onellmclient

统一主要 LLM 提供商接口的 Python 客户端，让你用一套 API 调用 OpenAI、Anthropic、Gemini、DeepSeek、xAI 等不同厂商的模型。

✨ 特性

• 统一接口：一套 API 调用多个 LLM 厂商，无需学习不同 SDK
• 开箱即用：一次安装，支持所有主流 LLM 提供商（OpenAI、Anthropic、Gemini、DeepSeek、xAI）
• 透明切换：随时切换不同的模型提供商，代码几乎无需改动
• 完整功能：支持文本生成、工具调用、结构化输出等核心功能

📦 安装

# 使用 uv（推荐）
uv add onellmclient

# 或使用 pip
pip install onellmclient

注意：安装 onellmclient 会自动安装所有支持的 LLM 提供商 SDK（OpenAI、Anthropic、Gemini），DeepSeek 和 xAI 使用 OpenAI 兼容的 API，无需额外依赖。

🚀 快速开始

基础用法

from onellmclient import Client

# 初始化客户端（支持多个厂商）
client = Client(
    openai={"key": "your-openai-api-key"},
    anthropic={"key": "your-anthropic-api-key"},
    gemini={"key": "your-gemini-api-key"},
    deepseek={"key": "your-deepseek-api-key"},
    xai={"key": "your-xai-api-key"}
)

# 调用 OpenAI 模型
response = client.completion(
    provider="openai",
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "你好，请介绍一下自己"}]
)
print(response.content)

# 切换到 Anthropic 模型，代码几乎不变
response = client.completion(
    provider="anthropic",
    model="claude-3-5-sonnet",
    messages=[{"role": "user", "content": "你好，请介绍一下自己"}]
)
print(response.content)

# 切换到 DeepSeek 模型，同样简单
response = client.completion(
    provider="deepseek",
    model="deepseek-v3.2-exp",
    messages=[{"role": "user", "content": "你好，请介绍一下自己"}]
)
print(response.content)

# 切换到 xAI Grok 模型
response = client.completion(
    provider="xai",
    model="grok-beta",
    messages=[{"role": "user", "content": "你好，请介绍一下自己"}]
)
print(response.content)

高级功能

结构化输出

# 定义 JSON Schema
schema = {
    "type": "object",
    "properties": {
        "name": {"type": "string"},
        "age": {"type": "integer"},
        "hobbies": {"type": "array", "items": {"type": "string"}}
    },
    "required": ["name", "age"]
}

response = client.completion(
    provider="openai",
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "请介绍一个虚构的人物"}],
    schema=schema
)
# response.content 将是一个符合 schema 的 JSON 字符串

工具调用

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名称"}
                },
                "required": ["city"]
            }
        }
    }
]

response = client.completion(
    provider="openai",
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "北京今天天气怎么样？"}],
    tools=tools
)

Agent：自动执行工具（含 DeepSeek Web Search 兜底）

completion() 只会返回 tool call；如果你希望自动执行工具并拿到最终答案，请使用 agent()。

对于不支持原生 web_search 的提供商（例如 DeepSeek），可以把 web_search 参数传成库内置的 gemini_grounding，让模型通过调用统一工具名 web_search 获得联网能力：

import os
from onellmclient import Client
from onellmclient.tools import gemini_grounding

client = Client(
    deepseek={"key": os.getenv("DEEPSEEK_API_KEY"), "base": os.getenv("DEEPSEEK_API_BASE")},
    gemini={"key": os.getenv("GEMINI_API_KEY"), "base": os.getenv("GEMINI_API_BASE")},
)

resp = client.agent(
    provider="deepseek",
    model="deepseek-chat",
    instructions="Use the web_search tool to retrieve up-to-date information when needed.",
    messages=[{"role": "user", "content": "What is the result of the latest F1 grand prix?"}],
    web_search=gemini_grounding,
)
print(resp.content)

推理能力（Claude）

response = client.completion(
    provider="anthropic",
    model="claude-3-5-sonnet",
    messages=[{"role": "user", "content": "解这个数学题：2x + 5 = 13"}],
    reasoning_effort="medium"  # off, minimal, low, medium, high
)

📋 支持的厂商和模型

🔧 API 参考

Client 初始化

Client(
    openai={"key": "api-key", "base": "https://api.openai.com/v1"},     # 可选
    anthropic={"key": "api-key", "base": "https://api.anthropic.com"}, # 可选
    gemini={"key": "api-key", "base": "https://generativelanguage.googleapis.com"}, # 可选
    deepseek={"key": "api-key", "base": "https://api.deepseek.com"},   # 可选
    xai={"key": "api-key", "base": "https://api.x.ai/v1"}              # 可选
)

completion 方法

client.completion(
    provider: str,                    # "openai", "anthropic", "gemini", "deepseek", "xai"
    model: str,                       # 模型名称
    messages: List[Dict],             # 消息列表
    instructions: Optional[str],      # 系统指令
    schema: Optional[Dict],           # JSON Schema（结构化输出）
    tools: Optional[List[Dict]],      # 工具定义
    reasoning_effort: Optional[str],  # 推理能力："off", "minimal", "low", "medium", "high"（Anthropic, xAI）
    temperature: Optional[float],     # 温度参数 0-2
    web_search: bool,                 # 是否启用网络搜索（OpenAI, xAI）
    tool_choice: Optional[str]        # 工具选择策略："auto", "none", "required"
)

agent 方法

agent() 会自动执行模型返回的 tool call，并把 tool 结果回填给模型，直到拿到最终回答。

client.agent(
    provider: str,
    model: str,
    messages: List[Dict],
    instructions: Optional[str],
    schema: Optional[Dict],
    tools: Optional[List[Dict]],      # 注意：agent 模式下每个工具需额外提供 handler 字段（Python callable）
    reasoning_effort: Optional[str],
    temperature: Optional[float],
    web_search: bool | Callable,      # bool: 启用提供商原生 web_search；Callable: 注入统一工具名 web_search 并由 agent 执行
    tool_choice: Optional[str],
)

💡 最佳实践

1. 环境变量管理：将 API 密钥存储在环境变量中

import os
client = Client(
    openai={"key": os.getenv("OPENAI_API_KEY")},
    anthropic={"key": os.getenv("ANTHROPIC_API_KEY")},
    deepseek={"key": os.getenv("DEEPSEEK_API_KEY")},
    xai={"key": os.getenv("XAI_API_KEY")}
)

2. 错误处理：捕获特定异常

try:
    response = client.completion(provider="openai", model="gpt-4", messages=[...])
except ValueError as e:
    print(f"配置错误: {e}")

3. 模型切换：为不同场景选择合适的模型

# 快速响应场景
response = client.completion(provider="openai", model="gpt-4o-mini", messages=[...])

# 复杂推理场景
response = client.completion(provider="anthropic", model="claude-3-5-sonnet", messages=[...], reasoning_effort="high")

🤝 贡献

欢迎提交 Issue 和 Pull Request！

📄 开源协议

MIT License