Code Agent 解剖（03）：各家 LLM 格式不一样，agent 怎么统一对接？

问题不在「会不会调 API」

换一家模型，往往不是改一行 base_url 就完事：

DeepSeek、智谱、Kimi、Qwen 都说自己「兼容 OpenAI」，但 key 环境变量名、默认端点、tool_calls 字段位置并不完全一样
有的模型还在用旧版 function_call，有的把 content 做成多段 list
个别后端还限制 temperature、禁止多个 system 消息、不认 tool_choice=auto

如果这些差异散落在 loop.py 里，主循环会变成「if provider == xxx」的沼泽。MyCodeAgent 的做法是：把差异关进 core/llm.py + core/openai_compat.py，让 ReAct 循环只看见统一的 text 和 tool_calls。

上一篇讲完「一轮一轮怎么跑」。这篇讲循环真正调模型时，那一层边界长什么样。

结论先放这

scss 复制代码

RuntimeRunner._react_loop()
        │
        ▼
HelloAgentsLLM.invoke_raw(messages, tools=...)
        │  ① provider 路由：选端点 / key / 默认模型
        │  ② 请求归一化：temperature、多 system、tool_choice 等坑
        ▼
OpenAICompatibleClient          ← 标准库 urllib，无 openai SDK
        │  POST {base_url}/chat/completions
        ▼
raw response（对象或 dict，各家略有差异）
        │
        ▼
extract_* 五元组                 ← 响应归一化
  content / tool_calls / usage / meta / reasoning
        │
        ▼
loop 只消费统一结构，继续 Acting / Reasoning

两层分工很清楚：

层	文件	干什么
传输	`openai_compat.py`	发 HTTP、解析 JSON/SSE，伪装成 `client.chat.completions.create`
适配	`llm.py`	provider 路由 + 请求兼容 + 响应提取

loop 故意调 invoke_raw()，而不是 invoke()------前者返回完整响应对象，后面才能拆出 tool_calls、usage、finish_reason；后者直接吐字符串，主循环用不了。

第一层：自己实现一个「假 SDK」

项目没有依赖官方 openai 包。openai_compat.py 用 urllib 实现了 harness 真正用到的最小子集：

python 复制代码

# core/openai_compat.py --- 核心调用路径
class OpenAICompatibleClient:
    def __init__(self, api_key, base_url, timeout):
        self.chat = _Chat(self)   # 露出 client.chat.completions.create(...)

    def _create_completion(self, payload):
        if payload.get("stream"):
            return self._stream(payload)
        with self._request(payload) as response:
            return ResponseObject(json.loads(response.read().decode("utf-8")))

请求就是一次普通 POST：{base_url}/chat/completions，Header 带 Bearer token。流式则按 SSE 协议读 data: 行，遇到 [DONE] 结束。

关键是 ResponseObject：把 JSON dict 包成可以 .choices[0].message 点出来的对象，同时提供 model_dump() 还原字典。

python 复制代码

class ResponseObject:
    def __getattr__(self, name):
        return _to_object(self._value[name])  # dict → 可点访问

    def model_dump(self):
        return self._value

上层提取函数因此不关心响应来自官方 SDK 还是自制客户端------属性访问和字典访问都能走通。

为什么不用官方 SDK？ 依赖少，核心路径全在仓库里可见；调不通时不用猜第三方封装吞了什么。代价是只实现 harness 需要的子集，不是完整 SDK。

第二层：provider 怎么选出来

HelloAgentsLLM.__init__ 按固定优先级解析配置：

arduino 复制代码

显式参数 provider
    → 环境变量 LLM_PROVIDER
        → 自动探测（detect_envs / URL marker）
            → 落成 "auto"（泛 OpenAI 兼容）

凭证和默认端点不写死在 if/else 里，而是查 PROVIDER_PROFILES 表：

python 复制代码

# core/llm.py --- 表驱动路由（示意）
PROVIDER_PROFILES = {
    "deepseek": {
        "key_envs": ("DEEPSEEK_API_KEY", "LLM_API_KEY"),
        "base_url": "https://api.deepseek.com",
        "model": "deepseek-chat",
        "url_markers": ("api.deepseek.com",),
        ...
    },
    "zhipu": { ... },
    "kimi": { ... },
    # ...
}

# 解析时：
self.provider = self._resolve_provider(provider, api_key, base_url)
self.api_key, resolved_base_url = self._resolve_credentials(api_key, base_url)

配了 LLM_PROVIDER=zhipu，代码直接从表拿到智谱的默认 base_url 和该查哪些 key 环境变量，不必在业务代码里写死域名。

自动探测还有一条安全阀：若同时检测到多个 provider 的专用 key，直接报错要求显式指定------避免「你以为在调 A，实际命中了 B」。

第三层：响应归一化（这一层最值钱）

loop 在拿到 raw_response 之后，只做这件事：

python 复制代码

# runtime/loop.py --- 主循环消费统一字段
response_text = extract_response_content(raw_response) or ""
reasoning_content = extract_reasoning_content(raw_response)
usage = extract_usage(raw_response)
response_meta = extract_response_meta(raw_response)
tool_calls = extract_tool_calls(raw_response)

五个函数把「各家略有不同的 JSON」投影成 harness 的稳定形状。其中 loop 最依赖的是 extract_tool_calls：

python 复制代码

# core/llm.py --- 新旧 Function Calling 格式归一
def extract_tool_calls(response):
    message = _response_message(response)

    # 新格式：message.tool_calls[]（主流）
    calls = response_attr(message, "tool_calls") or []
    if calls:
        return [{"id": ..., "name": ..., "arguments": ...} for call in calls]

    # 旧格式：message.function_call（单次调用）
    function_call = response_attr(message, "function_call")
    if function_call:
        return [{"id": None, "name": ..., "arguments": ...}]

    return []

无论模型吐的是 tool_calls 还是 function_call，loop 拿到的都是 [{id, name, arguments}]。上一篇 Acting 分支里「有 tool_calls → 执行工具」的分支，建立在这个归一化之上。

其余几个函数各管一块：

函数	抽出什么	loop 拿来干什么
`extract_response_content`	正文（兼容 content 为 list）	写入历史 / 完成门候选答案
`extract_tool_calls`	工具调用列表	Acting 分支
`extract_usage`	prompt/completion/total tokens	记用量、查 token 预算
`extract_response_meta`	finish_reason、长度、refusal 等	空响应重试、截断判定、trace
`extract_reasoning_content`	思维链（可选字段）	调试展示，不改变控制流

通用读取器只有一行，却撑起整套提取逻辑：

python 复制代码

def response_attr(value, key):
    # dict 走 .get；对象走 getattr ------ ResponseObject 与官方 SDK 同一套提取代码
    return value.get(key) if isinstance(value, dict) else getattr(value, key, None)

请求侧也有「兼容补丁」

归一化不只发生在响应。发请求前，_build_request() 还会抹平几类已知坑：

Kimi K2 / 2.5 ：只接受 temperature=1，其它值会被自动改掉并打一次 warning
MiniMax ：合并多条 system 消息；丢掉 tool_choice=auto（对方不认）
误填完整路径 ：若 base_url 写成了 .../chat/completions，构造客户端前先剥掉后缀

这些逻辑集中在适配层，loop 仍然只传 messages / tools / tool_choice。新增一家「大体兼容但有怪癖」的后端时，优先在这里加规则，而不是改主循环。

重试也在这一层：_invoke_with_retries 按 LLM_MAX_RETRIES + 指数退避包住非流式调用。注意这和上一篇讲的「内层 while 模型错误恢复」不是同一层------那边处理的是空响应、PROMPT_TOO_LONG 等语义级恢复；这里处理的是瞬时网络/HTTP 失败。

三个调用入口，loop 只用一个

方法	返回	谁在用
`invoke_raw()`	原始响应对象	主循环（再交给 extract_*）
`invoke()`	纯文本字符串	摘要压缩等「只要一段话」的场景
`think()` / `stream_invoke()`	流式文本片段	面向用户的流式展示

主循环选 invoke_raw 是刻意的：Agent 需要的不只是「模型说了啥」，还要「有没有工具调用、为什么停、花了多少 token」。字符串入口会把这些信号丢掉。

设计亮点

传输与适配分离 ：HTTP 细节在 openai_compat，业务兼容在 llm，loop 两边都不碰
表驱动 provider ：加一家模型主要是加 PROVIDER_PROFILES 行，而不是改调用链
响应投影而不是改写：extract_* 只读 raw response，不改 provider 原始载荷；trace 仍可存完整快照
零 SDK 依赖：核心路径可见、可移植；用「假 SDK 形状」保持调用习惯不变

小结

机制	作用
`OpenAICompatibleClient`	标准库实现最小 OpenAI 兼容传输
`PROVIDER_PROFILES`	端点 / key / 默认模型表驱动路由
`invoke_raw` + `extract_*`	主循环只消费统一 text / tool_calls / meta
新旧 tool 格式兼容	`tool_calls` 与 `function_call` 归一成同一列表
请求侧兼容补丁	temperature、多 system、误填 URL 等坑集中处理

下一篇会顺着「模型怎么知道有哪些工具」往下挖：工具 schema 从哪来、Function Calling 参数怎么进执行管道。

关于本系列的源码

本系列所有分析均基于开源项目 MyCodeAgent。

源码里已经按照本系列文章的讲解顺序，在关键位置加入了配套注释------读文章时可以对照代码，也可以直接克隆下来自己跑、改、扩展，基于它开发你自己的 agent。

bash 复制代码

git clone https://github.com/chendongqi/MyCodeAgent
cd MyCodeAgent
cp .env.example .env   # 填入你的 LLM API key
uv sync
uv run python main.py

欢迎访问 PrimeSkills ------ 一个精心策划的 AI Agent 与技能市场，所有内容均经过真实企业级工作流验证。没有噱头，只有真正有效的东西。

更多实用知识和有趣产品，欢迎访问我的个人主页