claude-code-proxy
claude-code-proxy 是一款巧妙的代理服务器,旨在打破模型厂商的壁垒,让用户能够在使用 Anthropic 官方客户端(如 Claude Code)时,灵活调用 OpenAI、Google Gemini 甚至 Anthropic 自家的模型后端。它主要解决了用户被特定生态绑定的痛点:即使你拥有 OpenAI 或 Gemini 的 API 密钥,原本也无法直接在专为 Claude 设计的工具中运行它们。通过这一工具,你可以无缝切换底层大模型,既保留了 Claude Code 优秀的交互体验,又能根据成本、性能或数据隐私需求自由选择模型供应商。
该工具特别适合开发者、技术研究人员以及希望优化 AI 使用成本的团队。其核心技术亮点在于基于 LiteLLM 构建,实现了透明的协议转换。它支持智能模型映射,例如自动将轻量级的"Haiku"请求路由至 gpt-4.1-mini 或 gemini-2.0-flash,将高性能的"Sonnet"请求指向 gpt-4.1 或 Gemini Pro,同时兼容 Google Vertex AI 的企业级认证方式。无论是本地开发调试还是通过 Docker 部署生产环境,claude-code-proxy 都能以极低的配置成本,助你构建更加灵活、多元的 AI 工作流。
使用场景
某初创团队希望利用 Anthropic 官方推出的 CLI 工具"Claude Code"进行自动化代码重构,但受限于预算,团队主要订阅了性价比更高的 OpenAI 或 Google Gemini 模型,而非昂贵的 Claude 原生服务。
没有 claude-code-proxy 时
- 工具无法兼容:Claude Code 强制要求调用 Anthropic API,团队无法直接将其配置为使用已有的 OpenAI 或 Gemini 账号,导致工具完全不可用。
- 重复订阅成本:为了使用该高效 CLI 工具,团队被迫额外购买昂贵的 Claude Pro 订阅或按量付费的 Anthropic API 额度,造成预算浪费。
- 工作流割裂:开发人员不得不放弃统一的命令行操作习惯,手动切换不同的脚本或网页界面来调用不同厂商的模型,效率低下且容易出错。
- 模型选择受限:团队无法根据任务难度灵活调度“小模型处理简单任务、大模型攻克难题”的策略,只能被绑定在单一供应商的模型体系上。
使用 claude-code-proxy 后
- 无缝桥接模型:通过部署该代理服务器,团队成功让 Claude Code 识别并调用了后端的 GPT-4o 或 Gemini 2.0 模型,无需修改任何客户端代码。
- 显著降低成本:直接复用现有的低价 API 密钥,省去了额外的 Anthropic 订阅费用,将单次代码重构的成本降低了约 70%。
- 统一开发体验:开发人员继续使用熟悉的
claude命令进行操作,底层模型切换对使用者透明,保持了流畅的命令行工作流。 - 灵活策略路由:通过配置环境变量,团队轻松实现了将轻量级任务映射到
gpt-4o-mini,复杂架构分析映射到gemini-2.5-pro的智能分流机制。
claude-code-proxy 的核心价值在于打破了专有客户端与模型供应商之间的强绑定,让开发者能以最低成本自由组合最佳工具与最具性价比的 AI 模型。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
针对 Gemini 和 OpenAI 模型的 Anthropic API 代理 🔄
使用 Anthropic 客户端(如 Claude Code)与 Gemini、OpenAI 或直接的 Anthropic 后端一起工作。 🤝
一个代理服务器,允许您通过 LiteLLM 使用 Anthropic 客户端与 Gemini、OpenAI 或 Anthropic 自身的模型进行交互(某种程度上是一个透明代理)。🌉

快速入门 ⚡
前提条件
- OpenAI API 密钥 🔑
- Google AI Studio(Gemini)API 密钥(如果使用 Google 提供商)🔑
- 已启用 Vertex AI API 的 Google Cloud 项目(如果使用 Application Default Credentials 来访问 Gemini)☁️
- 已安装 uv。
设置 🛠️
从源代码安装
克隆此仓库:
git clone https://github.com/1rgs/claude-code-proxy.git cd claude-code-proxy安装 uv(如果您尚未安装):
curl -LsSf https://astral.sh/uv/install.sh | sh(
uv将根据pyproject.toml文件在运行服务器时自动处理依赖项)配置环境变量: 复制示例环境文件:
cp .env.example .env编辑
.env文件,并填写您的 API 密钥和模型配置:ANTHROPIC_API_KEY:(可选)仅在代理到 Anthropic 模型时需要。OPENAI_API_KEY:您的 OpenAI API 密钥(如果使用默认的 OpenAI 配置或作为备用,则为必填项)。GEMINI_API_KEY:您的 Google AI Studio(Gemini)API 密钥(如果PREFERRED_PROVIDER=google且USE_VERTEX_AUTH=true,则为必填项)。USE_VERTEX_AUTH(可选):设置为true以使用 Application Default Credentials(ADC),这样就不需要静态 API 密钥。注意:当USE_VERTEX_AUTH=true时,必须配置VERTEX_PROJECT和VERTEX_LOCATION。VERTEX_PROJECT(可选):您的 Google Cloud 项目 ID(如果PREFERRED_PROVIDER=google且USE_VERTEX_AUTH=true,则为必填项)。VERTEX_LOCATION(可选):Vertex AI 所在的 Google Cloud 区域(例如us-central1)(如果PREFERRED_PROVIDER=google且USE_VERTEX_AUTH=true,则为必填项)。PREFERRED_PROVIDER(可选):设置为openai(默认)、google或anthropic。这决定了将haiku/sonnet映射到的主要后端。BIG_MODEL(可选):用于映射sonnet请求的模型。默认为gpt-4.1(如果PREFERRED_PROVIDER=openai)或gemini-2.5-pro-preview-03-25。当PREFERRED_PROVIDER=anthropic时,此设置将被忽略。SMALL_MODEL(可选):用于映射haiku请求的模型。默认为gpt-4.1-mini(如果PREFERRED_PROVIDER=openai)或gemini-2.0-flash。当PREFERRED_PROVIDER=anthropic时,此设置也无效。
映射逻辑:
- 如果
PREFERRED_PROVIDER=openai(默认),则haiku/sonnet会分别映射到带有openai/前缀的SMALL_MODEL/BIG_MODEL。 - 如果
PREFERRED_PROVIDER=google,则haiku/sonnet会映射到带有gemini/前缀的SMALL_MODEL/BIG_MODEL,前提是这些模型在服务器已知的GEMINI_MODELS列表中;否则将回退到 OpenAI 的映射。 - 如果
PREFERRED_PROVIDER=anthropic,则haiku/sonnet请求将直接传递给 Anthropic,并加上anthropic/前缀,而不会重新映射到其他模型。
运行服务器:
uv run uvicorn server:app --host 0.0.0.0 --port 8082 --reload(
--reload是可选的,用于开发阶段)
使用 Docker
如果您使用 Docker,可以下载示例环境文件并将其重命名为 .env,然后按照上述说明进行编辑。
curl -O .env https://raw.githubusercontent.com/1rgs/claude-code-proxy/refs/heads/main/.env.example
之后,您可以使用 docker compose 启动容器(推荐):
services:
proxy:
image: ghcr.io/1rgs/claude-code-proxy:latest
restart: unless-stopped
env_file: .env
ports:
- 8082:8082
或者使用命令行启动:
docker run -d --env-file .env -p 8082:8082 ghcr.io/1rgs/claude-code-proxy:latest
与 Claude Code 一起使用 🎮
安装 Claude Code(如果您尚未安装):
npm install -g @anthropic-ai/claude-code连接到您的代理:
ANTHROPIC_BASE_URL=http://localhost:8082 claude完成! 您的 Claude Code 客户端现在将通过代理使用配置好的后端模型(默认为 Gemini)。🎯
模型映射 🗺️
代理会根据配置的模型自动将 Claude 模型映射到 OpenAI 或 Gemini 模型:
| Claude 模型 | 默认映射 | 当 BIG_MODEL/SMALL_MODEL 是 Gemini 模型时 |
|---|---|---|
| haiku | openai/gpt-4o-mini | gemini/[model-name] |
| sonnet | openai/gpt-4o | gemini/[model-name] |
支持的模型
OpenAI 模型
以下 OpenAI 模型支持自动添加 openai/ 前缀:
- o3-mini
- o1
- o1-mini
- o1-pro
- gpt-4.5-preview
- gpt-4o
- gpt-4o-audio-preview
- chatgpt-4o-latest
- gpt-4o-mini
- gpt-4o-mini-audio-preview
- gpt-4.1
- gpt-4.1-mini
Gemini 模型
以下 Gemini 模型支持自动添加 gemini/ 前缀:
- gemini-2.5-pro
- gemini-2.5-flash
模型前缀处理
代理会自动为模型名称添加相应的前缀:
- OpenAI 模型会加上
openai/前缀 - Gemini 模型会加上
gemini/前缀 - BIG_MODEL 和 SMALL_MODEL 会根据它们是否属于 OpenAI 或 Gemini 模型列表来决定添加哪个前缀。
例如:
gpt-4o会变成openai/gpt-4ogemini-2.5-pro-preview-03-25会变成gemini/gemini-2.5-pro-preview-03-25- 当 BIG_MODEL 被设置为 Gemini 模型时,Claude Sonnet 会映射到
gemini/[model-name]。
自定义模型映射
您可以通过 .env 文件中的环境变量或直接进行控制:
示例 1:默认(使用 OpenAI)
无需更改 .env 文件,只需确保设置了 API 密钥即可,或者保持如下配置:
OPENAI_API_KEY="your-openai-key"
GEMINI_API_KEY="your-google-key" # 如果 PREFERRED_PROVIDER=google,则为必填项
# PREFERRED_PROVIDER="openai" # 可选,默认就是 openai
# BIG_MODEL="gpt-4.1" # 可选,默认是 gpt-4.1
# SMALL_MODEL="gpt-4.1-mini" # 可选,默认是 gpt-4.1-mini
示例 2a:优先使用 Google(使用 GEMINI_API_KEY)
GEMINI_API_KEY="your-google-key"
OPENAI_API_KEY="your-openai-key" # 用于备用
PREFERRED_PROVIDER="google"
# BIG_MODEL="gemini-2.5-pro" # 可选,默认是 gemini-2.5-pro
# SMALL_MODEL="gemini-2.5-flash" # 可选,默认是 gemini-2.5-flash
示例 2b:优先使用 Google(使用 Vertex AI 和 Application Default Credentials)
OPENAI_API_KEY="your-openai-key" # 用于备用
PREFERRED_PROVIDER="google"
VERTEX_PROJECT="your-gcp-project-id"
VERTEX_LOCATION="us-central1"
USE_VERTEX_AUTH=true
# BIG_MODEL="gemini-2.5-pro" # 可选,默认是 gemini-2.5-pro
# SMALL_MODEL="gemini-2.5-flash" # 可选,默认是 gemini-2.5-flash
示例 3:直接使用 Anthropic(仅作为 Anthropic 代理模式)
ANTHROPIC_API_KEY="sk-ant-..."
PREFERRED_PROVIDER="anthropic"
# 在此模式下,BIG_MODEL 和 SMALL_MODEL 会被忽略
# haiku/sonnet 请求会直接传递给 Anthropic 模型
使用场景:此模式使您能够在使用代理基础设施(用于日志记录、中间件、请求/响应处理等)的同时,仍使用真正的 Anthropic 模型,而不必强制映射到 OpenAI 或 Gemini。
示例 4:使用特定的 OpenAI 模型
OPENAI_API_KEY="your-openai-key"
GEMINI_API_KEY="your-google-key"
PREFERRED_PROVIDER="openai"
BIG_MODEL="gpt-4o" # 示例特定模型
SMALL_MODEL="gpt-4o-mini" # 示例特定模型
工作原理 🧩
该代理的工作流程如下:
- 接收请求,格式为 Anthropic 的 API 格式 📥
- 将请求转换为 OpenAI 格式,通过 LiteLLM 实现 🔄
- 发送转换后的请求至 OpenAI 📤
- 将响应转换回 Anthropic 格式 🔄
- 返回格式化后的响应给客户端 ✅
该代理同时支持流式和非流式响应,确保与所有 Claude 客户端的兼容性。🌊
贡献 🤝
欢迎贡献!请随时提交 Pull Request。🎁
常见问题
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台,旨在让智能体(Agent)像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点,通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员,还是需要快速原型验证的技术团队,都能从中受益。OpenHands 提供了灵活多样的使用方式:既可以通过命令行(CLI)或本地图形界面在个人电脑上轻松上手,体验类似 Devin 的流畅交互;也能利用其强大的 Python SDK 自定义智能体逻辑,甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK,这不仅构成了平台的引擎,还支持高度可组合的开发模式。此外,OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩,证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能,支持与 Slack、Jira 等工具集成,并提供细粒度的权限管理,适合从个人开发者到大型企业的各类用户场景。