[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-1rgs--claude-code-proxy":3,"tool-1rgs--claude-code-proxy":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",138956,2,"2026-04-05T11:33:21",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","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。\n\n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。\n\nNextChat 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。",87618,"2026-04-05T07:20:52",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-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。\n\n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。",84991,"2026-04-05T10:45:23",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"status":16},3128,"ragflow","infiniflow\u002Fragflow","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。\n\n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。\n\n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。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","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。\n\n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。\n\nPaddleOCR 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。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","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。\n\n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。\n\n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。",70612,"2026-04-05T11:12:22",[15,14,13,36],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":81,"owner_website":83,"owner_url":84,"languages":85,"stars":94,"forks":95,"last_commit_at":96,"license":81,"difficulty_score":10,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":106,"github_topics":81,"view_count":10,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":107,"updated_at":108,"faqs":109,"releases":125},3956,"1rgs\u002Fclaude-code-proxy","claude-code-proxy","Run Claude Code on OpenAI models","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。\n\n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 D","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。\n\n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。","# Anthropic API Proxy for Gemini & OpenAI Models 🔄\n\n**Use Anthropic clients (like Claude Code) with Gemini, OpenAI, or direct Anthropic backends.** 🤝\n\nA proxy server that lets you use Anthropic clients with Gemini, OpenAI, or Anthropic models themselves (a transparent proxy of sorts), all via LiteLLM. 🌉\n\n\n![Anthropic API Proxy](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F1rgs_claude-code-proxy_readme_556c882d0736.png)\n\n## Quick Start ⚡\n\n### Prerequisites\n\n- OpenAI API key 🔑\n- Google AI Studio (Gemini) API key (if using Google provider) 🔑\n- Google Cloud Project with Vertex AI API enabled (if using Application Default Credentials for Gemini) ☁️\n- [uv](https:\u002F\u002Fgithub.com\u002Fastral-sh\u002Fuv) installed.\n\n### Setup 🛠️\n\n#### From source\n\n1. **Clone this repository**:\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002F1rgs\u002Fclaude-code-proxy.git\n   cd claude-code-proxy\n   ```\n\n2. **Install uv** (if you haven't already):\n   ```bash\n   curl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh\n   ```\n   *(`uv` will handle dependencies based on `pyproject.toml` when you run the server)*\n\n3. **Configure Environment Variables**:\n   Copy the example environment file:\n   ```bash\n   cp .env.example .env\n   ```\n   Edit `.env` and fill in your API keys and model configurations:\n\n   *   `ANTHROPIC_API_KEY`: (Optional) Needed only if proxying *to* Anthropic models.\n   *   `OPENAI_API_KEY`: Your OpenAI API key (Required if using the default OpenAI preference or as fallback).\n   *   `GEMINI_API_KEY`: Your Google AI Studio (Gemini) API key (Required if `PREFERRED_PROVIDER=google` and `USE_VERTEX_AUTH=true`).\n   *   `USE_VERTEX_AUTH` (Optional): Set to `true` to use Application Default Credentials (ADC) will be used (no static API key required). Note: when USE_VERTEX_AUTH=true, you must configure `VERTEX_PROJECT` and `VERTEX_LOCATION`.\n   *   `VERTEX_PROJECT` (Optional): Your Google Cloud Project ID (Required if `PREFERRED_PROVIDER=google` and `USE_VERTEX_AUTH=true`).\n   *   `VERTEX_LOCATION` (Optional): The Google Cloud region for Vertex AI (e.g., `us-central1`) (Required if `PREFERRED_PROVIDER=google` and `USE_VERTEX_AUTH=true`).\n   *   `PREFERRED_PROVIDER` (Optional): Set to `openai` (default), `google`, or `anthropic`. This determines the primary backend for mapping `haiku`\u002F`sonnet`.\n   *   `BIG_MODEL` (Optional): The model to map `sonnet` requests to. Defaults to `gpt-4.1` (if `PREFERRED_PROVIDER=openai`) or `gemini-2.5-pro-preview-03-25`. Ignored when `PREFERRED_PROVIDER=anthropic`.\n   *   `SMALL_MODEL` (Optional): The model to map `haiku` requests to. Defaults to `gpt-4.1-mini` (if `PREFERRED_PROVIDER=openai`) or `gemini-2.0-flash`. Ignored when `PREFERRED_PROVIDER=anthropic`.\n\n   **Mapping Logic:**\n   - If `PREFERRED_PROVIDER=openai` (default), `haiku`\u002F`sonnet` map to `SMALL_MODEL`\u002F`BIG_MODEL` prefixed with `openai\u002F`.\n   - If `PREFERRED_PROVIDER=google`, `haiku`\u002F`sonnet` map to `SMALL_MODEL`\u002F`BIG_MODEL` prefixed with `gemini\u002F` *if* those models are in the server's known `GEMINI_MODELS` list (otherwise falls back to OpenAI mapping).\n   - If `PREFERRED_PROVIDER=anthropic`, `haiku`\u002F`sonnet` requests are passed directly to Anthropic with the `anthropic\u002F` prefix without remapping to different models.\n\n4. **Run the server**:\n   ```bash\n   uv run uvicorn server:app --host 0.0.0.0 --port 8082 --reload\n   ```\n   *(`--reload` is optional, for development)*\n\n#### Docker\n\nIf using docker, download the example environment file to `.env` and edit it as described above.\n```bash\ncurl -O .env https:\u002F\u002Fraw.githubusercontent.com\u002F1rgs\u002Fclaude-code-proxy\u002Frefs\u002Fheads\u002Fmain\u002F.env.example\n```\n\nThen, you can either start the container with [docker compose](https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002F) (preferred):\n\n```yml\nservices:\n  proxy:\n    image: ghcr.io\u002F1rgs\u002Fclaude-code-proxy:latest\n    restart: unless-stopped\n    env_file: .env\n    ports:\n      - 8082:8082\n```\n\nOr with a command:\n\n```bash\ndocker run -d --env-file .env -p 8082:8082 ghcr.io\u002F1rgs\u002Fclaude-code-proxy:latest\n```\n\n### Using with Claude Code 🎮\n\n1. **Install Claude Code** (if you haven't already):\n   ```bash\n   npm install -g @anthropic-ai\u002Fclaude-code\n   ```\n\n2. **Connect to your proxy**:\n   ```bash\n   ANTHROPIC_BASE_URL=http:\u002F\u002Flocalhost:8082 claude\n   ```\n\n3. **That's it!** Your Claude Code client will now use the configured backend models (defaulting to Gemini) through the proxy. 🎯\n\n## Model Mapping 🗺️\n\nThe proxy automatically maps Claude models to either OpenAI or Gemini models based on the configured model:\n\n| Claude Model | Default Mapping | When BIG_MODEL\u002FSMALL_MODEL is a Gemini model |\n|--------------|--------------|---------------------------|\n| haiku | openai\u002Fgpt-4o-mini | gemini\u002F[model-name] |\n| sonnet | openai\u002Fgpt-4o | gemini\u002F[model-name] |\n\n### Supported Models\n\n#### OpenAI Models\nThe following OpenAI models are supported with automatic `openai\u002F` prefix handling:\n- o3-mini\n- o1\n- o1-mini\n- o1-pro\n- gpt-4.5-preview\n- gpt-4o\n- gpt-4o-audio-preview\n- chatgpt-4o-latest\n- gpt-4o-mini\n- gpt-4o-mini-audio-preview\n- gpt-4.1\n- gpt-4.1-mini\n\n#### Gemini Models\nThe following Gemini models are supported with automatic `gemini\u002F` prefix handling:\n- gemini-2.5-pro\n- gemini-2.5-flash\n\n### Model Prefix Handling\nThe proxy automatically adds the appropriate prefix to model names:\n- OpenAI models get the `openai\u002F` prefix\n- Gemini models get the `gemini\u002F` prefix\n- The BIG_MODEL and SMALL_MODEL will get the appropriate prefix based on whether they're in the OpenAI or Gemini model lists\n\nFor example:\n- `gpt-4o` becomes `openai\u002Fgpt-4o`\n- `gemini-2.5-pro-preview-03-25` becomes `gemini\u002Fgemini-2.5-pro-preview-03-25`\n- When BIG_MODEL is set to a Gemini model, Claude Sonnet will map to `gemini\u002F[model-name]`\n\n### Customizing Model Mapping\n\nControl the mapping using environment variables in your `.env` file or directly:\n\n**Example 1: Default (Use OpenAI)**\nNo changes needed in `.env` beyond API keys, or ensure:\n```dotenv\nOPENAI_API_KEY=\"your-openai-key\"\nGEMINI_API_KEY=\"your-google-key\" # Needed if PREFERRED_PROVIDER=google\n# PREFERRED_PROVIDER=\"openai\" # Optional, it's the default\n# BIG_MODEL=\"gpt-4.1\" # Optional, it's the default\n# SMALL_MODEL=\"gpt-4.1-mini\" # Optional, it's the default\n```\n\n**Example 2a: Prefer Google (using GEMINI_API_KEY)**\n```dotenv\nGEMINI_API_KEY=\"your-google-key\"\nOPENAI_API_KEY=\"your-openai-key\" # Needed for fallback\nPREFERRED_PROVIDER=\"google\"\n# BIG_MODEL=\"gemini-2.5-pro\" # Optional, it's the default for Google pref\n# SMALL_MODEL=\"gemini-2.5-flash\" # Optional, it's the default for Google pref\n```\n\n**Example 2b: Prefer Google (using Vertex AI with Application Default Credentials)**\n```dotenv\nOPENAI_API_KEY=\"your-openai-key\" # Needed for fallback\nPREFERRED_PROVIDER=\"google\"\nVERTEX_PROJECT=\"your-gcp-project-id\"\nVERTEX_LOCATION=\"us-central1\"\nUSE_VERTEX_AUTH=true\n# BIG_MODEL=\"gemini-2.5-pro\" # Optional, it's the default for Google pref\n# SMALL_MODEL=\"gemini-2.5-flash\" # Optional, it's the default for Google pref\n```\n\n**Example 3: Use Direct Anthropic (\"Just an Anthropic Proxy\" Mode)**\n```dotenv\nANTHROPIC_API_KEY=\"sk-ant-...\"\nPREFERRED_PROVIDER=\"anthropic\"\n# BIG_MODEL and SMALL_MODEL are ignored in this mode\n# haiku\u002Fsonnet requests are passed directly to Anthropic models\n```\n\n*Use case: This mode enables you to use the proxy infrastructure (for logging, middleware, request\u002Fresponse processing, etc.) while still using actual Anthropic models rather than being forced to remap to OpenAI or Gemini.*\n\n**Example 4: Use Specific OpenAI Models**\n```dotenv\nOPENAI_API_KEY=\"your-openai-key\"\nGEMINI_API_KEY=\"your-google-key\"\nPREFERRED_PROVIDER=\"openai\"\nBIG_MODEL=\"gpt-4o\" # Example specific model\nSMALL_MODEL=\"gpt-4o-mini\" # Example specific model\n```\n\n## How It Works 🧩\n\nThis proxy works by:\n\n1. **Receiving requests** in Anthropic's API format 📥\n2. **Translating** the requests to OpenAI format via LiteLLM 🔄\n3. **Sending** the translated request to OpenAI 📤\n4. **Converting** the response back to Anthropic format 🔄\n5. **Returning** the formatted response to the client ✅\n\nThe proxy handles both streaming and non-streaming responses, maintaining compatibility with all Claude clients. 🌊\n\n## Contributing 🤝\n\nContributions are welcome! Please feel free to submit a Pull Request. 🎁\n","# 针对 Gemini 和 OpenAI 模型的 Anthropic API 代理 🔄\n\n**使用 Anthropic 客户端（如 Claude Code）与 Gemini、OpenAI 或直接的 Anthropic 后端一起工作。** 🤝\n\n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）。🌉\n\n\n![Anthropic API 代理](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F1rgs_claude-code-proxy_readme_556c882d0736.png)\n\n## 快速入门 ⚡\n\n### 前提条件\n\n- OpenAI API 密钥 🔑\n- Google AI Studio（Gemini）API 密钥（如果使用 Google 提供商）🔑\n- 已启用 Vertex AI API 的 Google Cloud 项目（如果使用 Application Default Credentials 来访问 Gemini）☁️\n- 已安装 [uv](https:\u002F\u002Fgithub.com\u002Fastral-sh\u002Fuv)。\n\n### 设置 🛠️\n\n#### 从源代码安装\n\n1. **克隆此仓库**：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002F1rgs\u002Fclaude-code-proxy.git\n   cd claude-code-proxy\n   ```\n\n2. **安装 uv**（如果您尚未安装）：\n   ```bash\n   curl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh\n   ```\n   *(`uv` 将根据 `pyproject.toml` 文件在运行服务器时自动处理依赖项)*\n\n3. **配置环境变量**：\n   复制示例环境文件：\n   ```bash\n   cp .env.example .env\n   ```\n   编辑 `.env` 文件，并填写您的 API 密钥和模型配置：\n\n   *   `ANTHROPIC_API_KEY`：（可选）仅在代理到 Anthropic 模型时需要。\n   *   `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）。\n   *   `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）。\n   *   `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`。\n   *   `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）。\n   *   `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）。\n   *   `PREFERRED_PROVIDER`（可选）：设置为 `openai`（默认）、`google` 或 `anthropic`。这决定了将 `haiku`\u002F`sonnet` 映射到的主要后端。\n   *   `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。\n   *   `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。\n\n   **映射逻辑：**\n   - 如果 `PREFERRED_PROVIDER=openai`（默认），则 `haiku`\u002F`sonnet` 会分别映射到带有 `openai\u002F` 前缀的 `SMALL_MODEL`\u002F`BIG_MODEL`。\n   - 如果 `PREFERRED_PROVIDER=google`，则 `haiku`\u002F`sonnet` 会映射到带有 `gemini\u002F` 前缀的 `SMALL_MODEL`\u002F`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。\n   - 如果 `PREFERRED_PROVIDER=anthropic`，则 `haiku`\u002F`sonnet` 请求将直接传递给 Anthropic，并加上 `anthropic\u002F` 前缀，而不会重新映射到其他模型。\n\n4. **运行服务器**：\n   ```bash\n   uv run uvicorn server:app --host 0.0.0.0 --port 8082 --reload\n   ```\n   *(`--reload` 是可选的，用于开发阶段)*\n\n#### 使用 Docker\n\n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。\n```bash\ncurl -O .env https:\u002F\u002Fraw.githubusercontent.com\u002F1rgs\u002Fclaude-code-proxy\u002Frefs\u002Fheads\u002Fmain\u002F.env.example\n```\n\n之后，您可以使用 [docker compose](https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002F) 启动容器（推荐）：\n\n```yml\nservices:\n  proxy:\n    image: ghcr.io\u002F1rgs\u002Fclaude-code-proxy:latest\n    restart: unless-stopped\n    env_file: .env\n    ports:\n      - 8082:8082\n```\n\n或者使用命令行启动：\n```bash\ndocker run -d --env-file .env -p 8082:8082 ghcr.io\u002F1rgs\u002Fclaude-code-proxy:latest\n```\n\n### 与 Claude Code 一起使用 🎮\n\n1. **安装 Claude Code**（如果您尚未安装）：\n   ```bash\n   npm install -g @anthropic-ai\u002Fclaude-code\n   ```\n\n2. **连接到您的代理**：\n   ```bash\n   ANTHROPIC_BASE_URL=http:\u002F\u002Flocalhost:8082 claude\n   ```\n\n3. **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）。🎯\n\n## 模型映射 🗺️\n\n代理会根据配置的模型自动将 Claude 模型映射到 OpenAI 或 Gemini 模型：\n\n| Claude 模型 | 默认映射 | 当 BIG_MODEL\u002FSMALL_MODEL 是 Gemini 模型时 |\n|--------------|--------------|---------------------------|\n| haiku | openai\u002Fgpt-4o-mini | gemini\u002F[model-name] |\n| sonnet | openai\u002Fgpt-4o | gemini\u002F[model-name] |\n\n### 支持的模型\n\n#### OpenAI 模型\n以下 OpenAI 模型支持自动添加 `openai\u002F` 前缀：\n- o3-mini\n- o1\n- o1-mini\n- o1-pro\n- gpt-4.5-preview\n- gpt-4o\n- gpt-4o-audio-preview\n- chatgpt-4o-latest\n- gpt-4o-mini\n- gpt-4o-mini-audio-preview\n- gpt-4.1\n- gpt-4.1-mini\n\n#### Gemini 模型\n以下 Gemini 模型支持自动添加 `gemini\u002F` 前缀：\n- gemini-2.5-pro\n- gemini-2.5-flash\n\n### 模型前缀处理\n代理会自动为模型名称添加相应的前缀：\n- OpenAI 模型会加上 `openai\u002F` 前缀\n- Gemini 模型会加上 `gemini\u002F` 前缀\n- 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。\n\n例如：\n- `gpt-4o` 会变成 `openai\u002Fgpt-4o`\n- `gemini-2.5-pro-preview-03-25` 会变成 `gemini\u002Fgemini-2.5-pro-preview-03-25`\n- 当 BIG_MODEL 被设置为 Gemini 模型时，Claude Sonnet 会映射到 `gemini\u002F[model-name]`。\n\n### 自定义模型映射\n\n您可以通过 `.env` 文件中的环境变量或直接进行控制：\n\n**示例 1：默认（使用 OpenAI）**\n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：\n```dotenv\nOPENAI_API_KEY=\"your-openai-key\"\nGEMINI_API_KEY=\"your-google-key\" # 如果 PREFERRED_PROVIDER=google，则为必填项\n# PREFERRED_PROVIDER=\"openai\" # 可选，默认就是 openai\n# BIG_MODEL=\"gpt-4.1\" # 可选，默认是 gpt-4.1\n# SMALL_MODEL=\"gpt-4.1-mini\" # 可选，默认是 gpt-4.1-mini\n```\n\n**示例 2a：优先使用 Google（使用 GEMINI_API_KEY）**\n```dotenv\nGEMINI_API_KEY=\"your-google-key\"\nOPENAI_API_KEY=\"your-openai-key\" # 用于备用\nPREFERRED_PROVIDER=\"google\"\n# BIG_MODEL=\"gemini-2.5-pro\" # 可选，默认是 gemini-2.5-pro\n# SMALL_MODEL=\"gemini-2.5-flash\" # 可选，默认是 gemini-2.5-flash\n```\n\n**示例 2b：优先使用 Google（使用 Vertex AI 和 Application Default Credentials）**\n```dotenv\nOPENAI_API_KEY=\"your-openai-key\" # 用于备用\nPREFERRED_PROVIDER=\"google\"\nVERTEX_PROJECT=\"your-gcp-project-id\"\nVERTEX_LOCATION=\"us-central1\"\nUSE_VERTEX_AUTH=true\n# BIG_MODEL=\"gemini-2.5-pro\" # 可选，默认是 gemini-2.5-pro\n# SMALL_MODEL=\"gemini-2.5-flash\" # 可选，默认是 gemini-2.5-flash\n```\n\n**示例 3：直接使用 Anthropic（仅作为 Anthropic 代理模式）**\n```dotenv\nANTHROPIC_API_KEY=\"sk-ant-...\"\nPREFERRED_PROVIDER=\"anthropic\"\n\n# 在此模式下，BIG_MODEL 和 SMALL_MODEL 会被忽略\n# haiku\u002Fsonnet 请求会直接传递给 Anthropic 模型\n```\n\n*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\u002F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。*\n\n**示例 4：使用特定的 OpenAI 模型**\n```dotenv\nOPENAI_API_KEY=\"your-openai-key\"\nGEMINI_API_KEY=\"your-google-key\"\nPREFERRED_PROVIDER=\"openai\"\nBIG_MODEL=\"gpt-4o\" # 示例特定模型\nSMALL_MODEL=\"gpt-4o-mini\" # 示例特定模型\n```\n\n## 工作原理 🧩\n\n该代理的工作流程如下：\n\n1. **接收请求**，格式为 Anthropic 的 API 格式 📥\n2. **将请求转换**为 OpenAI 格式，通过 LiteLLM 实现 🔄\n3. **发送**转换后的请求至 OpenAI 📤\n4. **将响应转换**回 Anthropic 格式 🔄\n5. **返回**格式化后的响应给客户端 ✅\n\n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。🌊\n\n## 贡献 🤝\n\n欢迎贡献！请随时提交 Pull Request。🎁","# claude-code-proxy 快速上手指南\n\n`claude-code-proxy` 是一个代理服务器，允许你在使用 Anthropic 客户端（如 Claude Code）时，无缝切换后端模型为 **Google Gemini**、**OpenAI** 或 **原生 Anthropic** 模型。它基于 LiteLLM 构建，实现了协议格式的自动转换。\n\n## 环境准备\n\n在开始之前，请确保满足以下前置条件：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows (需支持 Docker 或 Python 环境)\n*   **核心依赖**：\n    *   [uv](https:\u002F\u002Fgithub.com\u002Fastral-sh\u002Fuv)：高性能 Python 包管理器和运行时（推荐安装方式）。\n    *   或者使用 Docker \u002F Docker Compose。\n*   **API 密钥**（根据选择的后端至少准备一个）：\n    *   `OPENAI_API_KEY`：OpenAI 密钥（默认备用或首选）。\n    *   `GEMINI_API_KEY`：Google AI Studio 密钥（若使用 Google 直连）。\n    *   `ANTHROPIC_API_KEY`：Anthropic 密钥（若仅作为透传代理）。\n    *   *可选*：Google Cloud Project 及 Vertex AI 权限（若使用 ADC 认证）。\n\n> **提示**：国内用户安装 `uv` 若遇网络问题，可尝试配置国内镜像源或使用代理。\n\n## 安装步骤\n\n你可以选择 **源码运行** 或 **Docker 部署**。\n\n### 方式一：源码运行 (推荐开发者)\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002F1rgs\u002Fclaude-code-proxy.git\n    cd claude-code-proxy\n    ```\n\n2.  **安装 uv** (如果尚未安装)\n    ```bash\n    curl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh\n    ```\n    *注：`uv` 会自动读取 `pyproject.toml` 处理依赖，无需手动 pip install。*\n\n3.  **配置环境变量**\n    复制示例配置文件并编辑：\n    ```bash\n    cp .env.example .env\n    ```\n    使用编辑器打开 `.env`，填入你的密钥和配置。以下是常用配置示例：\n\n    *   **场景 A：默认使用 OpenAI (将 haiku\u002Fsonnet 映射为 gpt-4o-mini\u002Fgpt-4o)**\n        ```dotenv\n        OPENAI_API_KEY=\"sk-...\"\n        # PREFERRED_PROVIDER=\"openai\" (默认值，可不填)\n        ```\n\n    *   **场景 B：首选 Google Gemini (将 haiku\u002Fsonnet 映射为 gemini 模型)**\n        ```dotenv\n        GEMINI_API_KEY=\"AIza...\"\n        OPENAI_API_KEY=\"sk-...\" # 作为备用\n        PREFERRED_PROVIDER=\"google\"\n        BIG_MODEL=\"gemini-2.5-pro\"\n        SMALL_MODEL=\"gemini-2.0-flash\"\n        ```\n\n    *   **场景 C：仅作为 Anthropic 透传代理 (用于日志记录等中间件功能)**\n        ```dotenv\n        ANTHROPIC_API_KEY=\"sk-ant-...\"\n        PREFERRED_PROVIDER=\"anthropic\"\n        ```\n\n4.  **启动服务**\n    ```bash\n    uv run uvicorn server:app --host 0.0.0.0 --port 8082 --reload\n    ```\n    服务将在 `http:\u002F\u002Flocalhost:8082` 运行。\n\n### 方式二：Docker 部署 (推荐生产环境)\n\n1.  **下载配置文件**\n    ```bash\n    curl -O .env https:\u002F\u002Fraw.githubusercontent.com\u002F1rgs\u002Fclaude-code-proxy\u002Frefs\u002Fheads\u002Fmain\u002F.env.example\n    ```\n    *请记得编辑 `.env` 文件填入真实的 API Key。*\n\n2.  **启动容器**\n    使用单条命令启动：\n    ```bash\n    docker run -d --env-file .env -p 8082:8082 ghcr.io\u002F1rgs\u002Fclaude-code-proxy:latest\n    ```\n    或者使用 `docker-compose` (创建 `docker-compose.yml` 后运行 `docker compose up -d`)：\n    ```yaml\n    services:\n      proxy:\n        image: ghcr.io\u002F1rgs\u002Fclaude-code-proxy:latest\n        restart: unless-stopped\n        env_file: .env\n        ports:\n          - 8082:8082\n    ```\n\n## 基本使用\n\n配置好代理服务后，即可让官方的 `claude-code` 客户端连接到本地代理。\n\n1.  **安装 Claude Code CLI**\n    ```bash\n    npm install -g @anthropic-ai\u002Fclaude-code\n    ```\n\n2.  **连接代理并启动**\n    通过设置 `ANTHROPIC_BASE_URL` 环境变量指向你的代理地址：\n    ```bash\n    ANTHROPIC_BASE_URL=http:\u002F\u002Flocalhost:8082 claude\n    ```\n\n3.  **验证效果**\n    启动后，客户端发出的请求会被代理拦截。\n    *   如果你配置了 `PREFERRED_PROVIDER=google`，当你调用 `sonnet` 模型时，实际后台会请求配置的 Gemini 模型。\n    *   整个过程对客户端透明，无需修改客户端代码。\n\n---\n**模型映射逻辑简述**：\n*   **Haiku** (小模型) -> 默认映射为 `gpt-4o-mini` 或配置的 `SMALL_MODEL`。\n*   **Sonnet** (大模型) -> 默认映射为 `gpt-4o` 或配置的 `BIG_MODEL`。\n*   代理会自动为模型名称添加 `openai\u002F` 或 `gemini\u002F` 前缀以适配 LiteLLM 路由。","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。\n\n### 没有 claude-code-proxy 时\n- **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。\n- **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。\n- **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。\n- **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。\n\n### 使用 claude-code-proxy 后\n- **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。\n- **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%。\n- **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。\n- **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。\n\nclaude-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。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F1rgs_claude-code-proxy_556c882d.png","1rgs","rahul","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002F1rgs_1d230a1a.jpg","leading ai ramp.com | previously cofounder cohere.io (acq ramp)","Ramp",null,"gsr1998@gmail.com","https:\u002F\u002Fcohere.io","https:\u002F\u002Fgithub.com\u002F1rgs",[86,90],{"name":87,"color":88,"percentage":89},"Python","#3572A5",99.7,{"name":91,"color":92,"percentage":93},"Dockerfile","#384d54",0.3,3373,445,"2026-04-05T12:47:10","Linux, macOS, Windows","未说明",{"notes":100,"python":101,"dependencies":102},"该工具是一个代理服务器，本身不运行大型模型，因此无特定 GPU 或大内存需求。必须安装 'uv' 包管理器来自动处理依赖。运行前需配置 OpenAI、Google (Gemini\u002FVertex AI) 或 Anthropic 的 API Key。支持通过 Docker 或直接源码运行。","未说明 (通过 uv 自动管理)",[103,104,105],"uv","uvicorn","LiteLLM",[15,36],"2026-03-27T02:49:30.150509","2026-04-06T05:17:03.076675",[110,115,120],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},18058,"是否支持 OpenRouter API？","支持。您可以参考相关的拉取请求（Pull Request）来获取支持 OpenRouter 的实现代码或合并状态：https:\u002F\u002Fgithub.com\u002F1rgs\u002Fclaude-code-proxy\u002Fpull\u002F1","https:\u002F\u002Fgithub.com\u002F1rgs\u002Fclaude-code-proxy\u002Fissues\u002F26",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},18059,"启动服务后运行命令出现 '404 Not Found' 错误怎么办？","该问题通常由配置错误或路由不匹配引起。虽然原始讨论中未给出最终确认的修复方案，但建议检查以下步骤：1. 确保 uvicorn 服务已在指定端口（如 8082）正常启动且无报错；2. 确认 ANTHROPIC_BASE_URL 环境变量是否正确指向了本地服务地址（http:\u002F\u002Flocalhost:8082）；3. 检查客户端命令是否与代理服务器预期的 API 路径完全匹配。如果问题依旧，请查看服务器日志以获取更详细的 404 错误来源。","https:\u002F\u002Fgithub.com\u002F1rgs\u002Fclaude-code-proxy\u002Fissues\u002F7",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},18060,"遇到 'token_counter() got an unexpected keyword argument api_base' 类型错误如何解决？","这是一个代码兼容性错误，表明 `token_counter` 函数接收了它不支持的 `api_base` 参数。这通常发生在依赖库版本更新或代码逻辑不一致时。解决方法是检查 `server.py` 文件中调用 `token_counter` 的部分（约第 1436 行），移除传递给该函数的 `api_base` 参数，或者更新 `token_counter` 函数的定义以接受该参数。建议检查项目依赖版本是否与当前代码兼容。","https:\u002F\u002Fgithub.com\u002F1rgs\u002Fclaude-code-proxy\u002Fissues\u002F53",[]]