
    • 配置为向本地 http://localhost:4000 发送请求。
  2. 中间件：LiteLLM 代理
    • 在本地启动一个 LiteLLM 代理服务；
    • 接收来自 Claude Code（Anthropic 风格）的请求；
    • 将请求参数转换为 Copilot API 支持的格式；
    • 添加必要的请求头，将自己伪装成编辑器插件客户端；
    • 将 Copilot API 的返回结果再转回给 Claude Code。
  3. 后端：GitHub Copilot Chat API（Copilot API）
    • 接收 LiteLLM 转换后的请求；
    • 返回模型输出，由 LiteLLM 原样转发给 Claude Code。

通过这种方式，你保留了完整的 Claude Code 交互体验，但实际计算由 GitHub Copilot 提供，从而：

  • 利用现有 Copilot 订阅额度，减少额外 API 支出；
  • 通过本地代理和 Copilot 的网络优势，提高请求稳定性。

三、准备工作

在开始动手之前，你需要：

  • 一个有效的 GitHub Copilot 订阅；
  • 一台可以本地运行以下工具的电脑：
    • uv（推荐）或者 pip；
    • claude（Claude Code CLI 工具）。

假设你已经可以在终端中直接运行：

claude --help

并看到正常的帮助信息。

四、第一步：创建 LiteLLM 配置文件

LiteLLM 是整个方案的核心入口。通过它的配置文件，我们将：

  • 定义一个逻辑模型名（Claude Code 将使用这个名字来“选模”）；
  • 告诉 LiteLLM，真实的后端模型是 Copilot 提供的哪一个；
  • 配置必要参数和请求头，让 Copilot API 正常响应。

在任意目录下创建一个 config.yaml，内容示例：

model_list:-model_name: claude-opus-4.5litellm_params:# 使用 GitHub Copilot 作为实际提供方model: github_copilot/claude-opus-4.5# 丢弃 Claude Code 发出的非标准参数，避免后端报错drop_params:true# 添加伪装为编辑器客户端的 Headers，确保 Copilot 正常响应extra_headers:Editor-Version:"vscode/1.106.3"Editor-Plugin-Version:"copilot/1.388.0"Copilot-Integration-Id:"vscode-chat"User-Agent:"GithubCopilot/1.388.0"

这里有三个关键点：

  1. model_name
    • 这是暴露给 Claude Code 的“逻辑模型名”；
    • 稍后配置 ANTHROPIC_MODEL 时，需要与这里完全一致。
  2. model
    • 这是 LiteLLM 内部用来识别 Copilot 后端的标识；
    • 示例中使用的是 github_copilot/claude-opus-4.5，你可以根据 LiteLLM 文档和 Copilot 实际支持的模型进行调整。
  3. drop_params: true
    • 很关键；
    • Claude Code 常常会在 Anthropic 协议上附加一些扩展字段，而 Copilot API 未必认识这些字段；
    • 开启 drop_params 后，LiteLLM 会剥掉非标准参数，避免因为字段不兼容导致 Copilot 返回 4xx 错误。
如果你希望在 Claude Code 中切换多个不同模型，可以在 model_list 里再添加多个条目，每个条目的 model_name 不同即可。

五、第二步：安装并启动 LiteLLM 代理

推荐用 uv 安装 LiteLLM。uv 提供了隔离环境和更快的安装体验。如果不熟悉，也可以直接用 pip。

5.1 安装 LiteLLM（含代理功能）

# 使用 uv 安装带 proxy 功能的 LiteLLM uv tool install"litellm[proxy]"# 如果你更习惯 pip，也可以：# pip install "litellm[proxy]"

安装完成后，litellm 会作为一个可执行命令出现在你的 PATH 中，可以直接在终端里使用。

5.2 启动 LiteLLM 代理

在包含 config.yaml 的目录下运行：

litellm --config config.yaml --port4000

这是你的 窗口 A，建议保持这个终端一直打开，用来观察日志。

5.3 首次使用 Copilot API 时的设备授权

LiteLLM 第一次调用 Copilot API 时，会引导你走一遍 GitHub 的设备授权流程：

  1. 终端里会打印一个 URL（通常类似 https://github.com/login/device）和一个 8 位设备码；
  2. 打开浏览器，访问这个 URL；
  3. 粘贴设备码，确认授权给相应应用；
  4. 授权成功后，回到终端，LiteLLM 会自动继续刚才的请求。

LiteLLM 会将获得的 token 缓存在本地（通常在你的配置目录下），后续重启代理不需要重复授权，除非 token 失效或手动清除。

六、第三步：配置 Claude Code 使用 LiteLLM

接下来要做两件事：

  1. 让 Claude Code 以为自己仍在访问 Anthropic API；
  2. 实际上把请求转发到本地的 LiteLLM 代理。

可以通过 环境变量（临时）或 Claude Code 配置文件（持久化）来完成。

6.1 环境变量（适合快速测试）

在启动 claude 之前，在 窗口 B 终端中执行：

exportANTHROPIC_AUTH_TOKEN="sk-any-string"# 客户端需要一个非空值，LiteLLM 会忽略它exportANTHROPIC_BASE_URL="http://localhost:4000"exportANTHROPIC_MODEL="claude-opus-4.5"# 必须与 config.yaml 中的 model_name 完全一致exportCLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC=1# 减少遥测和非必要流量

说明：

  • ANTHROPIC_AUTH_TOKEN
    • 对 LiteLLM 无意义，不会被传给 Copilot API；
    • 只是为了满足 Claude Code 客户端自身的基本校验。
  • ANTHROPIC_BASE_URL
    • 将默认的 Anthropic 接口改为本地的 LiteLLM 代理；
    • 端口号需要和你实际启动 LiteLLM 时一致（这里为 4000）。
  • ANTHROPIC_MODEL
    • 字符串必须与 config.yaml 中的 model_name 一模一样；
    • 否则 LiteLLM 会报“模型不存在”或类似错误。
  • CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC
    • 把一些非必要请求（如遥测）关掉，减少噪音流量。

6.2 配置文件（适合长期使用）

如果你希望以后每次运行 claude 时都自动应用这些设置，可以创建或编辑：

~/.claude/settings.json

内容示例：

{"env":{"ANTHROPIC_AUTH_TOKEN":"sk-any-string","ANTHROPIC_BASE_URL":"http://localhost:4000","ANTHROPIC_MODEL":"claude-opus-4.5","CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC":"1"}}

保存后，claude 在启动时会自动加载这些环境变量。

如果你原本就有自己的 settings.json（例如配置了其他集成），记得把上面的字段合并到原有 JSON 中，而不是完全覆盖文件。

七、第四步：启动并验证 Claude Code

现在你应该有两个终端窗口：

窗口 B：运行 Claude Code（CLI）

claude

窗口 A：运行 LiteLLM 代理

litellm --config config.yaml --port4000

如果一切配置无误：

  • claude 应该能正常启动；
  • 你可以随便发一句话，例如：“帮我写一个 Python 脚本，打印 1 到 10 的平方。”；
  • 此时，看一眼 窗口 A 中 LiteLLM 的日志：
    • 应该能看到来自客户端的请求；
    • 日志中能看到类似 github_copilot/claude-opus-4.5 的调用记录。

如果看到这些，说明整个链路已经打通：

Claude Code → LiteLLM（本地代理） → Copilot API → LiteLLM → Claude Code

7.1 常见问题排查（可快速自检）

如果没有成功，可以按下面几个方向排查：

  1. Claude Code 提示找不到模型 / 报 404 类似错误
    • 检查 ANTHROPIC_MODEL 与 config.yaml 中 model_name 是否完全一致（包括大小写和中划线）。
  2. LiteLLM 看不到任何请求
    • 检查 ANTHROPIC_BASE_URL 是否确实指向 http://localhost:4000；
    • 确认 LiteLLM 代理是在同一台机器上运行，且未被防火墙拦截。
  3. LiteLLM 日志中出现 GitHub 相关的 401 / 403
    • 说明 Copilot 授权失败或 token 失效；
    • 重启 LiteLLM，让它重新走一遍设备授权流程；
    • 检查你的 GitHub 账户 Copilot 订阅是否仍然有效。

结语

通过在本地引入 LiteLLM 作为中间层，我们实现了：

  • 用 GitHub Copilot 作为 Claude Code 的“后端算力”
    在你已经订阅 Copilot 的前提下，减少额外购买 Anthropic API 的支出。
  • 通过本地代理提升网络稳定性
    请求只需要稳定访问 GitHub，而不必直接访问 Anthropic 的海外节点，在某些网络环境下会更友好。
  • 保留原汁原味的 Claude Code 使用体验
    对你而言，依然是在终端里运行 claude、打开 familiar 的对话界面，只是背后的算力来源发生了变化。

需要再次强调的是：

这种玩法属于“高级折腾”，并不是 GitHub 官方文档鼓励或保证长期可用的路径。
在正式使用前，请务必自己阅读 Copilot 最新的服务条款和使用规范，并自行评估合规性与风险。

对于那些：

  • 已经是 Claude Code 重度用户；
  • 同时有 有效的 GitHub Copilot 订阅；
  • 又希望在成本和网络稳定性之间找到平衡点的开发者——

这个方案非常值得折腾和体验一番。

如果你愿意继续深入，还可以在 LiteLLM 上挂接更多模型（如 OpenAI、原生 Anthropic API 等），再通过 Claude Code 的模型选择实现更灵活的编程工作流，这是另一个可以展开写一篇的主题了。

Read more

MixAIHub官网入口 一键解锁全球AI模型 支持ChatGPT、Claude、Sora、Grok、Midjourney等AI官网镜像！最好用的AI官网镜像工具！

MixAIHub.com 是一家AI镜像网站，支持 ChatGPT、Claude、Sora、Grok、Midjourney 等大模型平台，官网完整还原，包含其官网的全部功能。已经成为许多开发者、内容创作者和普通用户的日常工具。但对很多中国大陆的用户来说，访问这些平台往往意味着翻墙、配置、登录、跳转等一系列繁琐步骤。 MixAIHub以镜像方式完整还原其官网体验，包括界面布局、交互流程、以及全部核心功能。你可以像使用原站一样，在 MixAIHub 上使用 ChatGPT 的全部能力，体验 Claude 的写作助手，输入提示词到 Midjourney 生成图像，或直接在网页上与 Sora 和 Grok 对话。 无需任何科学上网手段，无需切换客户端，也无需注册登录，打开浏览器即可进入 MixAI Hub官网地址 MixAIHub官网地址：https://mixaihub.com/
Stable Diffusion + kohya_ss 的安装教程

Stable Diffusion + kohya_ss 的安装教程

工具简介 * Stable Diffusion (SD): 开源的文本到图像生成模型，支持通过提示词生成高质量图像，内置自动标注功能（如BLIP、DeepBooru等）。 * kohya_ss (KS): 基于SD的轻量级微调工具，支持LoRA、DreamBooth等训练方法，优化显存占用与训练效率。 一.SD的安装 对于SD大家可以通过github链接来下载 https://git-scm.com/ Automatic 1111：https://github.com/AUTOMATIC1111 这里提供的链接，下载的SD是最基础的，如果大家想要让他有其他的扩展功能就需要下载相关的插件（后面会写一个关于下载插件的教程请大家持续关注）。 1.准备 Conda 环境 1.1 创建并激活 Conda 环境 # 创建名为 sd-webui 的环境（Python 3.10 推荐，需匹配仓库要求） conda

Z-Image-Turbo实战案例：企业级AI绘画平台搭建，支持批量出图部署教程

Z-Image-Turbo实战案例：企业级AI绘画平台搭建，支持批量出图部署教程 1. 为什么企业需要Z-Image-Turbo这样的AI绘画平台 很多团队在实际业务中都遇到过类似问题：电商要每天上新上百款商品图，营销部门要快速产出节日海报，设计团队被反复修改的配图需求压得喘不过气。传统方式要么外包成本高、周期长，要么用普通AI工具生成效果不稳定、细节粗糙、风格不统一。 Z-Image-Turbo不是又一个“能画图”的玩具模型——它是一套真正能进生产线的文生图解决方案。32GB完整权重预置、9步极速推理、1024×1024原生分辨率支持，意味着你不用再等下载、不用调参、不用拼凑环境，开机就能跑出专业级图像。更重要的是，它基于阿里ModelScope官方开源版本深度优化，稳定性强、接口干净、无隐藏依赖，特别适合企业内网部署和批量集成。 这不是“试试看”的技术尝鲜，而是能直接嵌入你现有工作流的生产力工具。接下来，我会带你从零开始，把这套能力真正落地成可用、可管、可批量的AI绘画平台。 2. 开箱即用：Z-Image-Turbo高性能环境详解 2.1 镜像核心能力一目了然
XIlinx FPGA使用LVDS的电源与电平关键指南

XIlinx FPGA使用LVDS的电源与电平关键指南

针对 7 Series, UltraScale, UltraScale+ FPGAs 以及 MPSoC 器件使用 LVDS 的注意事项： 1. 适用范围 * 器件系列：7 Series, UltraScale, UltraScale+, Zynq UltraScale+ MPSoC。 * 涉及 IO 类型：High Performance (HP) Banks, High Range (HR) Banks, High Density (HD) Banks。 2. 电源电压 (VCCO) 与 输入/输出 的限制 这是该指南的核心内容，根据 Bank 类型和是用作输入还是输出，规则有所不同： A. LVDS