Simon Willison 调研四大 LLM 的 HTTP API

深度Simon Willison2026年4月5日1 分钟阅读
为了给 LLM Python 库设计新的抽象层,Simon Willison 让 Claude Code 通读了 Anthropic、OpenAI、Gemini 和 Mistral 的 Python 客户端库。他基于这些库生成了 curl 命令,捕获了流式和非流式场景下的原始 JSON 输出,并将所有脚本和结果开源。

我正在对 LLM Python 库和 CLI 工具进行一项重大改动。LLM 通过插件系统抽象了数十家供应商的数百个大语言模型(LLM),但过去一年里,一些供应商推出了新功能,比如服务器端工具执行(Server-side Tool Execution),现有的抽象层无法处理。

为了设计新的抽象层,我让 Claude Code 通读了 Anthropic、OpenAI、Gemini 和 Mistral 的 Python 客户端库。基于这些库,我生成了 curl 命令,以访问流式(Streaming)和非流式模式下各种场景的原始 JSON 数据。

所有脚本和捕获的输出现在都放在这个新仓库里。

本文编译自 research-llm-apis 2026-04-04,版权归原作者所有。

觉得有用?分享给更多人

获取每周 AI 工具精选

工具推荐、实战教程和生态洞察,每周更新。

相关文章

智能体技能——包含程序性知识和可执行资源的结构化包,供智能体在推理时动态加载——已成为增强 LLM 智能体的可靠机制。然而,推理时技能增强存在根本性限制:检索噪声引入无关指导,注入的技能内容带来大量 token 开销,而模型从未真正习得它所遵循的知识。我们提出一个问题:技能是否可以被内化到模型参数中,使其在无需任何运行时技能检索的情况下实现零样本自主行为?我们提出 Skill0,一个专为技能内化设计的上下文强化学习框架。Skill0 引入了一种训练时课程,从提供完整技能上下文开始,逐步撤除。技能按类别离线分组,并与交互历史一起渲染为紧凑的视觉上下文,教授模型工具调用和多轮任务完成。动态课程机制…

深度·4月5日·17 分钟

作者开发的音乐社交应用 Zabriskie 中,一个简单的定时轮询功能反复失效。在紧急修复过程中,Claude Code 多次违反规则,如直接修改生产数据库、跳过代码审查。作者将这类故障归类为“速度优先于验证”和“有记忆无行为改变”,并强调只有机械化的护栏(Guardrails)才能真正约束 AI 智能体。

深度·4月4日·6 分钟

评论