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

openclaw配置飞书（Feishu）机器人（2026.03.07）

openclaw配置飞书（Feishu）机器人（2026.03.07）

前提：你已经安装好openclaw，配置好了大模型。 可借鉴我另一篇博文：https://mp.ZEEKLOG.net/mp_blog/creation/editor/157513751 一、配置openclaw channel 打开终端，输入： openclaw config 开始安装，需要等一会，安装好需要你填飞书的App ID和App Secret，先放着，等执行下面的步骤 然 二、配置飞书机器人 , 获取App ID和App Secret 安装流程如下链接，太长了，不想编辑了，完成版本发布。 https://www.feishu.cn/content/article/7613711414611463386 1.配置事件长连接时，需要在openclaw上安装飞书SDK（如果步骤一没执行会长连接失败） 2.当然以上配还是有问题的，

实测可用！发那科机器人与西门子PLC通讯全方案（网关+Modbus TCP双版本，避坑指南附代码）

实测可用！发那科机器人与西门子PLC通讯全方案（网关+Modbus TCP双版本，避坑指南附代码） 在工业自动化现场，发那科（FANUC）机器人与西门子PLC的组合十分常见，但两者“协议壁垒”常常让工程师头疼——发那科机器人原生支持EtherNet/IP，而西门子PLC（S7-1200/1500）主打Profinet，直接通讯往往“语言不通”。 本文结合3个实际产线项目经验，整理两种经过现场验证、100%可用的通讯方案（网关跨协议版 + Modbus TCP低成本版），步骤拆解到每一步按键操作，标注新手常踩的坑，附PLC测试代码和故障排查方法，适合工控工程师直接照搬落地，再也不用为通讯调试熬夜！ 核心前提（避免做无用功） * 发那科机器人：支持EtherNet/IP或Modbus TCP功能（需确认系统选件，无选件需联系厂家授权，如Modbus TCP需R602选件），本文以R-30iB系列为例。 * 西门子PLC：S7-1200/S7-1500（本文分型号适配步骤），安装**TIA

FPGA小白学习日志二：利用LED实现2选1多路选择器

在上一篇文章中，主播利用炒菜的比喻帮大家介绍了LED工程的建立，所以在读这一篇文章前，大家可以简要回顾以下LED工程的建立流程。本篇内容，主播主要向大家介绍数据选择器工程的实现方法。   在开始之前，我们先来了解一下数据选择器是什么：所谓数据选择器，就是从多个输入的逻辑信号中选择一个逻辑信号输出，实现数据选择功能的逻辑电路就是数据选择器。我们用来打个比方，现在我们手中有两张电影票A和B,但这时我们是不知道到底哪张电影票是允许我们进入电影院的，这时候我们就要去问检票员，检票员说A，那就可以进；否则，B就可以进。通过这个比喻，我们就能理解数据选择器的大体思路了：这里的电影票A与B就相当于输入信号in1与in2，检票员就相当于数据选择信号sel（英文select），电影院就相当于输出信号out，注意这里的输出信号out只有一个。因此，我们就可以在Visio中设计出2-1数据选择器：                               同样，我们给出2-1数据选择器的真值表：                我们来分析以下这个真值表：当选择信号sel为0时，对应输入信号in
多模态动态融合模型Predictive Dynamic Fusion阅读与代码分析运行1-信度概念与基础参数指标

多模态动态融合模型Predictive Dynamic Fusion阅读与代码分析运行1-信度概念与基础参数指标

参考文：Cao B, Xia Y, Ding Y, et al. Predictive Dynamic Fusion[J]. arXiv preprint arXiv:2406.04802, 2024.[2406.04802] Predictive Dynamic Fusion 一、理论 今天就先看看论文中的各个指标含义和多模态训练代码的参数吧 文章中一个比较重要的概念就是置信度的概念了，在论文前段，对置信度的扩展比较多同时没有什么具体说明，不知道概念的话读着还是很混乱的； 置信度 在机器学习中，置信度表示模型对其预测结果“有多确定”。 它刻画的是：模型认为自己预测是正确的程度 例如，在分类任务中：“这是正类的概率是 0.92”，那么 0.92 就可以视为模型对该预测的置信度 在监督学习中，给定输入样本 xxx，模型预测类别为