← Retour aux guides

用 GPT+Claude 做一个多模型 CLI 工具

为什么要做一个多模型 CLI

如果你每天都在终端里工作，一个 AI CLI 能直接把“查资料、改文案、写注释、生成脚手架”变成命令行里的几秒钟操作。最实用的做法不是只接一个模型，而是同时支持 GPT 和 Claude：前者适合结构化输出、函数调用和代码重构，后者在长上下文、方案分析和复杂推理上很强。这样你可以按任务切换，不必被单一模型绑定。

对忙碌开发者来说，关键不是“做得炫”，而是“够快、够省、够稳定”。这也是 59API 很适合拿来做 CLI 后端的原因：它提供统一的 API 入口，兼容 Claude Code、Codex 和任何 OpenAI SDK，基础地址直接设为 https://api.59api.com 就能开始；按量付费、成本低，而且接的是原生官方质量模型，不需要接受降级体验。

第一步：先定技术栈和命令形态

最省时间的方案是用 Node.js 做 CLI，配合 OpenAI SDK、commander 和 dotenv。这样你只要写一次调用逻辑，就能同时接 GPT 和 Claude。命令设计建议从三个入口开始：一个默认问答命令，一个代码审查命令，一个模型切换参数。比如同一个工具支持 ai ask、ai review、ai run --model claude-sonnet 这样的用法。

• 适合新手的组合：Node.js + OpenAI SDK + commander
• 适合团队扩展：增加配置文件、日志和缓存
• 适合后续发布：npm 包 + 全局安装

第二步：用 59API 统一接入 GPT 和 Claude

把 59API 当成你的模型网关，CLI 只认一个 base URL，背后却可以切换不同模型。你只需要在环境变量里配置 API Key 和基础地址，然后把模型名作为参数传进去即可。这样做的好处很直接：切模型不改代码，换账号不改逻辑，后期也方便做限流和成本统计。

建议先把默认模型设为便宜且快的选项，用于日常问答和短文本生成；把更强的模型留给复杂任务。59API 的按量计费尤其适合这种场景，因为 CLI 的请求通常碎片化、频率不固定，按次消耗比包月更容易控制预算。对于需要稳定体验的工具，这类低成本 relay 能明显降低试错门槛。

第三步：做一个最小可用的请求流程

你的 CLI 至少需要四个环节：读取命令行参数、拼接 prompt、调用模型、输出结果。先做最小闭环，不要一开始就加太多功能。推荐先支持流式输出，这样用户在终端里能边看边用，体感会比等完整返回好很多。对于代码类任务，保留原始格式很重要，最好让模型直接输出可复制的段落或 JSON。

• 输入：命令参数、stdin、prompt 文件
• 处理：按任务选择 GPT 或 Claude
• 输出：流式打印到终端，保留换行和缩进
• 兜底：失败后自动重试或切换模型

第四步：把 CLI 做得真正好用

真正能留住用户的，是细节。比如把常见任务做成快捷命令：生成 README、把报错翻译成人话、将函数改成更清晰的写法、把会议纪要压缩成待办。再加上配置文件后，用户可以保存默认模型、温度、输出语言和最大 token。这样你的工具就不只是“一个聊天壳”，而是可复用的开发效率组件。

如果你希望工具更轻量，可以先只做三件事：支持多模型、支持流式输出、支持环境变量配置。等核心链路稳定后，再加历史记录、模板库和插件系统。由于 59API 兼容 OpenAI SDK，你后续扩展不同模型时基本不需要重写调用层，这会比自己分别对接 Claude 和 GPT 省很多时间。

第五步：上线前先做成本和体验检查

CLI 工具很容易在测试阶段“看起来便宜”，一上线就因为高频调用变贵。所以在发布前，务必加上超时、失败重试、模型降级和简单的使用日志。你还可以把长任务默认分配给 Claude，把短任务交给更快的 GPT，小任务用低成本模型，大任务用高能力模型，这样整体体验和预算都会更平衡。

如果你现在就想开跑，可以先注册 59API，拿一个 Key 把你的 CLI 先接通，再根据真实使用情况调整模型路由。它的低价、按量和官方质量模型组合，很适合忙碌开发者快速验证想法，而不必先投入复杂的后端架构。先跑起来，再优化，通常是做 CLI 工具最快的路径。

Tarifs · Docs