uni-api：统一管理多路大模型 API 的网关利器

在日常 AI 开发中，你是否曾为同时使用多个大模型 API 而头疼不已？每当需要切换模型、对比效果、管理密钥时，往往要在不同平台之间来回折腾，配置文件散落一地。uni-api 正是为解决这个痛点而生——它是一个用 Python 构建的大模型 API 网关，通过统一的 OpenAI 兼容接口，汇聚了 OpenAI、Anthropic Claude、Gemini、Vertex AI、Azure、AWS 等十余种后端服务，让开发者只需维护一套配置，就能自由调度所有主流大模型。

背景：个人开发者的"减负"之作

uni-api 的诞生背景非常清晰——作者认为 new-api（另一个同类项目）功能过于复杂，混杂了大量商业场景才需要的特性，对个人开发者并不友好。于是 yym68686 从个人使用角度出发，打造了这个"零前端、配置即用"的极简方案。项目完全开源（Apache-2.0），活跃度高，截至 2026 年 6 月 14 日已更新至 v1.7.127，最近一周内就有多次 release 提交。

核心功能：多后端 + 负载均衡 + 自动容错

uni-api 的核心价值在于"统一"二字。它模拟完整的 OpenAI API 格式（/v1/chat/completions、/v1/models、/v1/images/generations 等），接入方无需修改代码，只需将 base_url 指向 uni-api 部署地址，即可自由调用背后接入的任意模型。

多后端汇聚是首要能力。目前已支持：OpenAI 全系列、Anthropic Claude 系列、Google Gemini、Microsoft Azure OpenAI Service、Google Vertex AI（含 Claude 和 Gemini 双支持）、AWS Bedrock、xAI Grok、Cohere、Groq、Cloudflare Workers AI、OpenRouter 等十余家服务提供商。这意味着开发者可以在不同渠道之间灵活切换，充分利用各平台的价格和额度优势。

四种负载均衡机制是另一大亮点：渠道级加权负载均衡（按权重分配请求比例）、Vertex 区域级负载均衡（最高可将并发提升 API数×区域数 倍）、顺序负载均衡（round_robin 轮询）、API Key 级轮训负载均衡（同一渠道多个密钥自动轮换）。这些机制可以最大化利用多个 API 账号的配额。

自动重试与渠道冷却进一步提升了系统鲁棒性。当某个 API 渠道响应失败时，系统会自动重试下一个渠道；如果某个渠道持续失败，它会被"冷却"一段时间后自动恢复，无需人工干预。

在函数调用（tool use）和多模态支持方面，uni-api 也覆盖了主流需求：OpenAI、Anthropic、Gemini、Vertex、Azure、AWS、xAI 的原生 tool use 均已支持；图像识别（DALL-E 图像生成、识图 API）、语音转文字、文字转语音、Embeddings、道德审查（Moderation）等接口也一应俱全。

技术架构：FastAPI + 模块化分层

从代码结构看，uni-api 采用了经典的 Python Web 服务架构：

• main.py（约 270KB）：FastAPI 应用核心，处理路由、中间件、请求解析、响应格式化
• core/ 目录：核心业务模块，包括 request（请求处理）、response（响应处理）、models（数据模型）、log_config（日志）
• routing.py（约 27KB）：路由逻辑，实现 API Key 认证、模型映射、渠道选择
• upstream.py（约 26KB）：上游调用逻辑，负责实际向后端服务发起 HTTP 请求
• utils.py（约 34KB）：工具函数，包括配置加载、限流器（InMemoryRateLimiter）、错误处理
• db.py：数据库层，基于 SQLAlchemy，支持 SQLite（默认）和 PostgreSQL

依赖栈也很简洁：FastAPI + uvicorn + httpx（支持 HTTP/2 和 SOCKS 代理）+ SQLAlchemy + Pydantic。唯一值得注意的是依赖了 httpx-socks 实现 SOCKS 代理支持，这对于在受限网络环境下部署非常实用。

整个项目的代码量约 3285KB（不含 .git），规模适中，模块边界清晰。

部署体验：零门槛的 Docker 一键部署

这是 uni-api 最有竞争力的地方——部署体验极为简单。项目提供多阶段 Dockerfile（builder 阶段用 uv 安装依赖，运行时用 python:3.11-slim-bullseye 最小镜像），Docker Compose 配置仅需配置一个 CONFIG_URL 或挂载本地 api.yaml 文件即可。

硬件需求也很亲民：无需 GPU，内存仅需 512MB，磁盘约 3GB，任何一台云服务器都能轻松运行。配置过程只需编写一个 YAML 文件填写各渠道的 API Key 和模型映射，无需任何前端界面。部署熟练后，整个过程不超过 5 分钟。

局限与注意事项

值得注意的是，uni-api 官方并未提供内置的认证面板或 Web UI，所有访问控制依赖 API Key 机制（支持通配符匹配模型权限）。生产环境使用建议配合反向代理（Nginx/Caddy）做额外的访问控制。

此外，由于涉及多个外部 API 的代理转发，网络质量直接影响服务稳定性。建议部署环境有稳定的国际网络访问能力，或配置好 SOCKS 代理。项目也明确在 README 中提示"如果网络不通，请检查代理配置"。

行业意义

uni-api 代表的趋势是"大模型 API 聚合网关"这一细分类别的快速成熟。随着 Claude、Gemini、DeepSeek 等模型不断涌现，单一 API Key 已经很难满足灵活调用和成本优化的需求。类似的工具（如 One-API、new-api）正在形成一个小生态，而 uni-api 以其"零前端、配置驱动"的极简定位，在个人开发者和极客群体中找到了自己的细分市场。

该项目的高活跃度（周更频率、issue 响应及时）也侧面反映了市场需求的真实存在。如果你有多渠道调用大模型的需求，且希望简化管理复杂度，uni-api 值得一试。

项目速览：Python 3.11+ · FastAPI + uvicorn · 多阶段 Docker 部署 · 无 GPU 需求 · Apache-2.0