解放生产力！One API实现ChatGLM/文心一言等20+模型统一调用

优质文章学习记录

— 12 min read

解放生产力！One API实现ChatGLM/文心一言等20+模型统一调用

你是否经历过这样的困扰：

  • 为调用ChatGLM要配一套请求逻辑，换到文心一言又要重写密钥格式和接口地址；
  • 同时对接通义千问、讯飞星火、腾讯混元，每个平台的鉴权方式、参数命名、错误码都不一样；
  • 想给团队共享模型能力，却得为每人分发不同厂商的API Key，还无法统一管控用量和权限；
  • 客户临时要求切换模型——改代码、测兼容、上线验证，半天时间就没了。

别再被碎片化的大模型接入拖慢节奏了。今天介绍的这个工具，只改一行URL、换一个Key，就能让现有OpenAI兼容代码无缝跑通20+国产与国际主流大模型——它就是One API。

这不是一个需要深度定制的中间件，而是一个开箱即用的“大模型协议翻译器”：把所有异构模型的调用，统一收束成标准OpenAI RESTful接口。你不用关心背后是百度的ERNIE Bot、阿里的Qwen，还是智谱的GLM-4，只要会调ChatGPT，你就已经会用它。

本文将带你从零完成部署、配置、调用全流程，不讲抽象架构，只说你能立刻上手的操作细节。全程无需改业务代码，不依赖特定编程语言，小白可照着命令复制粘贴，工程师可直接集成进CI/CD。

1. 为什么你需要One API：统一接口不是噱头，而是真实痛点

在实际工程中，“支持多模型”常被当作功能亮点宣传，但落地时往往变成维护噩梦。我们拆解三个最典型的现实卡点：

1.1 接口协议五花八门，适配成本远超预期

厂商请求URL示例鉴权方式消息体字段流式响应标识
OpenAIhttps://api.openai.com/v1/chat/completionsBearer sk-xxxmessages, model, temperaturestream: true + SSE
百度文心一言https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions_proaccess_token=xxx（需先换token）messages, model, temperature → 实际为 temperature 和 top_pstream: true + JSON Lines
阿里通义千问https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generationAuthorization: Bearer your-dashscope-keyinput.messages, model, parameters.temperaturestream: true + 自定义分隔符

你会发现：

  • 即使字段名相同（如model），可选值范围完全不同（gpt-4-turbo vs qwen-max）；
  • 流式返回解析逻辑必须为每个平台单独实现；
  • 错误码体系毫无关联（401 invalid_apikey vs 50001 access_token expired）。

One API做的第一件事，就是把这些差异全部抹平——对外只暴露一个 /v1/chat/completions 地址，所有请求都按OpenAI规范接收，内部自动路由、转换、重试、兜底。

1.2 权限与用量管理缺失，团队协作风险高

很多团队早期用个人Key硬编码在脚本里，结果出现：

  • 某成员离职，所有服务因Key失效集体中断；
  • 某个测试脚本疯狂调用，耗尽整月额度却找不到责任人；
  • 客户A想用Qwen，客户B只允许调ChatGLM，但后端代码无法区分。

One API内置完整的令牌（Token）生命周期管理：

  • 为每个项目/客户端生成独立令牌，绑定额度、过期时间、IP白名单；
  • 支持按用户分组（default/vip/svip）分配可用模型池，VIP组可调Gemini+Qwen，普通组仅限GLM；
  • 所有调用自动记账，实时查看“谁在什么时间用了哪个模型多少token”。

这不再是“能用就行”，而是真正具备生产环境所需的可观测性与可控性。

1.3 部署极简，但能力不妥协

它没有选择复杂微服务架构，而是以单二进制文件为核心：

  • Docker镜像仅80MB，无Python/Node.js运行时依赖；
  • 数据全落盘到/data目录，断电不丢配置；
  • 管理后台自带Web UI，无需额外搭建前端；
  • 支持负载均衡——同一令牌请求可自动分发至多个渠道，防止单点故障。

一句话总结：它把企业级能力，压缩进了“一条docker run命令”的交付粒度里。

2. 三分钟完成部署：Docker一键启动，不碰配置文件

部署One API不需要理解Go语言、不需配置Nginx反向代理、不需手动编译。你只需要确认两件事：
① 你的机器已安装Docker（官网安装指南）；
② 你有权限创建本地目录（如/opt/oneapi）。

下面提供两种最常用方式，任选其一即可。

2.1 方式一：单命令快速体验（推荐首次尝试）

打开终端，执行这一行命令：

docker run --name one-api -d \ --restart always \ -p 13000:3000 \ -e TZ=Asia/Shanghai \ -v $(pwd)/oneapi-data:/data \ justsong/one-api
命令说明：
-p 13000:3000 将容器内3000端口映射到宿主机13000端口（你可改为其他未占用端口）；
-v $(pwd)/oneapi-data:/data 将当前目录下oneapi-data文件夹挂载为数据目录，确保重启后配置不丢失；
justsong/one-api 是官方维护的Docker镜像，自动拉取最新稳定版。

等待5秒，访问 http://localhost:13000，你将看到登录页。
默认账号：root，密码：123456（ 登录后第一件事：立即修改密码！）

2.2 方式二：docker-compose长期使用（推荐生产环境）

在任意目录新建 docker-compose.yml 文件，内容如下：

version: '3.8' services: oneapi: container_name: oneapi image: justsong/one-api:latest restart: unless-stopped ports: - "13000:3000" volumes: - ./oneapi-data:/data environment: - TZ=Asia/Shanghai # 可选：添加健康检查 healthcheck: test: ["CMD", "curl", "-f", "http://localhost:3000/health"] interval: 30s timeout: 10s retries: 3

保存后，在该目录下执行：

docker-compose up -d

服务启动后，同样访问 http://localhost:13000 登录。
优势：便于版本锁定（如justsong/one-api:v0.6.0）、集成健康检查、后续扩展日志/监控更方便。

3. 配置你的第一个模型通道：以ChatGLM和文心一言为例

登录后台后，你面对的是一个清晰的模块化界面。核心操作集中在两个地方：渠道管理（对接模型）和令牌管理（分发调用凭证）。我们以国内最常用的两个模型为例，演示如何让它们“听懂”你的OpenAI请求。

3.1 添加ChatGLM渠道（智谱AI）

  1. 左侧菜单点击 渠道管理 → 添加渠道；
  2. 填写以下关键字段：
    • 类型：选择 Zhipu AI（智谱）；
    • 名称：输入 chatglm4-prod（自定义，用于识别）；
    • 分组：勾选 default（表示所有普通用户可用）；
    • 模型：自动列出 glm-4, glm-3-turbo 等，勾选你需要的；
    • 密钥：粘贴你在 https://bigmodel.cn 获取的API Key；
    • 代理：留空（直连）或填写公司内部代理地址（如 http://proxy.internal:8080）。
提示：One API会自动检测密钥格式有效性，填错会红色提示。保存后，右侧“状态”列显示绿色✔即代表通道连通。

3.2 添加文心一言渠道（百度）

  1. 再次点击 添加渠道；
  2. 填写：
    • 类型：Baidu ERNIE Bot；
    • 名称：wenxin-4-prod；
    • 分组：同样勾选 default；
    • 模型：勾选 ernie-bot-4（或 ernie-bot-turbo）；
    • 密钥：此处需填写 Access Token，不是AK/SK！获取方式：
    • 代理：同上，按需填写。
注意：文心一言的Token有效期为30天，One API支持自动刷新（需在系统设置中开启“自动刷新Access Token”）。

3.3 验证通道是否生效

添加完成后，回到 渠道管理 列表页，你会看到两个新条目。点击右侧 测试 按钮，输入一段测试消息（如“你好”），点击发送。
如果返回类似以下JSON，说明通道已就绪：

{ "id": "chatcmpl-xxx", "object": "chat.completion", "created": 1717021234, "model": "glm-4", "choices": [{ "index": 0, "message": {"role": "assistant", "content": "你好！我是GLM-4，很高兴为你服务。"}, "finish_reason": "stop" }] }

此时，你已成功将ChatGLM和文心一言“翻译”成了OpenAI协议。

4. 调用实操：用Python/Shell/Postman，零改造接入

现在，所有模型对你而言，只剩下一个统一入口：http://localhost:13000/v1/chat/completions。
下面展示三种最常见调用方式，全部基于标准OpenAI SDK或curl，无需任何修改。

4.1 Python调用（兼容openai==1.0+）

from openai import OpenAI # 关键：只改base_url和api_key，其余完全不变 client = OpenAI( base_url="http://localhost:13000/v1", # 指向你的One API api_key="sk-xxx-your-one-api-token" # 从One API后台生成的令牌 ) response = client.chat.completions.create( model="glm-4", # 指定调用ChatGLM messages=[{"role": "user", "content": "用Python写一个快速排序"}], temperature=0.7 ) print(response.choices[0].message.content)
运行效果：输出Python版快排代码。你甚至可以将model参数换成ernie-bot-4，同一段代码立即切换到文心一言。

4.2 curl命令行调用（调试利器）

curl http://localhost:13000/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-xxx-your-one-api-token" \ -d '{ "model": "qwen-max", "messages": [{"role": "user", "content": "请解释Transformer架构的核心思想"}], "stream": false }'
返回结果与OpenAI原生接口完全一致，可直接用现有JSON Schema校验。

4.3 Postman配置（可视化调试）

  1. 新建Request，URL设为 http://localhost:13000/v1/chat/completions；
  2. Headers添加：
    • Authorization: Bearer sk-xxx-your-one-api-token
    • Content-Type: application/json
  3. Body选择 raw → JSON，粘贴请求体；
  4. 发送，查看响应。
支持自动保存环境变量，一键切换不同模型。

5. 进阶能力：让统一调用真正服务于业务

One API的价值不仅在于“能调”，更在于“管得好、用得巧”。以下是三个高频实用场景的落地方法。

5.1 场景一：为不同客户分配专属模型池（权限隔离）

假设你为A公司提供AI客服，只允许调用Qwen；为B公司做内容生成，需开放GLM-4+Gemini。
操作路径：

  1. 用户管理 → 添加用户，创建 a-company 和 b-company 两个账号；
  2. 渠道管理 → 编辑对应渠道，在“分组”列取消勾选 default，改为新建分组 a-group / b-group；
  3. 用户管理 → 编辑用户，将 a-company 的分组设为 a-group，b-company 设为 b-group；
  4. 令牌管理 → 为各用户生成令牌，令牌自动继承其分组权限。

结果：A公司令牌调用ernie-bot-4会返回403错误，B公司令牌则可自由切换模型。

5.2 场景二：流式响应实现“打字机效果”

前端需要逐字返回，提升交互感？One API原生支持OpenAI标准SSE流式协议：

response = client.chat.completions.create( model="glm-4", messages=[{"role": "user", "content": "写一首关于春天的七言绝句"}], stream=True # 关键：启用流式 ) for chunk in response: if chunk.choices[0].delta.content is not None: print(chunk.choices[0].delta.content,, flush=True)
输出效果：字符逐个打印，无需前端额外解析，兼容所有OpenAI流式SDK。

5.3 场景三：失败自动重试 + 多渠道兜底

网络抖动导致某次文心一言调用超时？One API默认开启：

  • 单次请求失败后，自动按配置策略重试（最多3次）；
  • 若配置了多个渠道（如同时添加了Qwen和GLM-4），可设置“负载均衡策略”为random或round-robin，自动 fallback；
  • 在 渠道管理 → 编辑渠道 中，可单独为每个渠道设置“权重”，例如Qwen权重80%，GLM-4权重20%，实现灰度发布。

6. 总结：统一接口，是AI工程化的起点而非终点

One API解决的从来不是一个“能不能调”的问题，而是“要不要为每个模型重复造轮子”的效率问题。它把大模型接入的复杂性，封装成一次部署、两次配置、三次调用的确定性流程。

回顾本文实践，你已掌握：

  • 如何用一条Docker命令，在3分钟内获得20+模型的统一网关；
  • 如何为ChatGLM、文心一言等国产主力模型配置通道，并验证连通性；
  • 如何用原生OpenAI SDK，零代码改造调用任意后端模型；
  • 如何通过分组、令牌、负载均衡，实现企业级的权限与稳定性管控。

真正的生产力解放，不在于追逐最新模型，而在于让已有能力快速、安全、可控地流动起来。当你不再为接口协议焦头烂额，才能真正聚焦于：如何用AI重构产品逻辑、优化用户体验、创造业务价值。

下一步，你可以：
→ 尝试添加通义万相（文生图）或Qwen-VL（多模态）扩展能力；
→ 配置Cloudflare Turnstile防止恶意刷Key；
→ 结合Message Pusher，将额度告警推送到企业微信。

技术的价值，永远体现在它省下的那些本该用来debug的时间上。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 ZEEKLOG星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Read more

发送webhook到飞书机器人

发送webhook到飞书机器人

发送webhook到飞书机器人 参考链接 自定义机器人使用指南 创建自定义机器人 1. 邀请自定义机器人进群。 2. 3. 获取签名校验 在 安全设置 区域，选择 签名校验。 获取自定义机器人的 webhook 地址 机器人对应的 webhook 地址 格式如下： https://open.feishu.cn/open-apis/bot/v2/hook/xxxxxxxxxxxxxxxxx 请妥善保存好此 webhook 地址，不要公布在 Gitlab、博客等可公开查阅的网站上，避免地址泄露后被恶意调用发送垃圾消息。 设置自定义机器人的头像、名称与描述，并点击 添加。 在 群机器人 界面点击 添加机器人。在 添加机器人 对话框，找到并点击 自定义机器人。

Google VR SDK for Unity开发环境快速搭建指南

Google VR SDK for Unity是一个功能强大的开发工具包，专为在Unity引擎中构建沉浸式虚拟现实应用而设计。无论你是VR开发新手还是经验丰富的开发者，本指南都将帮助你快速配置完整的开发环境。 【免费下载链接】gvr-unity-sdkGoogle VR SDK for Unity 项目地址: https://gitcode.com/gh_mirrors/gv/gvr-unity-sdk 项目概览与核心优势 Google VR SDK提供了完整的VR开发解决方案，从基础的头部追踪到高级的6自由度控制器交互。该SDK支持Daydream、Cardboard等多种VR平台，让开发者能够轻松创建跨设备的VR体验。 主要功能特点 * 6自由度追踪：支持完整的空间定位和旋转 * 多平台兼容：适配Android和iOS设备 * 高性能渲染：优化的图形管线确保流畅体验 * 完整的输入系统：支持控制器、手势等多种交互方式 环境搭建快速入门 系统要求与必备工具 在开始之前，请确保你的开发环境满足以下要求： Unity版本：2017.4或更高版本 Andr
YOLO+OpenClaw+SAM微调实战：工业缺陷自动标注的低代码落地

YOLO+OpenClaw+SAM微调实战：工业缺陷自动标注的低代码落地

YOLO+OpenClaw+SAM微调实战：工业缺陷自动标注的低代码落地 不能实时，不代表不能用。微调SAM+云端部署，让工业标注从“人工描边”变“一键验收”。 大家好，我是AI小怪兽。上周有位做PCB质检的读者发来一段视频：标注员正对着一块电路板缺陷图，用鼠标一点点勾勒划痕的边界，一张图花了8分钟。他说：“YOLO能框，但框不准；SAM能分割，但通用模型到我们产线就水土不服。有没有办法让标注员少点鼠标？” 当然有。今天我就结合工业缺陷检测场景，展示一套低代码落地路径：YOLO粗定位 + 微调SAM精分割 + OpenClaw自动调度，让标注员从“动手画”变成“动口验收”。 一、工业自动标注的三道坎 坎1：OpenClaw无法实时推理 OpenClaw从接收指令到调用模型返回结果，5秒以上是常态。产线上的产品不可能等5秒，但标注任务可以——把数千张图丢给AI，让它半夜慢慢跑，员工早上来验收结果，不香吗？ 坎2：边缘端算力要求大，且存在安全风险 OpenClaw调用大模型需要至少8GB显存，
AI绘画电商产品提示词撰写指南

AI绘画电商产品提示词撰写指南

在电商领域，利用 AI 绘画生成产品图片正逐渐成为提升商品视觉吸引力、提高运营效率的重要手段。而撰写精准有效的提示词，是让 AI 理解并生成符合预期产品图片的关键。 一、明确产品关键信息 产品基础描述 产品类型与用途：清晰界定产品所属类别，无论是服装、电子产品、家居用品还是美妆产品等，这是 AI理解产品的基础。同时，简要说明产品的核心用途或目标受众，可分为3层结构（按优先级排序） * 基础层：明确产品核心属性(避免 AI 生成偏差)，包括「产品类别 + 规格 + 材质 / 工艺」，例： “女士夏季短袖连衣裙（长度到膝盖），雪纺面料，蕾丝领口” * 场景层：搭建使用场景（增强代入感），包括「使用环境 + 搭配元素 + 人群画像」，例： “在海边沙滩场景，搭配草编帽和珍珠凉鞋，适合 25-35