前阵子做个内容审核的小服务，想对比几家模型的效果：DeepSeek 便宜、通义中文语感好、GLM 对长文本处理稳。想法很朴素，真动手就烦了——四家平台各注册一遍，实名、绑卡、申请额度，然后四套 SDK、四种鉴权方式、四个 .env 变量。代码里 if model == "qwen" 这种分支越写越丑，换个模型测效果要改半小时配置。后来改用 OpenAI 兼容协议的中转，一个 Key 通吃，代码从四个客户端收敛成一个。
准备工作
就三样：一个支持多模型的聚合服务账号（拿到 Key 和 base_url）、Python 环境装 openai 库、知道你要调的模型名。基础配置最好放环境变量，别写死在代码里：
第一步：改 API 地址
关键就一行 —— base_url 指向中转服务，其余跟调 OpenAI 一模一样：
client = OpenAI(
api_key=os.environ["API_KEY"],
base_url=os.environ["BASE_URL"],
)
`
旧代码里的 openai.api_base 或各家的私有 SDK 全删掉，统一走这个 client。如果原来用的是 DashScope 或各家原生 SDK，把请求体换成 chat/completions 的消息格式就行，字段基本对齐。
第二步：切换模型只改 model 参数
这是最舒服的地方，同一个函数换字符串就是换模型：
print(chat("deepseek-chat", "写个正则匹配手机号"))
print(chat("qwen-plus", "写个正则匹配手机号"))
`
模型名以服务商文档为准，一般是 deepseek-chat、qwen-plus、glm-4 这类。想批量跑对比，直接遍历列表，结果塞进表格里，比开四个网页手工复制粘贴靠谱得多。
第三步：处理差异，别当成完全等价
踩过的坑说几个：一是 max_tokens 各模型上限差很多，Qwen 系列小的只有几千，写死 8192 会直接报错；二是 function calling 和 JSON mode 不是每家都完整支持，涉及工具调用时先确认模型能力；三是流式返回的 chunk 结构个别模型有细微差别，做个 try/except 兜住，错误信息里通常会带模型名前缀，按前缀路由日志更清楚。建议维护一张模型能力表，模型名做成配置项而不是散落在代码里。
几句建议
先用小流量把几个模型在真实 prompt 上跑一遍，别只看榜单，很多任务上的差距和宣传标准差得远。上下文长度和限流按最保守的那家设默认值，避免切换时炸。我自己现在用的是充站，一个 Key 里 DeepSeek、通义、GLM、Kimi 都能直接点，按量计费，省掉了挨家注册绑卡的功夫，测新模型时改个字符串就能上，对做对比实验的场景挺省心。